2025年大数据技术考试试卷及答案

2025年大数据技术考试试卷及答案考试时长：120分钟总分：100分考试形式：闭卷一、单项选择题（共20题，每题1分，总计20分。每题只有1个正确答案，错选、不选均不得分）1.根据工信部《“十四五”大数据产业发展规划》要求，到2025年我国大数据产业测算规模需突破（），年均复合增长率保持在25%左右，成为推动数字经济高质量发展的核心支撑。A.1万亿元B.2万亿元C.3万亿元D.5万亿元2.在数据要素跨域流通场景中，（）技术支持在加密后的密文数据上直接执行检索、运算等操作，解密后计算结果与明文状态下的计算结果完全一致，可有效解决数据“可用不可见”场景下的计算精度损失问题。A.联邦学习B.差分隐私C.全同态加密D.可信执行环境3.当前流批一体实时数仓架构已成为企业大数据平台建设的主流选型，下列选项中不属于流批一体架构核心优势的是（）。A.消除流、批两套技术栈的运维冗余B.保证流处理、批处理口径的一致性C.实现毫秒级流处理延迟与PB级批处理吞吐的性能平衡D.完全替代离线数仓的批量数据备份能力4.国标GB/T36073-2018《数据管理能力成熟度评估模型》（DCMM）将企业数据管理能力划分为5个成熟度等级，其中（）要求企业数据管理实现定量化管理，数据管理效能可通过量化指标进行衡量与优化。A.受管理级B.稳健级C.量化管理级D.优化级5.下列分布式存储组件中，（）属于面向列族的NoSQL数据库，适合存储海量结构化、半结构化的稀疏数据，广泛应用于大数据平台的实时查询场景。A.HBaseB.MySQLC.MongoDBD.Neo4j6.在数据质量管控体系中，（）维度用于衡量数据记录是否存在缺失、字段值是否为空，是保障数据可用的基础质量要求。A.准确性B.完整性C.一致性D.及时性7.2024年1月1日正式实施的（）明确了企业数据资源的会计处理规则，为数据资产入表提供了制度依据，标志着我国数据要素市场化建设进入落地阶段。A.《中华人民共和国数据安全法》B.《中华人民共和国个人信息保护法》C.《企业数据资源相关会计处理暂行规定》D.《网络数据安全管理条例》8.大数据采集场景中，（）技术通过读取数据库的事务日志（如MySQLBinlog、PostgreSQLWAL）实现业务数据的实时增量同步，具备低侵入、低延迟、数据一致性高的优势，是当前实时数仓ODS层数据采集的主流方案。A.定时全量同步B.日志采集FlumeC.变更数据捕获（CDC）D.网络爬虫采集9.下列关于ApacheSpark的核心特性描述错误的是（）。A.Spark基于内存计算模型，相比传统MapReduce磁盘迭代计算的性能提升可达10-100倍B.SparkSQL支持标准SQL语法，可实现结构化数据的批处理与流处理C.SparkRDD采用惰性求值机制，仅在触发行动算子时执行实际计算D.Spark是纯批处理引擎，不支持实时流数据处理10.在数据脱敏技术中，（）方式通过对敏感字段值按照固定规则进行掩码替换（如将手机号显示为1381234），保留数据的格式特征与部分可读性，适用于开发测试、数据分析等需要保留数据格式的场景。A.加密存储B.掩码脱敏C.不可逆数据替换D.数值随机扰乱11.数据架构领域提出的DataFabric（数据编织）技术理念的核心是（）。A.通过集中式存储替代所有分布式存储系统B.通过元数据驱动的自动化能力实现跨异构数据源的统一访问与管理，降低数据集成的复杂度C.完全采用云原生架构建设大数据平台D.以数据湖替代所有数据仓库系统12.向量数据库是支撑大模型RAG应用的核心基础设施，其核心能力是实现（），支撑海量高维向量数据的低延迟检索。A.精确关系型查询B.事务型ACID保障C.近似最近邻（ANN）相似性检索D.全文检索13.HDFS存储系统采用多副本机制保障数据可靠性，默认三副本策略下的存储利用率约为（），采用纠删码（EC）策略后可将存储利用率提升至80%以上。A.33%B.50%C.66%D.90%14.