2026年大数据与人工智能考试试卷及答案

2026年大数据与人工智能考试试卷及答案1.单项选择题（每题2分，共20分）1.1在HDFS中，NameNode的主要职责是A.存储实际数据块B.维护文件系统元数据C.执行Map任务D.执行Reduce任务答案：B1.2下列哪种激活函数在x=0处不可导A.SigmoidB.TanhC.ReLUD.LeakyReLU答案：C1.3在Spark中，下列哪一类操作会触发宽依赖A.mapB.filterC.unionD.reduceByKey答案：D1.4若某深度学习模型在训练集准确率达99.9%，验证集仅72%，首要考虑的调参策略是A.增加学习率B.减小批次大小C.加入DropoutD.增加网络深度答案：C1.5在Kafka中，保证同一分区消息全局有序的核心机制是A.ConsumerGroupB.PartitionKeyC.Zookeeper锁D.ISR列表答案：B1.6联邦学习框架中，参数服务器与客户端之间交换的主要是A.原始训练数据B.梯度或模型参数C.损失函数值D.测试集标签答案：B1.7下列哪项不是BERT预训练任务A.MaskedLanguageModelB.NextSentencePredictionC.SentimentClassificationD.上述C项答案：C1.8在PyTorch中，tensor.backward()执行后，梯度存储在A.tensor.dataB.tensor.gradC.tensor.grad_fnD.tensor.requires_grad答案：B1.9使用Apriori算法时，若最小支持度阈值降低，则A.频繁项集数量一定减少B.候选项集数量一定减少C.频繁项集数量可能增加D.与项集数量无关答案：C1.10在XGBoost中，目标函数Obj=L+Ω，Ω指A.训练损失B.正则项C.学习率D.分裂增益答案：B2.多项选择题（每题3分，共15分；多选少选均不得分）2.1下列哪些技术可有效缓解神经网络过拟合A.BatchNormalizationB.L2正则C.EarlyStoppingD.增加训练轮数答案：A、B、C2.2关于HBase，下列描述正确的是A.面向列存储B.强一致性读写C.基于HDFSD.支持复杂事务答案：A、B、C2.3在深度强化学习中，属于策略梯度方法的有A.REINFORCEB.A3CC.DQND.PPO答案：A、B、D2.4下列属于NoSQL数据库CAP权衡中“AP”系统的是A.MongoDBB.CassandraC.HBaseD.Neo4j答案：A、B2.5在模型部署阶段，以下哪些做法可实现灰度发布A.流量镜像B.Canary发布C.A/B测试D.蓝绿部署答案：A、B、C、D3.填空题（每空2分，共20分）3.1在Word2Vec中，Skip-gram模型的训练目标是最大化给定中心词预测________的概率。答案：上下文词3.2若某决策树使用基尼系数作为划分标准，则节点基尼系数越小，表示该节点________越高。答案：纯度3.3在Flink中，实现Exactly-Once语义的核心机制是________快照。答案：分布式一致性（或Checkpoint）3.4当卷积神经网络采用“same”填充且步长为1时，输出特征图宽度与输入宽度________。答案：相等3.5在SQL优化器中，基于代价的优化器缩写为________。答案：CBO3.6LSTM通过引入________门解决RNN梯度消失问题。答案：遗忘/输入/输出（任答其一即可）3.7若某SparkRDD包含100个分区，集群可用核数为40，默认情况下同时运行的任务数最大为________。答案：403.8在联邦平均算法FedAvg中，服务器对客户端上传的模型参数进行________平均。答案：加权（按样本数）3.9当使用余弦相似度衡量向量A与B的相似性时，若A·B=0，则两向量________。答案：正交3.10在Pythonpandas中，对DataFramedf按列col降序排序并返回新对象的命令为________。答案：df.sort_values('col',ascending=False)4.判断题（每题1分，共10分；正确打“√”，错误打“×”）4.1在K-means算法中，初始质心不同可能导致最终聚类结果不同。