2025年智能运维工程师考试试题及答案.docxVIP

2025年智能运维工程师考试试题及答案

一、单项选择题（每题2分，共30分）

1.以下哪项是智能运维（AIOps）区别于传统自动化运维的核心特征？

A.支持脚本化任务执行

B.应用AI技术实现运维决策优化

C.集成监控与告警系统

D.支持多云资源管理

答案：B

解析：传统自动化运维侧重通过脚本或工具替代人工重复操作，而AIOps的核心是利用机器学习、大数据分析等AI技术，从海量运维数据中挖掘规律，实现故障预测、根因分析等主动运维决策优化。

2.在云原生架构中，某微服务实例频繁重启，通过Kubernetes事件日志发现MemoryPressure告警，最可能的故障原因是？

A.容器CPU阈值设置过低

B.节点内存不足导致OOM（内存溢出）

C.服务健康检查配置错误

D.网络接口流量过载

答案：B

解析：Kubernetes的MemoryPressure事件直接指向节点内存资源紧张，当节点内存不足时，kubelet会触发OOMKiller终止容器，导致实例重启。

3.某企业使用Prometheus进行监控，若需对应用接口的QPS（每秒请求数）进行趋势分析，应优先选择以下哪种数据聚合方式？

A.rate()函数计算时间序列增长率

B.histogram_quantile()计算分位数

C.sum()函数汇总总请求数

D.max()函数获取峰值

答案：A

解析：QPS是随时间变化的速率指标，rate()函数通过计算时间序列的变化率，能准确反映单位时间内的请求量趋势，适用于动态指标分析。

4.以下哪种异常检测算法最适合处理时序性运维指标（如服务器CPU使用率）的异常识别？

A.K-means聚类

B.孤立森林（IsolationForest）

C.ARIMA（自回归积分滑动平均模型）

D.支持向量机（SVM）

答案：C

解析：ARIMA是经典的时间序列预测模型，通过捕捉数据的自相关性和趋势性，能有效预测未来时间点的指标值，进而通过实际值与预测值的偏差识别异常，适合时序数据场景。

5.在日志分析场景中，若需从海量非结构化日志中提取用户登录失败的关键信息，最有效的预处理步骤是？

A.对日志进行分词处理

B.定义正则表达式匹配特定模式

C.对日志进行情感分析

D.计算日志文本的TF-IDF值

答案：B

解析：非结构化日志中的关键事件（如登录失败）通常具有固定模式（如Loginfailedforuser），通过正则表达式匹配可以精准提取事件类型、用户、时间等结构化信息。

6.某分布式系统出现跨服务调用延迟升高，使用全链路追踪（Tracing）工具排查时，重点应关注以下哪个指标？

A.服务实例数量

B.调用链中的耗时分布

C.数据库连接池利用率

D.消息队列堆积量

答案：B

解析：全链路追踪的核心是展示请求在各服务节点的传递路径及耗时，通过分析调用链中各节点的耗时占比，可快速定位延迟瓶颈（如某中间件处理缓慢）。

7.关于Kubernetes集群的自动扩缩容（HPA），以下说法错误的是？

A.可基于CPU、内存等资源指标扩缩容

B.支持自定义指标（如QPS）触发扩缩容

C.缩容操作不会导致服务中断

D.需要结合PodDisruptionBudget控制缩容速率

答案：C

解析：缩容时Kubernetes会终止部分Pod，若应用未做好优雅终止（如未处理完当前请求），可能导致短暂服务中断，因此需配合PreStop钩子和健康检查确保平滑缩容。

8.某企业采用ELK（Elasticsearch+Logstash+Kibana）搭建日志平台，若需实现日志的实时过滤和字段提取，应在哪个组件中配置？

A.Elasticsearch

B.Logstash

C.Kibana

D.Filebeat

答案：B

解析：Logstash作为数据处理引擎，支持通过filter插件（如grok、mutate）对日志进行实时解析、过滤和字段提取，是日志预处理的核心组件。

9.在智能运维的故障预测场景中，若历史故障数据存在严重类别不平衡（如正常样本占99%，故障样本占1%），最有效的解决方法是？

A.直接使用原始数据训练模型

B.对正常样本进行欠采样（Undersampling）

C.对故障样本进行过采样（Oversampling）或SMOTE算法增强

D.增加模型复杂度（如深层神经网络）

答案：C

解析：类别不平衡会导致模型偏向多数类（正常样本），忽略少数类（故障样本）。过采样（如复制故障样本）或SMOTE（合成新的故障样本）可平衡类别分布，提升模型对故障的识别能力。

10.以下哪种存储系统最适合存储大规模时序监控数据（如每秒百万条指标）？

A