根据《中华人民共和国数据安全法》对数据分类分级的要求，关系国家安全、国民经济命脉、重要民生、重大公共利益的数据属于（），需要实施最高等级的安全管控。A.一般数据B.重要数据C.核心数据D.公开数据15.Flink流处理引擎的（）机制通过周期性持久化作业的状态快照到持久化存储，当作业发生故障时可从最近的快照恢复状态，结合两阶段提交协议实现端到端的Exactly-Once处理语义。A.水位线（Watermark）B.检查点（Checkpoint）C.窗口（Window）D.状态后端（StateBackend）16.元数据管理是数据治理的核心基础，下列选项中不属于业务元数据范畴的是（）。A.数据的业务含义、业务规则B.数据的指标口径、统计维度C.数据的存储路径、副本数量、文件大小D.数据的业务负责人、管理部门17.数据血缘分析能力在大数据平台中不具备以下哪项作用（）。A.追踪数据的来源与加工链路，支撑问题数据的快速定位B.支撑数据变更影响评估，避免字段修改导致下游报表出错C.评估数据资产的业务价值，支撑数据资产定价D.直接提升数据计算的性能，降低算力消耗18.实时数仓分层架构中，（）层直接对接业务系统、日志系统等数据源，保持原始数据的原貌，不做加工处理，是整个数仓的数据基础层。A.ODS贴源层B.DWD明细层C.DWS汇总层D.ADS应用层19.下列关于联邦学习的描述正确的是（）。A.联邦学习需要将所有参与方的原始数据集中到中心节点进行模型训练B.纵向联邦学习适用于参与方样本重叠度高、特征重叠度低的场景，比如同一区域不同机构的用户数据联合建模C.联邦学习训练过程中没有隐私泄露风险，无需额外的安全防护D.联邦学习的模型精度一定低于集中式训练的模型精度20.数据水印技术的核心应用场景是（）。A.提升数据存储的可靠性B.追踪数据泄露的源头，实现数据流通中的版权保护与溯源C.提升数据查询的性能D.实现数据的加密存储二、多项选择题（共10题，每题2分，总计20分。每题有2-4个正确答案，多选、少选、错选均不得分）1.下列选项中属于大数据核心特征的有（）。A.海量的数据规模B.高速的数据处理要求C.多样化的数据类型D.高价值密度2.当前主流的开源湖仓一体表格式包括（），其提供了ACID事务、Schema演进、时间旅行等能力，是湖仓一体架构的存储层核心。A.ApacheIcebergB.ApacheHudiC.DeltaLakeD.ApacheHive3.隐私计算技术体系是实现数据“可用不可见”的核心支撑，下列选项中属于隐私计算核心技术方向的有（）。A.以安全多方计算、同态加密为代表的密码学技术B.以可信执行环境（TEE）为代表的硬件可信技术C.以联邦学习、差分隐私为代表的人工智能与隐私保护融合技术D.以分布式存储为代表的海量数据存储技术4.数据治理体系的核心领域包括（）。A.数据标准管理B.数据质量管理C.数据安全管理D.元数据与主数据管理5.流批一体架构落地过程中，实现流批指标口径一致的核心措施包括（）。A.统一流处理、批处理的计算逻辑与UDF函数，避免两套代码逻辑不一致B.统一采用事件时间语义，对齐流处理与批处理的时间窗口规则C.统一维度表的版本管理，保证流批关联过程中使用的维度数据版本一致D.分别为流处理、批作业搭建独立的计算集群，实现资源隔离6.根据《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》（“数据二十条”），我国数据产权制度建立数据资源三权分置框架，三权指的是（）。A.数据资源持有权B.数据加工使用权C.数据产品经营权D.数据个人所有权7.下列选项中属于向量数据库典型应用场景的有（）。A.大模型检索增强生成（RAG）的知识检索B.图片、音视频等多模态内容的相似性检索C.电商、内容平台的个性化推荐特征匹配D.银行核心交易系统的账户交易记账8.数据安全管控的核心技术手段包括（）。A.数据分类分级B.数据脱敏与加密C.数据水印与访问审计D.零信任访问控制9.数据质量的核心评估维度包括（）。A.完整性B.准确性C.一致性D.及时性10.下列关于Flink与Spark的描述正确的有（）。