维普资讯 http://www.cqvip.com 第２４卷第６期 ２００７年６月 计算机应用与软件 Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｖｏ１．２４ Ｎｏ．６ Ｊｕｎ．２０ｏ７ 一种基于ＳＶＭ和相关性的基因选择方法 姬翔王安文 （西北大学计算机科学系陕西西安７１００６９） 摘 要 为了能找出与疾病相关的诊断基因，更好地进行基因诊断和基因治疗，利用支持矢量机（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ ＭａｃｈｉｎｅｓＳＶＭ） ，给出了一种针对多病类情况的基于ＳＶＭ和相关性的基因选择方法。该方法一次性考虑基因区分所有病类的能力，为避免所选基因 冗余，对所选基因的相关性加以约束，然后进行基因选择。采用该方法对真实的ＤＮＡ微阵列数据进行实验，样本在所选基因子空间 上的表达数据有很好可分性，所选基因子空间有良好的分类推广能力，表明了该方法的有效性。 关键词 ＳＶＭ相关性 交叉验证基因选择 ＧＥＮＥ ＳＥＬＥＣＴＩｏＮ ＭＥＴＨｏＤ ＢＡＳＥＤ ｏＮ ＳＶＭ ＡＮＤ ＣｏＲＲＥＬＡＴＩｏＮ Ｊｉ Ｘｉａｎｇ Ｗａｎｇ Ａｎｗｅｎ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｎｏｒｔｈｗｅｓｔ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ＇ａｎ ７１００６９，Ｓｈａａｎｘｉ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｉｎ ｏｒｄｅｒ ｔｏ ｆｉｎｄ ｏｕｔ ｔｈｅ ｄｉａｇｎｏｓｔｉｃ ｇｅｎｅｓ ｗｈｉｃｈ ｐｒｏｖｉｄｅ ｓｕｃｃｅｓｓｆｕｌ ｄｉａｇｎｏｓｅｓ ａｎｄ ｇｏｏｄ ｔｒｅａｔｍｅｎｔｓ，ａ ｇｅｎｅ ｓｅｌｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＳＶＭ ａｎｄ ｃｏｒｒｅｌａｔｉｏｎ ｆｏｒ ｍｕｌｔｉｐｌｅ ｄｉｓｅａｓｅｓ ｉｓ ｐｒｏｐｏｓｅｄ．Ｔｈｉｓ ｍｅｔｈｏｄ ｔａｋｅｓ ｔｈｅ ｃｌｓａｓｉｉｆｃａｔｉｏｎ ａｂｉｌｉｔｉｅｓ ｏｆ ｇｅｎｅｓ ｔｏ ｓｅｐａｒａｔｅ ａｌｌ ｔｈｅ ｄｉｓｅａｓｅｓ ｉｎ． ｔｏ ