159、Spark采⽤RDD以后能够实现⾼效计算的原因主要在于?

A. 　不可以⽔平扩展

B. 　多点故障问题

C. 　HDFSHA是热备份，提供⾼可⽤性，但是⽆法解决可扩展性、系统性能和隔离性

D. 　系统整体性能受限于单个名称节点的吞吐量

A. 　RDD(ResillientDistributedDataset)是运⾏在⼯作节点(WorkerNode)的⼀个进程，负责运⾏Task

B. 　Application是⽤户编写的Spark应⽤程序

C. 　⼀个Job包含多个RDD及作⽤于相应RDD上的各种操作

D. 　DirectedAcyclicGraph反映RDD之间的依赖关系

A. 　在Pregel中，为了获得更好的性能，”标志位”和输⼊消息队列是分开保存的

B. 　在超步S中，当⼀个Worker在进⾏顶点处理时，⽤于当前超步的消息会被处理

C. 　需要两个消息队列⽤于存放作⽤于当前超步S的消息和作⽤于下⼀个超步S+1的消息

D. 　每个Worker上都保存了⼀个或多个分区的状态信息，当⼀个Worker发⽣故障时，它所负责维护的分区的当前状态信息就会丢失

A. 数据间的因果关系

B. 数据间的相关关系

C. 数据间的包含关系

D. 数据间的传递关系

A. 　每个Application都有⾃⼰专属的Executor进程，并且该进程在Application运⾏期间⼀直驻留

B. 　Executor进程以多线程的⽅式运⾏Task

C. 　Spark运⾏过程与资源管理器⽆关，只要能够获取Executor进程并保持通信即可

D. 　Task采⽤了数据本地性和推测执⾏等优化机制

A. 　识别和感知技术

B. 　⽹络与通信技术

C. 　数据挖掘与融合技术

D. 　信息处理⼀体化技术

A. 　⾼效的容错性

B. 　中间结果持久化到内存，数据在内存中的多个

C. 　存放的数据可以是Java对象，避免了不必要的对象序列化和反序列化

D. 　现有容错机制:数据复制或者记录⽇志

A. 　从磁盘或从⽹络读取数据，即IO密集⼯作

B. 　计算数据，即CPU密集⼯作

C. 　针对不同的⼯作节点选择合适硬件类型

D. 　负责协调集群中的数据存储

A. 　利⽤多线程来执⾏具体的任务，减少任务的启动开销

B. 　Executor中有⼀个BlockManager存储模块，有效减少IO开销

C. 　提供了⼀种⾼度受限的共享内存模型

D. 　不同场景之间输⼊输出数据能做到⽆缝共享

A. 　⼀切与⽀撑⼤数据组织管理和价值发现相关的企业经济活动的集合

B. 　提供智能交通、智慧医疗、智能物流、智能电⽹等⾏业应⽤的企业

C. 　提供数据分享平台、数据分析平台、数据租售平台等服务的企业

D. 　提供分布式计算、数据挖掘、统计分析等服务的各类企业