答案：√4.2使用ReLU激活函数的神经网络一定不会发生梯度消失。答案：×4.3MapReduce的Shuffle阶段会将同一Key的所有Value缓存在本地磁盘。答案：√4.4在深度学习中，批量归一化层在训练与推理阶段的计算方式完全相同。答案：×4.5图数据库Neo4j使用Cypher作为查询语言。答案：√4.6当Kafka分区数大于消费者组内消费者数时，至少有一个消费者会消费多个分区。答案：√4.7在TensorFlow2.x中，tf.constant创建的张量默认允许自动求导。答案：×4.8若随机森林中决策树数量趋于无穷，则OOB误差估计等价于测试集误差。答案：√4.9在数据仓库星型模式中，维度表通常规范化到第三范式以减少冗余。答案：×4.10使用混合精度训练可提升GPU吞吐量并降低显存占用。答案：√5.简答题（封闭型，每题6分，共18分）5.1简述HDFS写入流程，并指出在何种情况下客户端会触发数据块副本重新复制。答案：1)客户端向NameNode请求创建文件，NameNode检查权限并返回可写入的DataNode列表；2)客户端以流方式将数据拆分为packet，首个DataNode接收后沿pipeline转发至其余副本；3)所有副本持久化后返回确认；4)客户端关闭文件，NameNode更新元数据。当某DataNode失效、磁盘故障或副本系数不足时，NameNode检测到块副本数低于设定值，将触发重新复制。5.2写出Transformer位置编码（PositionalEncoding）的数学表达式，并解释为何使用正弦/余弦函数。答案：PE(pos,2i)=sin(pos/10000^(2i/d_model))PE(pos,2i+1)=cos(pos/10000^(2i/d_model))其中pos为位置，i为维度索引，d_model为模型维度。正弦/余弦函数具有周期性且相对位置可表示为线性变换，使模型能泛化到训练时未见过的更长序列。5.3描述XGBoost在生成树时如何计算分裂点的增益，并指出与传统CART的区别。答案：增益公式：Gain=1/2[G_L^2/(H_L+λ)+G_R^2/(H_R+λ)–(G_L+G_R)^2/(H_L+H_R+λ)]–γ增益公式：Gain=1/2[G_L^2/(H_L+λ)+G_R^2/(H_R+λ)–(G_L+G_R)^2/(H_L+H_R+λ)]–γ其中G、H分别为一阶梯度与二阶梯度之和，λ、γ为正则参数。与CART相比，XGBoost显式引入正则项控制复杂度，使用二阶泰勒展开近似损失，支持并行枚举分裂点，并可处理缺失值自动学习默认方向。6.简答题（开放型，每题8分，共16分）6.1某电商公司每日新增200亿条用户行为日志，需实时统计过去1小时各商品CTR（点击/曝光）。请给出技术选型和核心实现思路，并说明如何保证端到端Exactly-Once。答案：技术选型：Kafka+Flink+Redis。实现：1)日志经Kafka按商品ID分区；2)Flink消费，采用滑动窗口长度1小时、滑动步长1分钟；3)在ProcessFunction中维护MapState<商品ID,(曝光,点击)>，接收曝光或点击事件时更新状态；4)窗口触发时计算CTR，写入Redis供API查询；5)开启FlinkCheckpoint，Kafka可重复读取，Redis采用幂等写（SETkeyCTRNXEX）保证Exactly-Once。6.2针对医疗影像分割任务，数据量仅2000张标注图片。提出一种基于迁移学习与数据增强的完整方案，并解释如何缓解类别不平衡问题。答案：方案：1)选用在ImageNet预训练的EfficientNet-B4作为编码器，解码器采用U-Net结构；2)数据增强：随机旋转±20°、弹性变形、伽马校正、随机裁剪至512×512、添加高斯噪声；3)类别不平衡：采用DiceLoss+FocalLoss组合，对少数器官类别赋予更高权重；4)训练策略：冻结编码器前两层进行warm-up10epoch，再联合微调，使用cosineannealing学习率；5)评估：采用mIoU与Dice系数，引入TTA测试时增强；6)结果后处理：CRF条件随机场精炼边缘。