21春南開(kāi)大學(xué)《大數(shù)據(jù)開(kāi)發(fā)技術(shù)（一）》在線作業(yè)-2參考答案

1、21春南開(kāi)大學(xué)大數(shù)據(jù)開(kāi)發(fā)技術(shù)（一）在線作業(yè)-2參考答案注意：圖片可根據(jù)實(shí)際需要調(diào)整大小Map Task和Reduce Task均由()啟動(dòng)。A.ClientB.Job TrackerC.TaskD.Task TrackerMongoDB將數(shù)據(jù)存儲(chǔ)為一個(gè)()A.關(guān)系B.屬性C.字段D.文檔MapReduce中最優(yōu)的Reduce任務(wù)個(gè)數(shù)取決于集群中可用的()的數(shù)目。A.SplitB.SlotC.MapD.ShuffleHbase中()文件記錄了-ROOT-表的位置A.MasterB.RegionC.ZookeeperD.ChubbyBigTable采用()作為底層數(shù)據(jù)存儲(chǔ)A.HDFSB.GFSC.

2、HbaseD.傳統(tǒng)文件系統(tǒng)Hadoop啟動(dòng)所有進(jìn)程的命令為()。A.all-start.shB.all-start.exeC.start-all.shD.start-all.exeMapReduce處理關(guān)系的()運(yùn)算時(shí)，Map過(guò)程需要記錄元組的信息及該元組來(lái)源。A.投影B.差C.交D.并Hbase中()是最核心的模塊，負(fù)責(zé)維護(hù)分配給自己的Region，并響應(yīng)用戶的讀寫(xiě)請(qǐng)求A.MasterB.SlaverC.Region服務(wù)器D.客戶端關(guān)于Strom中Bolt說(shuō)法錯(cuò)誤的是()。A.Bolt可以執(zhí)行過(guò)濾、函數(shù)操作、Join、操作數(shù)據(jù)庫(kù)等任何操作B.Bolt是一個(gè)被動(dòng)的角色，Spout是一個(gè)主動(dòng)的角

3、色C.Bolt不僅可以處理Tuple還可以創(chuàng)建新的TupleD.Bolt是Streams的狀態(tài)轉(zhuǎn)換過(guò)程的抽象含義MapReduce設(shè)計(jì)的一個(gè)理念就是()，因?yàn)橐苿?dòng)數(shù)據(jù)需要大量的網(wǎng)絡(luò)傳輸開(kāi)銷。A.數(shù)據(jù)向計(jì)算靠攏B.計(jì)算向數(shù)據(jù)靠攏C.計(jì)算向網(wǎng)絡(luò)靠攏D.計(jì)算與數(shù)據(jù)并行在Storm的工作流程中，對(duì)于Supervisor說(shuō)法錯(cuò)誤的是()。A.Supervisor會(huì)去Zookeeper集群上認(rèn)領(lǐng)自己的TaskB.Supervisor節(jié)點(diǎn)首先將提交的Topology進(jìn)行分片，分成一個(gè)個(gè)Task，分配給相應(yīng)的NimbusC.Supervisor會(huì)將Task和相關(guān)的信息提交到Zookeeper集群上D.Supe

4、rvisor會(huì)通知自己的Worker進(jìn)程進(jìn)行Task的處理Google Fusion Tables是哪種可視化工具()A.信息圖表B.地圖工具C.時(shí)間線工具D.分析工具批處理系統(tǒng)關(guān)注()，流處理系統(tǒng)關(guān)注()。A.吞吐率，延時(shí)B.延時(shí)，吞吐率C.延時(shí)，速度D.速度，吞吐率使用Amazon云環(huán)境部署Hadoop的說(shuō)法中錯(cuò)誤的是()。A.Hadoop不僅可以運(yùn)行在企業(yè)內(nèi)部的集群中，也可以運(yùn)行在云計(jì)算環(huán)境中B.Hadoop自帶有一套腳本，用于在EC2上面運(yùn)行HadoopC.在EC2上運(yùn)行Hadoop尤其適用于一些工作流D.Amazon EC2為Hadoop提供了存儲(chǔ)服務(wù)關(guān)于分布式并行編程，以下說(shuō)法錯(cuò)誤

