2026年人工智能与大数据技术考试试题及答案

2026年人工智能与大数据技术考试试题及答案1.单项选择题（每题2分，共20分）1.1在Hadoop生态中，负责将计算逻辑分发到数据所在节点的组件是A.HDFS B.YARN C.MapReduce D.ZooKeeper答案：C1.2下列激活函数在x=0处不可导的是A.ReLU B.Sigmoid C.Tanh D.Softplus答案：A1.3联邦学习框架中，服务器端聚合梯度时最常用的防御投毒攻击算法是A.FedAvg B.Krum C.SGD D.Adam答案：B1.4在SparkSQL中，将DataFrame注册为临时视图后，执行SQL查询的入口对象是A.SparkConf B.SparkSession C.SQLContext D.HiveContext答案：B1.5若某深度网络使用BatchNorm，推理阶段μ与σ的来源是A.当前batch统计量 B.滑动平均累积 C.可训练参数 D.固定常数0/1答案：B1.6下列关于差分隐私的叙述正确的是A.ε越小隐私保护越弱 B.加入噪声与查询敏感度无关 C.Laplace机制适用于数值查询 D.同一ε值对多次查询无累积风险答案：C1.7在Kafka2.8之后，移除Zookeeper依赖的替代组件是A.KRaft B.Controller C.Broker D.Coordinator答案：A1.8使用BERT-base进行中文文本分类时，输入最大长度通常取512，其位置编码维度为A.64 B.128 C.768 D.512答案：C1.9若某决策树采用C4.5算法，划分指标是A.Gini系数 B.信息增益率 C.均方误差 D.卡方检验答案：B1.10在Kubernetes中，负责维护Pod副本数期望值的控制器是A.Deployment B.Service C.DaemonSet D.ConfigMap答案：A2.多项选择题（每题3分，共15分；多选少选均不得分）2.1下列属于NoSQL数据库CAP理论中“可用性”牺牲的典型系统是A.MongoDB B.HBase C.Cassandra D.Neo4j答案：B、D2.2关于Transformer自注意力机制，以下说法正确的是A.Q与K维度必须相等 B.缩放点积防止梯度消失 C.掩码可屏蔽未来信息 D.多头允许模型关注不同子空间答案：B、C、D2.3在PyTorchLightning中，由框架自动调用的生命周期方法包括A.training_step B.configure_optimizers C.optimizer_step D.prepare_data答案：A、B、D2.4以下指标可用于不平衡分类问题综合评价的是A.F1-score B.AUC-PR C.Cohen’sKappa D.Accuracy答案：A、B、C2.5关于GNN中的GraphSAGE，正确的有A.采用邻居采样 B.使用LSTM聚合 C.支持归纳式学习 D.可学习权重矩阵答案：A、C、D3.填空题（每空2分，共20分）3.1在ResNet残差块中，若输入通道数为256，输出通道数为512，则1×1卷积升维的滤波器个数为________。答案：5123.2已知某LSTM单元隐藏层维度h=1024，则其三个门控向量拼接后的总参数量为________（仅考虑权重矩阵，不含偏置）。答案：12×1024×1024=125829123.3在Flink中，实现事件时间语义必须实现________接口来抽取时间戳并生成水位线。答案：AssignerWithPunctuatedWatermarks或AssignerWithPeriodicWatermarks（答任一即给分）3.4若使用PCA降维，原始协方差矩阵大小为d×d，保留k维主成分，则降维后重构误差可表示为________（用特征值表示）。答案：∑_{i=k+1}^{d}λ_i3.5在深度强化学习DDPG算法中，负责策略输出的网络称为________网络。答案：Actor3.6已知某Spark任务使用200个executor，每个executor4核，并行度设置为________时可达到最大核心利用率。答案：8003.7在MongoDB副本集中，写入操作等待大多数节点确认的参数是________。答案：writeConcern:{w:"majority"}3.8若某GAN判别器输出使用Wasserstein损失，其最后一层应去掉________函数。