边缘计算基础常识考核试题及答案

边缘计算基础常识考核试题及答案一、单项选择题（每题2分，共20分）1.边缘计算的核心目标是：A.替代云计算中心B.在数据源头附近提供计算服务C.降低网络带宽成本D.完全本地化存储所有数据答案：B解析：边缘计算通过在靠近数据产生的边缘节点（如基站、传感器终端）部署计算资源，实现低延迟、本地化的数据处理，而非替代云计算（A错误）；降低带宽是衍生效益（C非核心）；数据仍可能与云端协同（D错误）。2.以下哪项不属于边缘计算典型架构层？A.设备层B.边缘层C.传输层D.云层答案：C解析：边缘计算三层架构通常为设备层（终端设备）、边缘层（边缘节点）、云层（中心云），传输层是网络通信的支撑层，非架构核心层。3.边缘计算中“边缘节点”的典型部署位置不包括：A.5G基站B.智能工厂车间C.数据中心机房D.自动驾驶汽车答案：C解析：边缘节点需靠近数据源，数据中心机房属于中心云范畴（C错误）；5G基站（网络边缘）、工厂车间（设备边缘）、汽车（移动边缘）均为典型部署位置。4.边缘计算与雾计算的主要区别在于：A.雾计算更强调广域网覆盖B.边缘计算仅支持本地化处理C.雾计算不涉及云计算协同D.边缘计算节点层级更少答案：A解析：雾计算（FogComputing）由Cisco提出，强调在广域网范围内（如城域网）分布计算节点；边缘计算（EdgeComputing）更聚焦于“最后一公里”的近数据源节点（A正确）。二者均支持与云端协同（C错误），边缘计算节点层级未必更少（D错误）。5.以下哪项是边缘计算解决的典型问题？A.海量数据的长期存储B.高实时性业务的延迟敏感C.跨地域数据的全局分析D.数据中心的能耗优化答案：B解析：边缘计算通过本地化处理降低数据传输到云端的延迟，适用于AR/VR、自动驾驶等实时性要求高的场景（B正确）；长期存储和全局分析仍依赖云端（A、C错误）；数据中心能耗优化非边缘计算核心目标（D错误）。二、判断题（每题2分，共10分）1.边缘计算完全不需要云计算中心的支持。（）答案：×解析：边缘计算与云计算是协同关系，边缘处理实时性需求高的任务，云端负责存储、全局分析等，二者互补而非替代。2.边缘节点的计算能力一定弱于中心云服务器。（）答案：×解析：边缘节点的计算能力根据需求灵活配置，部分工业边缘服务器的算力可接近小型数据中心，仅需低于超大规模中心云。3.5G网络的低延迟特性为边缘计算提供了关键支撑。（）答案：√解析：5G的uRLLC（超可靠低延迟通信）特性使边缘节点与终端、云端的交互延迟降至毫秒级，是边缘计算落地的重要网络基础。4.边缘计算中数据隐私保护难度高于传统云计算。（）答案：√解析：边缘节点分布广、数量多，且可能由不同主体管理（如运营商、企业），数据在边缘处理时的访问控制、加密传输等安全风险更复杂。5.智能家居设备（如智能摄像头）的本地视频分析属于边缘计算应用。（）答案：√解析：设备本地或近设备的边缘网关处理视频数据（如运动检测、人脸识别），减少上传云端的流量和延迟，符合边缘计算定义。三、简答题（每题10分，共30分）1.简述边缘计算的“三低一高”优势及其具体表现。答案：边缘计算的核心优势可概括为“低延迟、低带宽、低能耗、高可靠”。低延迟：数据在边缘处理，避免长距离传输到云端，典型延迟从数十毫秒降至1-10ms（如自动驾驶决策）；低带宽：仅需上传关键结果而非原始数据（如摄像头仅上传异常事件摘要），减少网络带宽占用；低能耗：终端设备无需将大量数据上传，降低终端通信能耗（如物联网传感器）；高可靠：本地化处理减少对广域网的依赖，网络中断时仍可维持基本功能（如工厂产线控制）。2.说明边缘计算中“边缘-云协同”的典型场景及协同方式。答案：典型场景如智慧城市的交通管理：边缘侧（路口摄像头+边缘服务器）：实时分析车流、行人数据，识别拥堵或事故；云端：汇聚全城各路口数据，进行全局交通模型优化，生成动态信号灯策略；协同方式：边缘将关键事件（如事故）和统计数据（如车流量）上传云端，云端将优化策略（如调整信号灯周期）下发边缘执行，实现“本地实时响应+全局优化”。3.列举边缘计算的3项关键技术，并说明其作用。答案：边缘节点管理技术（如Kubernetes边缘扩展）：实现分布式边缘节点的统一部署、监控和故障自愈，解决节点分散带来的运维难题；边云数据同步技术（如增量同步、冲突检测）：确保边缘与云端数据的一致性，支持离线场景下的本地操作和恢复；边缘AI推理加速（如TensorRT边缘优化）：在边缘节点部署轻量级AI模型（如MobileNet），通过硬件加速（GPU/NPU）实现实时推理（如图像识别），降低对云端AI算力的依赖。四、案例分析题（40分）某智慧工厂部署了100台工业机器人，每台机器人每秒产生1000条状态数据（如温度、振动、转速），数据需实时分析以检测设备异常（要求延迟≤50ms），同时需将每日数据汇总至云端进行长期故障预测。当前方案是将所有数据直接上传云端分析，导致网络延迟高达200ms，且云端计算压力大。问题：（1）分析当前方案的主要问题；（2）设计基于边缘计算的优化方案，需说明边缘节点部署位置、数据处理流程及预期效果。答案：（1）当前方案问题：延迟过高：机器人数据需经工厂网络→公网→云端，传输延迟+云端处理延迟超过50ms要求；带宽浪费：每秒总数据量=100台×1000条=10万条/秒，原始数据全量上传占用大量网络带宽；云端压力大：实时分析任务与长期存储任务混合，云端需同时处理实时计算和历史数据存储，资源利用率低。（2）边缘计算优化方案：边缘节点部署：在工厂车间部署边缘服务器（靠近机器人控制机柜），每20台机器人共享1台边缘服务器（共5台），边缘服务器通过工厂局域网（万兆以太网）连接机器人。数据处理流程：①机器人将原始数据发送至边缘服务器（延迟≤10ms）；②边缘服务器实时分析（如滑动窗口统计、异常检测模型推理），仅保留异常数据（如振动超过阈值）和统计摘要（如每5分钟温度均值）；③正常数据在边缘服务器本地缓存24小时后删除，异常数据+统计摘要通过4G/5G专网上传云端（每日一次批量传输）；④云端接收异常数据后，结合历史数据训练故障预测模型，将优化后的分析模型下