5、的是()。A.“摩爾定律”，CPU性能大約每隔12個(gè)月翻一番B.“摩爾定律”逐漸失效后，人們開(kāi)始借助于分布式并行編程來(lái)提高程序性能C.分布式程序運(yùn)行在大規(guī)模計(jì)算機(jī)集群上，可以并行執(zhí)行大規(guī)模數(shù)據(jù)處理任務(wù)，從而獲得海量的計(jì)算能力D.谷歌公司最先提出了分布式并行編程模型MapReduce靜態(tài)數(shù)據(jù)采取()計(jì)算模式A.批量B.實(shí)時(shí)C.大數(shù)據(jù)D.動(dòng)態(tài)優(yōu)點(diǎn)是性能好(高并發(fā))，靈活性高，復(fù)雜性低，數(shù)據(jù)結(jié)構(gòu)靈活 提供嵌入式文檔功能的數(shù)據(jù)庫(kù)是()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)關(guān)于MapReduce中Shuffle過(guò)程，說(shuō)法錯(cuò)誤的是()。A.Shuffle過(guò)程中為每個(gè)Map任務(wù)分配一個(gè)緩存B

6、.Shuffle過(guò)程中分區(qū)默認(rèn)采用哈希函數(shù)C.Shulle過(guò)程的合并會(huì)改變最終結(jié)果D.Shuffle過(guò)程在Reduce端首先從Map端領(lǐng)取結(jié)果，然后執(zhí)行歸并操作，最后輸送給Reduce任務(wù)進(jìn)行處理Storm中如果要隨機(jī)分發(fā)Stream中的Tuple，保證每個(gè)Bolt的Task接收Tuple數(shù)量大致一致，應(yīng)該采用哪種Stream Groupings()。A.ShuffleGroupingB.AllGroupingC.GlobalGroupingD.FiedlsGroupingSQL Azure體系結(jié)構(gòu)層中哪層將用戶的請(qǐng)求轉(zhuǎn)化為Azure內(nèi)部的TDS格式流()A.Client LayerB.Ser

7、vices LayerC.Platform. LayerD.Infrastructure Layer優(yōu)點(diǎn)是查找速度快，可擴(kuò)展性強(qiáng)，容易進(jìn)行分布式擴(kuò)展，復(fù)雜性低的數(shù)據(jù)庫(kù)是()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)應(yīng)用于專門(mén)用于處理具有高度相互關(guān)聯(lián)關(guān)系的數(shù)據(jù)，比較適合于社交網(wǎng)絡(luò)的數(shù)據(jù)庫(kù)是哪種()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)Storm中如果要保證相同字段的Tuple分配到同一個(gè)Task中，應(yīng)該采用哪種Stream Groupings()。A.ShuffleGroupingB.AllGroupingC.GlobalGroupingD.FiedlsGroupin

8、g應(yīng)用于分布式數(shù)據(jù)存儲(chǔ)與管理數(shù)據(jù)在地理上分布于多個(gè)數(shù)據(jù)中心的應(yīng)用程序的數(shù)據(jù)庫(kù)是哪種()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)1秒定律體現(xiàn)了大數(shù)據(jù)的哪個(gè)特征()。A.數(shù)據(jù)量大B.數(shù)據(jù)產(chǎn)生速度快C.數(shù)據(jù)存儲(chǔ)快D.數(shù)據(jù)計(jì)算快SQL Azure體系結(jié)構(gòu)層中哪層是存儲(chǔ)節(jié)點(diǎn)集群，相當(dāng)于普通Web系統(tǒng)的數(shù)據(jù)庫(kù)層()A.Client LayerB.Services LayerC.Platform. LayerD.Infrastructure LayerGephi是哪種可視化工具()A.信息圖表B.地圖工具C.時(shí)間線工具D.分析工具以下亞馬遜的產(chǎn)品中哪個(gè)是分布式內(nèi)存緩存()A.ElastiCac