A.Flink是原生流处理引擎，将批处理看作有界的流，流处理延迟可达毫秒级B.Spark采用微批处理模型实现流处理，流处理延迟为秒级C.Flink与Spark均支持SQL接口进行数据开发D.Spark不支持批处理计算，仅支持实时流计算三、判断题（共10题，每题1分，总计10分。请判断每题表述的对错，正确填“√”，错误填“×”）1.数据作为新型生产要素，具有可复制、非排他、边际成本趋近于零的特征，其产权制度与传统土地、资本等生产要素完全一致。（）2.差分隐私通过向计算过程添加随机噪声实现隐私保护，噪声量级越大，隐私保护强度越高，数据结果的可用性越低。（）3.HDFS的三副本机制相比纠删码存储策略，存储利用率更高，但可靠性更低。（）4.动态数据脱敏是在数据被访问时根据用户权限实时对敏感字段进行脱敏处理，不需要改动原始存储的数据，适用于生产系统的实时查询场景。（）5.CDC数据采集技术通过轮询业务数据库的表数据实现增量同步，需要侵入业务库写入触发器，对业务系统影响较大。（）6.根据《企业数据资源相关会计处理暂行规定》，企业内部使用的数据资源符合无形资产确认条件的，可确认为无形资产；企业日常活动中持有、最终目的用于出售的数据资源，符合存货确认条件的，可确认为存货。（）7.湖仓一体架构融合了数据湖的低成本存储灵活性与数据仓库的结构化管理、ACID事务能力，可同时支撑实时分析、离线批处理、AI训练等多元负载。（）8.元数据分为技术元数据、业务元数据、操作元数据三类，其中数据表的字段类型、存储路径、计算任务调度信息属于业务元数据范畴。（）9.Flink的水位线（Watermark）机制用于处理乱序事件，衡量事件时间的进展，当水位线超过窗口结束时间时触发窗口计算，可通过设置允许延迟时间处理晚到的数据。（）10.数据资产入表后，企业不需要对数据资产进行持续的成本核算与价值评估，可直接按照初始成本永久挂账。（）四、简答题（共4题，每题5分，总计20分）1.请简述传统Lambda架构的核心构成与存在的问题，并说明流批一体架构相对Lambda架构的核心优势。2.请结合《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》相关要求，简述企业开展数据分类分级工作的核心步骤。3.请简述大模型检索增强生成（RAG）场景下，大数据预处理链路的核心环节。4.请简述数据资产入表对企业大数据平台能力提出的新要求。五、综合应用题（共3题，每题10分，总计30分）1.某省级零售集团2024年之前采用Lambda架构建设大数据平台：离线层采用Spark+Hive实现T+1的销售报表、用户画像计算，实时层采用Flink+Kafka实现实时销售大屏、流量监控指标计算。运维过程中发现两大核心问题：一是实时大屏的销售额、客单价等指标与第二天离线计算的指标差异普遍在5%以上，经常引起业务部门质疑；二是流、批两套集群资源利用率不足40%，运维团队需要同时维护两套计算逻辑与存储系统，人力成本高。2025年该集团计划将平台升级为流批一体架构，请结合实际场景回答以下问题：（1）请为该企业设计流批一体架构的核心分层与技术选型；（2）请列出解决流批指标口径不一致问题的4项关键措施。2.某长三角区域拟建设跨城市的政务数据共享平台，涉及公安、人社、医保、卫健等多个部门的民生数据，需要支撑跨部门的政务服务“一网通办”、民生政策精准落地等场景。按照《政务数据共享条例》要求，各部门的敏感政务数据不能直接流出本部门的专网，需要在保障数据安全的前提下实现跨部门数据协同查询、联合统计。请结合场景回答以下问题：（1）该场景适合采用哪些技术组合构建数据流通的安全底座，说明各技术的作用；（2）列出该场景下需要满足的4项核心合规要求。3.