2026年信息技術(shù)與數(shù)據(jù)科學(xué)課程考試試題及答案一、單項選擇題（每題2分，共20分）1.在Spark3.4中，若DataFramedf包含列user_id、event_time、event_type，現(xiàn)需統(tǒng)計每個用戶最后一次登錄的event_time，下列代碼正確的是A.df.groupBy("user_id").agg(max("event_time").alias("last_login"))B.df.groupBy("user_id").agg(last("event_time").alias("last_login"))C.df.select("user_id","event_time").orderBy(desc("event_time")).dropDuplicates("user_id")D.df.groupBy("user_id").agg(max_by("event_time","event_time").alias("last_login"))答案：C解析：last()在聚合時無法保證全局有序，max()只能取最大值而非“最后一條”；max_by語法錯誤。正確思路是先按時間倒序，再去重保留每個user_id第一條，即最新記錄。2.某深度學(xué)習(xí)模型在訓(xùn)練集準(zhǔn)確率99.8%，驗證集僅78%，測試集76%。最不可能的原因是A.訓(xùn)練數(shù)據(jù)存在標(biāo)簽泄漏B.驗證集與訓(xùn)練集分布差異過大C.Dropout率設(shè)置過低D.學(xué)習(xí)率調(diào)度器過早衰減答案：D解析：學(xué)習(xí)率過早衰減會導(dǎo)致欠擬合，訓(xùn)練集準(zhǔn)確率應(yīng)同步下降，與題干“訓(xùn)練集極高”矛盾。3.在PostgreSQL15中，建立BRIN索引最適合的場景是A.高并發(fā)點(diǎn)查主鍵B.時間序列順序追加寫入，范圍查詢C.文本模糊匹配D.低基數(shù)列等值查詢答案：B解析：BRIN適用于物理順序與邏輯順序強(qiáng)相關(guān)、順序追加的列，可極小體積索引大范圍數(shù)據(jù)。4.某時序數(shù)據(jù)庫采用LSM-Tree存儲，level0層文件過多導(dǎo)致讀放大，調(diào)優(yōu)策略無效的是A.提高level0→level1合并閾值B.啟用bloomfilterC.降低memtable大小D.增加blockcache答案：A解析：提高閾值會推遲合并，反而加劇讀放大；其余均可緩解。5.聯(lián)邦學(xué)習(xí)場景下，客戶端上傳梯度而非原始數(shù)據(jù)，主要解決A.通信開銷B.數(shù)據(jù)隱私C.設(shè)備異構(gòu)D.模型聚合效率答案：B6.在Python3.11中，下列關(guān)于@dataclass(slots=True)描述正確的是A.自動生成__dict__B.實例無法設(shè)置新屬性C.與typing.NamedTuple完全等價D.默認(rèn)生成__hash__且可哈希答案：B解析：slots=True關(guān)閉__dict__，禁止動態(tài)新增屬性；默認(rèn)不生成__hash__，需顯式unsafe_hash=True。7.某推薦系統(tǒng)采用雙塔模型，負(fù)樣本采用in-batchsoftmax，當(dāng)batchsize從2048降至256，預(yù)期指標(biāo)變化A.召回率上升，訓(xùn)練時間縮短B.召回率下降，訓(xùn)練時間縮短C.召回率下降，訓(xùn)練時間延長D.召回率上升，訓(xùn)練時間延長答案：B解析：batch減小導(dǎo)致負(fù)樣本多樣性下降，對比學(xué)習(xí)難度降低，召回下降；計算量減少，時間縮短。8.在Kubernetes1.29中，某Deployment滾動更新卡在maxUnavailable=1、maxSurge=0，可能原因是A.鏡像拉取失敗B.集群資源不足C.PodDisruptionBudget限制D.以上都可能答案：D9.使用PyTorch2.1編譯模式pile()，圖斷點(diǎn)最可能出現(xiàn)在A.張量形狀依賴數(shù)據(jù)值的if語句B.固定形狀矩陣乘法C.nn.ReLU()D.torch.ones(3,3)答案：A解析：動態(tài)控制流導(dǎo)致圖斷裂。10.在差分隱私中，若查詢敏感度Δ=5，ε=0.1，采用拉普拉斯機(jī)制，噪聲尺度b為A.5/0.1B.0.1/5C.5×0.1D.1/(5×0.1)答案：A解析：b=Δ/ε。二、多項選擇題（每題3分，共15分，多選少選均不得分）11.關(guān)于Transformer位置編碼，正確的有A.絕對位置編碼可擴(kuò)展到任意長度B.相對位置編碼顯式注入注意力權(quán)重C.RoPE通過旋轉(zhuǎn)矩陣保持線性相對位置D.ALiBi在注意力softmax前添加線性偏置E.無位置編碼的Transformer可捕獲序列順序答案：B、C、D解析：A需外推或插值；E無法捕獲順序。12.