9、heB.RDSC.DynamoDBD.RedshiftHadoop中執(zhí)行MapReduce任務(wù)不含哪種方式()。A.MahoutB.Hadoop jarC.Shell腳本D.Python以下說(shuō)法不正確的是()。A.MapReduce的核心思想就是“分面治之”B.HDFS是對(duì)GFS的開(kāi)源實(shí)現(xiàn)C.MapReduce是一種分布式計(jì)算模型D.HDFS采用HBase作為其底層數(shù)據(jù)存儲(chǔ)關(guān)系數(shù)據(jù)庫(kù)與NoSQL數(shù)據(jù)庫(kù)相比有哪些優(yōu)勢(shì)()A.支持事務(wù)ACID四性B.可以支持超大規(guī)模數(shù)據(jù)存儲(chǔ)C.以完善的關(guān)系代數(shù)理論作為基礎(chǔ)D.具有強(qiáng)大的橫向擴(kuò)展能力MapReduce可以解決哪些計(jì)算問(wèn)題()。A.矩陣乘法B.關(guān)系代數(shù)

10、運(yùn)算C.聚合運(yùn)算D.關(guān)系投影運(yùn)算關(guān)系數(shù)據(jù)庫(kù)與NoSQL數(shù)據(jù)庫(kù)相比適用于哪些領(lǐng)域()A.電信B.銀行C.互聯(lián)網(wǎng)企業(yè)大數(shù)據(jù)處理D.傳統(tǒng)企業(yè)的數(shù)據(jù)分析HDFS的命名空間包含()A.節(jié)點(diǎn)B.目錄C.文件D.塊MapReduce的main函數(shù)中設(shè)置輸出類型的方法有()。A.setOutputKeyClassB.setOutputClassC.setOutputValueClassD.setKeyValueClassHadoop在配置偽分布式時(shí)需要修改哪幾個(gè)配置文件()。A.hbase-site.xmlB.hdfs-site.xmlC.core-site.xmlD.map-site.xmlE.mapr-s

11、ite.xml哪些屬于數(shù)據(jù)可視化的重要作用()A.分析數(shù)據(jù)B.采集數(shù)據(jù)C.輔助理解數(shù)據(jù)D.觀測(cè)跟蹤數(shù)據(jù)以下哪些是數(shù)據(jù)可視化時(shí)間線工具()A.EchartsB.TimetoastC.XtimelineD.R流計(jì)算是針對(duì)流數(shù)據(jù)的實(shí)時(shí)計(jì)算，可以應(yīng)用在()場(chǎng)景中A.廣告投放B.氣候模擬預(yù)測(cè)C.機(jī)器翻譯D.推薦系統(tǒng)傳統(tǒng)的數(shù)據(jù)處理流程的前提是()。A.存儲(chǔ)的數(shù)據(jù)是舊的B.存儲(chǔ)的數(shù)據(jù)是實(shí)時(shí)的C.需要用戶主動(dòng)發(fā)出查詢D.不需要用戶主動(dòng)發(fā)出查詢Pig是Hadoop項(xiàng)目中一種數(shù)據(jù)倉(cāng)庫(kù)工具。()A.正確B.錯(cuò)誤阿里云RDS中一個(gè)實(shí)例可以創(chuàng)建多個(gè)數(shù)據(jù)庫(kù)，在實(shí)例內(nèi)數(shù)據(jù)庫(kù)命名唯一，所有數(shù)據(jù)庫(kù)都會(huì)共享該實(shí)例下的資源，如CP

12、U、內(nèi)存、磁盤(pán)容量等。()A.正確B.錯(cuò)誤HDFS中的NameNode的EditLog用于維護(hù)文件系統(tǒng)樹(shù)以及文件樹(shù)中所有的文件和文件夾的元數(shù)據(jù)。()A.正確B.錯(cuò)誤Storm框架是實(shí)時(shí)計(jì)算系統(tǒng)，所以不能使用數(shù)據(jù)庫(kù)。()A.正確B.錯(cuò)誤關(guān)系數(shù)據(jù)庫(kù)的關(guān)鍵特性包括完善的事務(wù)機(jī)制和高效的查詢機(jī)制。()A.正確B.錯(cuò)誤大數(shù)據(jù)計(jì)算處理方法主要分為兩種方法，即批處理方法和流處理方法。()A.正確B.錯(cuò)誤大數(shù)據(jù)決策逐漸成為一種新的決策方式，大數(shù)據(jù)應(yīng)用有力促進(jìn)了信息技術(shù)與各行業(yè)的深度融合，大數(shù)據(jù)開(kāi)發(fā)大大推動(dòng)了新技術(shù)和新應(yīng)用的不斷涌現(xiàn)。()A.正確B.錯(cuò)誤Hbase中緩存刷新，每次刷寫(xiě)都生成一個(gè)新的StoreFi