某快消企业2025年启动数据资产入表工作，经财务部门与数据管理部门联合梳理，目前企业拥有三类核心数据资源：第一类是用户运营数据，包含用户注册信息、消费记录、互动行为数据，累计投入采集成本150万元、加工治理成本90万元，已应用于精准营销、产品优化场景，预计未来3年每年可带来增量营收180万元，企业对该数据资源拥有合法的所有权，未来计划开发为精准营销数据服务向生态合作伙伴开放；第二类是供应链数据，包含供应商信息、物流数据、库存周转数据，累计投入采集成本60万元、加工成本40万元，主要用于企业内部供应链库存优化，预计每年可降低库存成本70万元，不对外提供服务；第三类是内部行政数据，包含员工考勤、内部审批、办公流程数据，累计投入建设成本30万元，仅用于内部行政办公管理，不直接产生经营收益。请结合《企业数据资源相关会计处理暂行规定》回答以下问题：（1）判断上述三类数据资源是否符合数据资产入表条件，说明判定依据；（2）简述该企业需要在大数据平台中补充哪些核心能力，支撑数据资产入表后的持续管理。参考答案与评分标准一、单项选择题答案（每题1分，共20分）1.C2.C3.D4.C5.A6.B7.C8.C9.D10.B11.B12.C13.A14.C15.B16.C17.D18.A19.B20.B二、多项选择题答案（每题2分，共20分，多选少选错选均不得分）1.ABC2.ABC3.ABC4.ABCD5.ABC6.ABC7.ABC8.ABCD9.ABCD10.ABC三、判断题答案（每题1分，共10分）1.×解析：数据产权采用三权分置框架，与传统生产要素产权制度存在显著差异，并非完全一致。2.√3.×解析：三副本存储利用率约33%，低于纠删码存储策略，二者在多副本/校验块机制下可靠性相当。4.√5.×解析：CDC通过读取数据库事务日志实现增量同步，无需侵入业务库写入触发器，对业务系统影响极小。6.√7.√8.×解析：数据表字段类型、存储路径、调度信息属于技术元数据与操作元数据，业务元数据指业务规则、指标口径、管理责任等业务层面的定义信息。9.√10.×解析：数据资产需定期开展减值测试与价值评估，根据实际价值变动调整账面价值，不能按初始成本永久挂账。四、简答题参考答案（每题5分，共20分）1.参考答案：（1）Lambda架构核心分为三层：批处理层采用分布式批计算引擎处理全量历史数据，产出高准确度的T+1离线指标；速度层采用流计算引擎处理实时数据，产出低延迟的实时指标；服务层将批处理层与速度层的结果合并对外提供服务（2分）。（2）Lambda架构核心问题：流、批两套独立技术栈，运维成本高；流、批计算逻辑需分别开发，开发效率低；两套逻辑易出现口径不一致，导致实时与离线指标偏差大；数据冗余存储，存储成本高（1分）。（3）流批一体架构核心优势：实现计算引擎、API接口、元数据、存储层的统一，一套代码同时支撑流处理与批处理场景，大幅降低运维与开发成本；流、批计算逻辑完全一致，从根源上解决指标口径不一致问题；同一套存储支撑流批访问，减少数据冗余，降低存储成本；支持流批作业灵活切换，可实时处理数据也可批量回刷历史数据，架构灵活性更高（2分）。2.参考答案：企业数据分类分级核心步骤包括：（1）全量数据资产梳理：全面盘点企业内部结构化、半结构化、非结构化数据资产，形成数据资产清单，明确数据来源、存储位置、责任部门（1分）；（2）敏感属性识别：按照法律法规要求识别数据中的敏感属性，包括个人敏感信息、重要行业数据、核心业务数据等（1分）；（3）数据级别划定：按照“就高从严”原则，将数据划分为核心数据、重要数据、一般数据三个等级，明确每级数据判定标准（1分）；（4）管控规则匹配：针对不同级别数据制定差异化安全管控要求，核心数据实施最高等级的访问控制、加密、审计措施，重要数据落实出境评估、安全审查要求，一般数据做好基础安全防护（1分）；（5）动态更新维护：建立分类分级目录动态更新机制，当数据内容、应用场景、监管要求变化时及时调整数据级别与管控规则，定期开展分类分级校验（1分）。3.