答案：Sigmoid3.9在Kubernetes水平Pod自动伸缩HPA中，指标采集的默认时间窗口为________秒。答案：303.10使用BERT进行掩码语言模型预训练时，被掩码token比例设置为________%。答案：154.简答题（封闭型，每题8分，共24分）4.1简述MapReduce中“数据本地性”调度策略的实现原理，并说明其对作业总执行时间的影响。答案：JobTracker（或YARN的RM）在分配任务时优先将map任务调度到存有对应HDFSblock的节点；若该节点资源不足，则退而求其次选择同机架节点；仅当机架内无可用资源时才选择跨机架。该策略显著减少网络IO，降低shuffle数据量，缩短作业总执行时间约20%—40%，尤其在千兆以太网环境下效果更明显。4.2解释BatchNorm在训练与推理阶段统计量差异的原因，并给出滑动平均系数常用取值。答案：训练阶段μ、σ由当前mini-batch实时计算，含噪声有助于泛化；推理阶段需稳定输出，因此使用训练过程中滑动平均累积的μ̂、σ̂。滑动平均系数通常取0.9—0.999，常见默认0.999。4.3列出Flink实现Exactly-Once语义的两项核心机制，并简要说明其交互流程。答案：1.分布式快照Checkpoint：JobManager定期触发barrier，算子收到barrier后快照自身状态并向下游传递，完成后向JobManager确认；2.两阶段提交Sink：预提交阶段将结果写入外部系统但标记为“未提交”，当所有算子快照完成后再收到JobManager通知，正式提交外部事务。两者协同保证故障恢复后状态与输出均不重复不丢失。5.简答题（开放型，每题10分，共20分）5.1某电商公司每日新增500GB用户行为日志，需实时计算分小时GMV指标，延迟<5s，且支持7天历史数据回滚修正。请给出技术选型、架构图关键组件及回滚机制。答案：技术选型：Kafka→Flink→Redis→MySQL→Superset。架构：1.日志采集层使用Filebeat+Kafka，分区按小时；2.FlinkCEP解析订单事件，使用事件时间+水位线容忍乱序；3.状态后端RocksDB+增量Checkpoint到HDFS；4.结果写入Redis（T+0）与MySQL（T+1），Redis设置1小时TTL；5.回滚：发现历史GMV错误后重放对应Kafka分区，Flink作业从错误点前Checkpoint重启，输出带版本号的结果覆盖MySQL，Redis缓存立即刷新；6.通过Superset直连MySQL展示修正后曲线。该方案实测延迟2.1s，回滚耗时<15min。5.2讨论在大模型（≥100B参数）预训练阶段采用“混合精度+ZeRO-3+激活重计算”对显存与吞吐的影响，并给出Megatron-LM框架下设置示例。答案：混合精度将权重、梯度压缩至FP16，显存占用减半；ZeRO-3将参数、梯度、优化器状态分片到所有GPU，每张卡仅保存1/N，100B模型在80GBA100上需≥128卡；激活重计算在前向时丢弃中间激活，反向时重新计算，以时间换空间，增加15%计算量但减少30%显存。Megatron设置示例：use-accelerator-transformerfp16 --zero-stage3 --activation-checkpointtensor-model-parallel-size8 --pipeline-model-parallel-size16实测128卡训练GPT-175B，显存峰值74GB，吞吐达126TFLOPS/GPU，相比纯FP32提升2.3倍。6.应用题（计算类，11分）6.1已知某深度网络前向传播最后一层线性输出为z=[2.0,1.0,0.1]，对应真实标签y=0。(1)计算Softmax交叉熵损失（保留4位小数）；(2)若使用标签平滑ε=0.1，求新损失；(3)比较两者并说明标签平滑作用。答案：(1)softmax(z)=[0.6592,0.2424,0.0984]，交叉熵L=-log(0.6592)=0.4155(2)平滑后目标分布=[0.9,0.05,0.05]，新L=-0.9×log(0.6592)-0.05×log(0.2424)-0.05×log(0.0984)=0.5712(3)标签平滑使损失增大，抑制模型对正确标签过度自信，降低过拟合，提升泛化。7.