13、le文件，因此，每個(gè)Store包含多個(gè)StoreFile文件。()A.正確B.錯(cuò)誤在HBase中，更新操作會(huì)用最新的當(dāng)前值去替換記錄中原來(lái)的舊值，舊值被覆蓋后就不會(huì)存在。()A.正確B.錯(cuò)誤HDFS在設(shè)計(jì)上采取了多種機(jī)制保證在硬件出錯(cuò)的環(huán)境中實(shí)現(xiàn)數(shù)據(jù)的完整性。()A.正確B.錯(cuò)誤MapReduce處理關(guān)系的()運(yùn)算時(shí)，Map過(guò)程需要記錄元組的信息及該元組來(lái)源。A.投影B.差C.交D.并Hbase中()是最核心的模塊，負(fù)責(zé)維護(hù)分配給自己的Region，并響應(yīng)用戶的讀寫(xiě)請(qǐng)求A.MasterB.SlaverC.Region服務(wù)器D.客戶端關(guān)于Strom中Bolt說(shuō)法錯(cuò)誤的是()。A.Bolt可以執(zhí)行

14、過(guò)濾、函數(shù)操作、Join、操作數(shù)據(jù)庫(kù)等任何操作B.Bolt是一個(gè)被動(dòng)的角色，Spout是一個(gè)主動(dòng)的角色C.Bolt不僅可以處理Tuple還可以創(chuàng)建新的TupleD.Bolt是Streams的狀態(tài)轉(zhuǎn)換過(guò)程的抽象含義MapReduce設(shè)計(jì)的一個(gè)理念就是()，因?yàn)橐苿?dòng)數(shù)據(jù)需要大量的網(wǎng)絡(luò)傳輸開(kāi)銷。A.數(shù)據(jù)向計(jì)算靠攏B.計(jì)算向數(shù)據(jù)靠攏C.計(jì)算向網(wǎng)絡(luò)靠攏D.計(jì)算與數(shù)據(jù)并行在Storm的工作流程中，對(duì)于Supervisor說(shuō)法錯(cuò)誤的是()。A.Supervisor會(huì)去Zookeeper集群上認(rèn)領(lǐng)自己的TaskB.Supervisor節(jié)點(diǎn)首先將提交的Topology進(jìn)行分片，分成一個(gè)個(gè)Task，分配給相應(yīng)的N

15、imbusC.Supervisor會(huì)將Task和相關(guān)的信息提交到Zookeeper集群上D.Supervisor會(huì)通知自己的Worker進(jìn)程進(jìn)行Task的處理Google Fusion Tables是哪種可視化工具()A.信息圖表B.地圖工具C.時(shí)間線工具D.分析工具批處理系統(tǒng)關(guān)注()，流處理系統(tǒng)關(guān)注()。A.吞吐率，延時(shí)B.延時(shí)，吞吐率C.延時(shí)，速度D.速度，吞吐率使用Amazon云環(huán)境部署Hadoop的說(shuō)法中錯(cuò)誤的是()。A.Hadoop不僅可以運(yùn)行在企業(yè)內(nèi)部的集群中，也可以運(yùn)行在云計(jì)算環(huán)境中B.Hadoop自帶有一套腳本，用于在EC2上面運(yùn)行HadoopC.在EC2上運(yùn)行Hadoop尤其

16、適用于一些工作流D.Amazon EC2為Hadoop提供了存儲(chǔ)服務(wù)關(guān)于分布式并行編程，以下說(shuō)法錯(cuò)誤的是()。A.“摩爾定律”，CPU性能大約每隔12個(gè)月翻一番B.“摩爾定律”逐漸失效后，人們開(kāi)始借助于分布式并行編程來(lái)提高程序性能C.分布式程序運(yùn)行在大規(guī)模計(jì)算機(jī)集群上，可以并行執(zhí)行大規(guī)模數(shù)據(jù)處理任務(wù)，從而獲得海量的計(jì)算能力D.谷歌公司最先提出了分布式并行編程模型MapReduce靜態(tài)數(shù)據(jù)采取()計(jì)算模式A.批量B.實(shí)時(shí)C.大數(shù)據(jù)D.動(dòng)態(tài)優(yōu)點(diǎn)是性能好(高并發(fā))，靈活性高，復(fù)雜性低，數(shù)據(jù)結(jié)構(gòu)靈活 提供嵌入式文檔功能的數(shù)據(jù)庫(kù)是()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)關(guān)于MapRed