实验表明mIoU提升7.3%，小类别召回率提升12%。7.应用题（计算类，共15分）7.1给定以下信息，计算MapReduce作业执行时间：输入数据：240GBHDFS块大小：128MB每个map任务平均处理速度：2min/GBreduce任务数：60shuffle数据量：30GB节点间带宽：1Gbpsreduce处理速度：1min/GB忽略任务调度与启动开销。要求：(1)计算map阶段总耗时；(2)计算shuffle阶段耗时；(3)计算reduce阶段总耗时；(4)指出作业关键路径并给出总执行时间。答案：(1)输入块数=240×1024/128=1920块→1920个map任务单map处理时间=2min/GB×0.125GB=0.25min=15s若集群并发map槽位为400，则mapwaves=ceil(1920/400)=5map阶段总耗时=5×15s=75s(2)shuffle需传输30GB，带宽1Gbps=128MB/s理想并行传输，耗时=30×1024/128=240s(3)每个reduce处理30GB/60=0.5GB单reduce耗时=0.5min=30s并发60个reduce，耗时=30s(4)关键路径：map→shuffle→reducemap与shuffle部分重叠，但shuffle必须在map完成后完成全部数据传输，故总时间=max(75,240)+30=270s8.应用题（分析类，共16分）8.1某市地铁闸机每分钟产生500万条刷卡记录，字段含：卡ID、站点、时间戳、进出站标志。需检测异常出行模式：同一卡ID在5分钟内于物理不可能的两站进出（两站间最短行车时间>10分钟）。要求：(1)给出流处理逻辑及关键算子；(2)说明如何维护中间状态及状态清理机制；(3)评估方案吞吐量与内存占用。答案：(1)采用FlinkCEP：按卡ID分区；模式序列：Pattern.begin("first").where(_.flag=="进站").next("second").where(_.flag=="出站").within(Time.minutes(5));使用IterativeCondition判断两站最短行车时间≤10min则丢弃，否则输出异常。(2)状态：MapState<卡ID,List<事件>>，保留最近10分钟事件；状态清理：注册事件时间定时器，当watermark>事件时间+10min时清除对应卡ID状态；使用RocksDB状态后端，开启增量Checkpoint。(3)评估：峰值QPS500万/60≈83k/s，并行度设为800，单核处理100events/s，CPU充足；单卡平均事件2.3条，状态大小约200byte，总内存≈2.3×500万×200byte≈2.3GB，可完全放入堆外内存；实测延迟P991.2s，满足业务<5s要求。9.应用题（综合类，共20分）9.1某银行拟构建企业信贷违约预测模型，数据情况：样本100万，正例3万；特征500维，含数值、类别、文本（企业经营范围）；需满足可解释性、训练时间<2小时、模型上线后预测延迟<50ms。任务：(1)设计端到端建模方案，包括样本处理、特征工程、模型选型、训练策略；(2)给出可解释性方案；(3)给出线上部署架构与性能优化措施；(4)说明如何监控模型漂移并触发自动重训练。答案：(1)样本与特征：采用SMOTE+ENN缓解不平衡，负例下采样至12万，正例过采样至6万，共18万；数值特征缺失用MICE插补，类别特征采用TargetEncoding+交叉验证编码；文本用TF-IDF取2万维，再经SVD降维至200维；共得约700维特征。模型：基线：加权LightGBM，objective=binary_logloss，scale_pos_weight=4；上层：2层DNN256-128，采用SELU激活，输出与LightGBM预测做加权平均（0.7×GBM+0.3×DNN），既提升AUC又保持可解释主体。训练：LightGBM1000棵树，earlystopping50轮，耗时35min；DNN在GPUV100单卡训练30epoch，耗时40min；整体<2小时。(2)可解释性：对LightGBM使用SHAP计算特征贡献，输出top20正向/负向特征；提供单样本forceplot，供客户经