下列Python代碼段輸出為True的有A.np.array([1,2])isnp.array([1,2])B.pd.Series([1,2]).equals(pd.Series([1.0,2.0]))C.torch.tensor([1.0]).cuda()==torch.tensor([1.0]).cuda()D.math.isnan(float("NaN"))E.isinstance(True,int)答案：D、E解析：A為不同對象；B因dtype不同返回False；C需all()或item()，直接==返回張量。13.在數(shù)據(jù)湖house架構(gòu)中，支持ACIDUpsert的存儲格式有A.DeltaLakeB.IcebergC.HudiD.ParquetE.ORC答案：A、B、C14.導(dǎo)致GPU顯存占用峰值異常升高的操作有A.未使用torch.no_grad()推理B.保存每個batch的loss.item()C.保留中間特征用于可視化D.混合精度訓(xùn)練未縮放lossE.梯度累積未清空梯度答案：A、C、D、E15.下列正則化方法可直接作用于神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣的有A.L2B.DropConnectC.SpectralNormD.WeightStandardizationE.LabelSmoothing答案：A、B、C、D三、填空題（每空2分，共20分）16.在SQL中，計算連續(xù)7天活躍用戶的留存率，需用________窗口函數(shù)將次日活躍與第7日活躍關(guān)聯(lián)。答案：lead17.若某決策樹采用基尼系數(shù)作為劃分標(biāo)準(zhǔn)，節(jié)點(diǎn)A含樣本{0:30,1:30}，劃分后左節(jié)點(diǎn){0:20,1:10}，右節(jié)點(diǎn){0:10,1:20}，則基尼增益為________。（保留三位小數(shù)）答案：0.111解析：原基尼=0.5，左=0.444，右=0.444，增益=0.5?(0.5×0.444+0.5×0.444)=0.111。18.在PyTorch中，將模型參數(shù)凍結(jié)的常見做法是設(shè)置________屬性為False。答案：requires_grad19.某系統(tǒng)采用Raft共識算法，Leader向Follower復(fù)制日志時，若Follower返回term>Tcurrent，則Leader會________。答案：退化為Follower20.在Python3.11列表解析式中，若內(nèi)層循環(huán)依賴外層循環(huán)變量，需使用________語句避免作用域泄漏。答案：無（已修復(fù)），但歷史上曾用“:=”海象表達(dá)式避免重復(fù)計算。21.使用XGBoost時，設(shè)置________參數(shù)可控制基學(xué)習(xí)器最大深度，防止過擬合。答案：max_depth22.在數(shù)據(jù)治理中，衡量數(shù)據(jù)質(zhì)量的維度通常包括準(zhǔn)確性、完整性、一致性、________、及時性。答案：唯一性23.若某圖像分類任務(wù)采用CutMix增強(qiáng)，則標(biāo)簽需按________比例進(jìn)行線性插值。答案：面積24.在Git2.42中，撤銷已push到遠(yuǎn)程的commit并保留歷史，推薦使用________命令。答案：gitrevert25.在AWSS3中，實現(xiàn)“讀后寫一致性”的操作類型為________。答案：PUT新對象四、判斷題（每題1分，共10分，正確寫“T”，錯誤寫“F”）26.在BERT預(yù)訓(xùn)練中，NSP任務(wù)已被RoBERTa證明對下游任務(wù)無明顯提升。T27.使用Kolmogorov-Arnold網(wǎng)絡(luò)時，激活函數(shù)位于邊而非節(jié)點(diǎn)。T28.在ClickHouse中，ReplacingMergeTree可保證查詢結(jié)果自動去重，無需final。F29.當(dāng)學(xué)習(xí)率采用cosineannealing時，重啟后lr會跳變至初始值。T30.在Python中，functools.lru_cache(maxsize=None)緩存無大小限制，但受內(nèi)存約束。T31.采用GroupNorm時，batchsize=1也可訓(xùn)練。T32.在MapReduce中，combiner等價于reducer，故可任意替換。F33.使用LoRA微調(diào)LLM時，推理階段必須合并權(quán)重，否則無法部署。F34.在DiffusionModel中，DDIM采樣可在少于訓(xùn)練步數(shù)下完成生成。T35.在Rust中，所有權(quán)系統(tǒng)可在編譯期避免數(shù)據(jù)競爭。T五、簡答題（每題8分，共24分）36.描述如何在生產(chǎn)環(huán)境中實現(xiàn)PyTorch模型的熱更新，要求零停機(jī)、可回滾，并給出關(guān)鍵代碼片段。答案：1)采用TorchServe的Snapshot機(jī)制，模型以.mar包部署，版本號嵌入文件名。2)前端通過K8sService指向TorchServePod，配置ReadinessProbe檢測/metrics中"ts_inference_requests_total"是否增長。