17、uce中Shuffle過(guò)程，說(shuō)法錯(cuò)誤的是()。A.Shuffle過(guò)程中為每個(gè)Map任務(wù)分配一個(gè)緩存B.Shuffle過(guò)程中分區(qū)默認(rèn)采用哈希函數(shù)C.Shulle過(guò)程的合并會(huì)改變最終結(jié)果D.Shuffle過(guò)程在Reduce端首先從Map端領(lǐng)取結(jié)果，然后執(zhí)行歸并操作，最后輸送給Reduce任務(wù)進(jìn)行處理Storm中如果要隨機(jī)分發(fā)Stream中的Tuple，保證每個(gè)Bolt的Task接收Tuple數(shù)量大致一致，應(yīng)該采用哪種Stream Groupings()。A.ShuffleGroupingB.AllGroupingC.GlobalGroupingD.FiedlsGroupingSQL Azure體系

18、結(jié)構(gòu)層中哪層將用戶的請(qǐng)求轉(zhuǎn)化為Azure內(nèi)部的TDS格式流()A.Client LayerB.Services LayerC.Platform. LayerD.Infrastructure Layer優(yōu)點(diǎn)是查找速度快，可擴(kuò)展性強(qiáng)，容易進(jìn)行分布式擴(kuò)展，復(fù)雜性低的數(shù)據(jù)庫(kù)是()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)應(yīng)用于專門(mén)用于處理具有高度相互關(guān)聯(lián)關(guān)系的數(shù)據(jù)，比較適合于社交網(wǎng)絡(luò)的數(shù)據(jù)庫(kù)是哪種()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)Storm中如果要保證相同字段的Tuple分配到同一個(gè)Task中，應(yīng)該采用哪種Stream Groupings()。A.ShuffleGr

19、oupingB.AllGroupingC.GlobalGroupingD.FiedlsGrouping應(yīng)用于分布式數(shù)據(jù)存儲(chǔ)與管理數(shù)據(jù)在地理上分布于多個(gè)數(shù)據(jù)中心的應(yīng)用程序的數(shù)據(jù)庫(kù)是哪種()A.列族數(shù)據(jù)庫(kù)B.鍵值數(shù)據(jù)庫(kù)C.圖數(shù)據(jù)庫(kù)D.文檔數(shù)據(jù)庫(kù)1秒定律體現(xiàn)了大數(shù)據(jù)的哪個(gè)特征()。A.數(shù)據(jù)量大B.數(shù)據(jù)產(chǎn)生速度快C.數(shù)據(jù)存儲(chǔ)快D.數(shù)據(jù)計(jì)算快SQL Azure體系結(jié)構(gòu)層中哪層是存儲(chǔ)節(jié)點(diǎn)集群，相當(dāng)于普通Web系統(tǒng)的數(shù)據(jù)庫(kù)層()A.Client LayerB.Services LayerC.Platform. LayerD.Infrastructure LayerGephi是哪種可視化工具()A.信息圖表B

20、.地圖工具C.時(shí)間線工具D.分析工具以下亞馬遜的產(chǎn)品中哪個(gè)是分布式內(nèi)存緩存()A.ElastiCacheB.RDSC.DynamoDBD.RedshiftHadoop中執(zhí)行MapReduce任務(wù)不含哪種方式()。A.MahoutB.Hadoop jarC.Shell腳本D.Python以下說(shuō)法不正確的是()。A.MapReduce的核心思想就是“分面治之”B.HDFS是對(duì)GFS的開(kāi)源實(shí)現(xiàn)C.MapReduce是一種分布式計(jì)算模型D.HDFS采用HBase作為其底層數(shù)據(jù)存儲(chǔ)關(guān)系數(shù)據(jù)庫(kù)與NoSQL數(shù)據(jù)庫(kù)相比有哪些優(yōu)勢(shì)()A.支持事務(wù)ACID四性B.可以支持超大規(guī)模數(shù)據(jù)存儲(chǔ)C.以完善的關(guān)系代數(shù)理論作