参考答案：RAG场景下大数据预处理链路核心包括五个环节：（1）多源数据接入：对接企业内部文档、数据库、知识库、网页等多源异构数据，覆盖结构化、半结构化、非结构化数据类型（1分）；（2）数据清洗与解析：对原始数据进行去重、去噪、格式标准化处理，解析不同格式文档的文本内容，移除无效信息（1分）；（3）文档智能分块：结合语义边界、长度限制将长文档切分为适合向量嵌入的文本块，避免分块过长导致检索精度下降、过短导致语义缺失（1分）；（4）向量嵌入：通过预训练嵌入模型将文本块转换为高维向量表示，保留文本语义特征（1分）；（5）向量存储与索引构建：将生成的向量与对应的原始文本、元数据存储到向量数据库中，构建近似最近邻检索索引，支撑低延迟语义检索（1分）。4.参考答案：数据资产入表对大数据平台的新要求包括：（1）全链路成本归集能力：平台需对数据采集、存储、加工、治理全流程的人力、算力、存储成本进行精准分摊与归集，按数据资产维度核算成本，满足会计计量要求（1分）；（2）数据权属溯源能力：平台需具备完善的数据血缘与数据确权能力，清晰记录数据来源、授权范围、加工链路，证明企业对数据资产的合法控制权（1分）；（3）价值量化评估能力：平台需能够追踪数据资产的应用场景与收益贡献，支撑数据资产价值评估与减值测试（1分）；（4）合规管控能力：平台需具备完善的数据安全、访问审计能力，确保数据资产采集、使用、流通符合法律法规要求，避免合规风险导致的资产价值减损（1分）；（5）资产运营支撑能力：平台需支撑数据资产的目录发布、服务封装、权限管控，为数据资产内部应用与对外服务提供技术支撑，实现数据资产价值变现（1分）。五、综合应用题参考答案（每题10分，共30分）1.参考答案：（1）流批一体架构核心分层与技术选型（共6分）：①数据接入层：采用FlinkCDC2.x同步线下门店POS系统、线上电商平台、会员系统的业务数据库增量数据，采用Filebeat采集服务端日志数据，统一接入Kafka消息队列作为数据缓冲，替代原离线层独立的DataX定时同步工具，实现流批场景下的同一数据源接入（2分）；②存储层：采用对象存储（MinIO/云OSS）作为统一存储底座，采用ApacheIceberg作为湖仓一体表格式，提供ACID事务、Schema演进、时间旅行能力，统一存储ODS、DWD、DWS、ADS层数据，替代原HDFS存储离线数据、Redis/HBase存储实时结果的多套存储冗余架构（2分）；③计算与调度层：统一采用Flink1.19作为流批一体计算引擎，通过FlinkSQL统一实现离线批处理与实时流处理计算逻辑；对接ApacheAmoro作为统一元数据服务实现全链路元数据统一管理；采用ApacheDolphinScheduler作为统一调度系统，同时调度流作业与批回刷作业，替代原Spark做离线、Flink做实时的双计算引擎架构（2分）。（2）流批口径一致性关键措施（共4分，每点1分）：①计算逻辑统一：所有指标计算采用同一套FlinkSQL代码实现，流处理模式下作业长期运行计算实时结果，批处理模式下用同一套SQL重跑历史数据，避免两套代码逻辑差异；②时间语义统一：全链路采用事件时间语义，设置统一的水位线延迟阈值（如最大乱序时间30分钟），批处理时按照事件时间窗口计算指标，与流处理窗口规则完全对齐，避免处理时间差异导致的指标偏差；③维度数据统一：建立维度表版本快照机制，流批关联时根据业务时间匹配对应版本的维度数据，避免维度信息变更导致的关联结果差异；④校验机制统一：建立流批指标自动校验规则，实时指标每日与离线批处理结果做自动化对账，当指标差异超过0.5%阈值时自动告警，及时定位逻辑问题。2.参考答案：（1）安全技术组合与作用（共6分）：①采用分布式隐私计算节点部署架构，在每个政务部门本地部署隐私计算节点，原始数据不出部门专网，仅加密交互计算中间结果，从技术层面避免原始数据跨域流出（2分）；②采用安全多方计算技术支撑跨部门协同统计场景，如跨部门人口结构分析、政策覆盖人群统计等，在不泄露各部门原始数据的前提下得到全局统计结果（1分）；③采用联邦学习技术支撑多部门联合建模场景，如医保欺诈识别、特殊人群精准服务等模型训练，训练过程仅交互加密后的模型参数，不传输个人敏感信息（1分）；④结合区块链技术搭建数据共享存证链，对所有数据访问、计算、结果输出操作全链路存证，实现操作行为可追