3)新版本模型上傳至S3，觸發(fā)ArgoCD同步，滾動更新Deployment；ReadinessProbe通過自定義腳本調(diào)用curl-XPOSThttp://localhost:8081/models?url=nightly.mar，注冊后驗證單次推理延遲<P99閾值。4)若異常，執(zhí)行kubectlrolloutundodeployment/torchserve，回滾至舊ReplicaSet；同時TorchServe支持unregister，實現(xiàn)秒級切換。5)關(guān)鍵代碼：```pythonhandler.pyclassTransformersHandler(BaseHandler):definitialize(self,ctx):self.model=Noneself.version=ctx.model_versionself.load_model()defload_model(self):self.model=AutoModel.from_pretrained(f"/models/{self.version}")defhandle(self,data):returnself.model(**data)```6)通過ConfigMap注入環(huán)境變量MODEL_VERSION，實現(xiàn)同鏡像多版本共存。37.解釋在千萬級QPS推薦系統(tǒng)中，為何將召回、粗排、精排三級漏斗改為雙塔+輕量精排+重排，并給出向量索引更新策略。答案：1)原三級漏斗依賴多路召回（CF、熱門、語義），每路Top-K合并后粗排，計算量大；雙塔將User/Item表征離線算好，線上內(nèi)積檢索，延遲從120ms降至18ms。2)輕量精排采用蒸餾后3層DCN，參數(shù)量僅為精排模型1/10，GPU單卡可支撐20wQPS。3)重排引入ListwiseMMR，解決多樣性，耗時<5ms。4)向量索引采用Milvus2.3，IVF_SQ8索引，nlist=65536，nprobe=128；增量更新通過KafkaStream，每5min合并一次Delta文件，采用Copy-on-Write保證讀無鎖；全量每天凌晨重建，雙集群切換，灰度流量10%驗證NDCG@50下降<0.5%即全量切流。38.說明在差分隱私聯(lián)邦學(xué)習(xí)中，如何兼顧模型可用性與隱私預(yù)算分配，給出客戶端級別算法流程。答案：1)采用用戶級別差分隱私，每輪隨機(jī)選取m≤N客戶端，采樣概率q=m/N。2)本地訓(xùn)練若干epoch，裁剪梯度L2范數(shù)至C，加噪尺度σ=C√(2ln(1.25/δ))/ε。3)中央服務(wù)器聚合后更新全局模型，使用MomentsAccountant計算累積ε，設(shè)定目標(biāo)ε=3，δ=10^-5。4)若ε即將耗盡，觸發(fā)EarlyStop或降低q。5)為提升可用性，采用自適應(yīng)裁剪：初始C為歷史梯度95分位，每輪按指數(shù)滑動平均更新；同時引入公共數(shù)據(jù)蒸餾，緩解噪聲導(dǎo)致精度下降。6)算法流程：```Clientk:downloadw_tcomputeclippedgradientg_kz_k~N(0,σ^2C^2I)sendg_k+z_kServer:w_{t+1}=w_t?η_t·average(g_k+z_k)updateprivacyaccountant```六、綜合設(shè)計題（11分）39.某電商平臺擬構(gòu)建實時異常訂單檢測系統(tǒng)，數(shù)據(jù)規(guī)模：日訂單2億，峰值30wQPS，要求99線延遲<200ms，誤報率<0.5%，需支持模型日更。請給出端到端技術(shù)方案，包括數(shù)據(jù)流、特征工程、模型選型、線上服務(wù)、監(jiān)控與回?fù)撇呗?，并評估資源成本。答案：1)數(shù)據(jù)流：訂單binlog通過Debezium入Kafka，Topicpartition按user_id哈希，保證同用戶有序；FlinkCEP作業(yè)解析下單、支付、發(fā)貨事件，生成統(tǒng)一OrderEvent；特征分三類：a)用戶維度：近30天訂單數(shù)、退款率、常用收貨地址數(shù)；b)商品維度：價格分位、類目風(fēng)險評分；c)實時維度：下單IP與常用地址距離、設(shè)備指紋置信度、優(yōu)惠券使用率。特征存儲采用RedisCluster，key=user_id+scene，value=Protobuf序列化，TTL=24h；冷啟動采用Flink異步I/O批量查詢，超時50ms返回默認(rèn)值。2)模型選型：采用基于GNN的異構(gòu)圖模型，節(jié)點(diǎn)=user、device、address、ip、商品，邊權(quán)重=共現(xiàn)次數(shù)；二分類輸出異常概率，損失函數(shù)為FocalLoss，緩解正負(fù)樣本1:100不平衡；訓(xùn)練數(shù)據(jù)：昨日人工審核確認(rèn)的黑白樣本各20w，圖結(jié)構(gòu)快照存儲在Hive，按user_id分桶；訓(xùn)練框架：DGL1.1+PyTorch2.1，采用NeighborSamp