21、為基礎(chǔ)D.具有強(qiáng)大的橫向擴(kuò)展能力MapReduce可以解決哪些計(jì)算問(wèn)題()。A.矩陣乘法B.關(guān)系代數(shù)運(yùn)算C.聚合運(yùn)算D.關(guān)系投影運(yùn)算關(guān)系數(shù)據(jù)庫(kù)與NoSQL數(shù)據(jù)庫(kù)相比適用于哪些領(lǐng)域()A.電信B.銀行C.互聯(lián)網(wǎng)企業(yè)大數(shù)據(jù)處理D.傳統(tǒng)企業(yè)的數(shù)據(jù)分析HDFS的命名空間包含()A.節(jié)點(diǎn)B.目錄C.文件D.塊MapReduce的main函數(shù)中設(shè)置輸出類型的方法有()。A.setOutputKeyClassB.setOutputClassC.setOutputValueClassD.setKeyValueClassHadoop在配置偽分布式時(shí)需要修改哪幾個(gè)配置文件()。A.hbase-site.xmlB.

22、hdfs-site.xmlC.core-site.xmlD.map-site.xmlE.mapr-site.xml哪些屬于數(shù)據(jù)可視化的重要作用()A.分析數(shù)據(jù)B.采集數(shù)據(jù)C.輔助理解數(shù)據(jù)D.觀測(cè)跟蹤數(shù)據(jù)以下哪些是數(shù)據(jù)可視化時(shí)間線工具()A.EchartsB.TimetoastC.XtimelineD.R流計(jì)算是針對(duì)流數(shù)據(jù)的實(shí)時(shí)計(jì)算，可以應(yīng)用在()場(chǎng)景中A.廣告投放B.氣候模擬預(yù)測(cè)C.機(jī)器翻譯D.推薦系統(tǒng)傳統(tǒng)的數(shù)據(jù)處理流程的前提是()。A.存儲(chǔ)的數(shù)據(jù)是舊的B.存儲(chǔ)的數(shù)據(jù)是實(shí)時(shí)的C.需要用戶主動(dòng)發(fā)出查詢D.不需要用戶主動(dòng)發(fā)出查詢Pig是Hadoop項(xiàng)目中一種數(shù)據(jù)倉(cāng)庫(kù)工具。()A.正確B.錯(cuò)誤阿里云

23、RDS中一個(gè)實(shí)例可以創(chuàng)建多個(gè)數(shù)據(jù)庫(kù)，在實(shí)例內(nèi)數(shù)據(jù)庫(kù)命名唯一，所有數(shù)據(jù)庫(kù)都會(huì)共享該實(shí)例下的資源，如CPU、內(nèi)存、磁盤(pán)容量等。()A.正確B.錯(cuò)誤HDFS中的NameNode的EditLog用于維護(hù)文件系統(tǒng)樹(shù)以及文件樹(shù)中所有的文件和文件夾的元數(shù)據(jù)。()A.正確B.錯(cuò)誤Storm框架是實(shí)時(shí)計(jì)算系統(tǒng)，所以不能使用數(shù)據(jù)庫(kù)。()A.正確B.錯(cuò)誤關(guān)系數(shù)據(jù)庫(kù)的關(guān)鍵特性包括完善的事務(wù)機(jī)制和高效的查詢機(jī)制。()A.正確B.錯(cuò)誤大數(shù)據(jù)計(jì)算處理方法主要分為兩種方法，即批處理方法和流處理方法。()A.正確B.錯(cuò)誤大數(shù)據(jù)決策逐漸成為一種新的決策方式，大數(shù)據(jù)應(yīng)用有力促進(jìn)了信息技術(shù)與各行業(yè)的深度融合，大數(shù)據(jù)開(kāi)發(fā)大大推動(dòng)了新技術(shù)和新應(yīng)用的不斷涌現(xiàn)。()A.正確B.錯(cuò)誤Hbas