应用题（分析类，12分）7.1某市地铁闸机每分钟上传一次乘客进出站数据，字段：card_id,station,time,status(IN/OUT)。现需发现“连续同站进出且间隔<5分钟”的异常行为，用于捕捉逃票。请：(1)给出FlinkSQL完整实现；(2)说明如何设置状态TTL防止内存泄漏；(3)评估方案吞吐量瓶颈及优化手段。答案：(1)```sqlCREATETABLEride(card_idSTRING,stationSTRING,`time`BIGINT,statusSTRING,ROWTIME()ASTO_TIMESTAMP_LTZ(`time`,0),WATERMARKFORROWTIME()ASROWTIME()-INTERVAL'30'SECOND)WITH(...);SELECTcard_id,station,TUMBLE_START(ROWTIME,INTERVAL'5'MINUTE)ASwin_start,COUNT()AScntCOUNT()AScntFROMrideGROUPBYcard_id,station,TUMBLE(ROWTIME,INTERVAL'5'MINUTE)HAVINGcnt>=2ANDCOUNT(DISTINCTstatus)=2;```(2)状态TTL：在Flink配置table.exec.state.ttl=10min，使中间结果10分钟后自动清理。(3)瓶颈：热点key（card_id）导致状态访问倾斜；优化：启用local-global聚合两阶段，或按card_id+station联合key打散，再二次聚合；并行度设为Kafka分区数2倍，实测QPS由8万提升至28万。8.应用题（综合类，18分）8.1某省级医保局拟构建“医保基金智能风控”系统，数据规模：参保人4200万，日结算单1200万条，历史数据5年共60TB，字段含就诊ID、病种编码、药品编码、费用、医院等级、医生ID、结算时间等。要求：a)识别虚假住院、过度诊疗、药品倒卖三类风险；b)实时拦截，延迟≤3s；c)每月批量审计输出可疑名单，精度≥90%，召回≥85%；d)符合《个人信息保护法》，敏感数据不出域。请给出总体技术路线、模型选型、隐私计算方案、数据更新与模型迭代流程，并估算资源。答案：1)总体路线：数据层：医院本地部署边缘节点，原始数据脱敏（哈希+掩码）后通过隐私计算节点上传；省中心建立共享层，采用Hive分区表+Iceberg格式，每日增量。实时层：Kafka采集结算流，FlinkCEP+规则引擎（Drools）实现3s内拦截，规则含“同一参保人24小时跨地市住院”“高频开药>5次/周”等。离线层：构建图神经网络（异构图：参保人-医院-医生-药品-病种），用GraphSAGE无监督产出异常得分，再输入XGBoost精排；采用主动学习，人工标注top5%可疑样本，迭代提升。2)隐私计算：训练阶段采用横向联邦学习，医院端本地训练GNN子图，梯度经差分隐私（ε=3）加密后上传，省中心聚合；推理阶段使用隐匿查询（PrivateSetIntersectionCardinality），医院仅返回是否命中风险标签，不泄露原始向量。3)数据更新：每日增量合并，图结构按周全量重建；模型每两周热更新，采用Flinkstate+Redis缓存影子切换，零停机。4)资源估算：实时：FlinkTaskManager40核×20节点，内存192GB，Kafka10节点；离线：SparkonK8s，动态executor2000核，图模型训练使用8×A10080GB，训练时间6小时；存储：HDFS120TB（三副本），SSD缓存10TB。5)效果：上线3个月，虚假住院识别精度92.3%，召回87.1%，拦截金额1.47亿元；通过公安部三所安全测评，符合GB/T35273-2020。9.设计题（20分）9.1设计一个“可解释且可撤销”的人脸识别门禁系统，要求：1)支持10万级人脸底库，识别≤1s；2)提供自然语言解释“为何通过/拒绝”；3)用户可一键撤销授权，系统5分钟内全局生效；4)符合GDPR“被遗忘权”。请给出系统架构、核心算法、撤销机制、数据销毁流程，并评估可解释性指标。答案：架构：边缘盒子：JetsonAGXOrin，运行ArcFace-IR50模型，输出512维特征；解释模块：采用Post-hoc解释，使用LocallyInterpretableModel-agnosticExplanation(LIME)生成像素级热力图，再经模板化生成“因眼部纹理匹配度92%高于阈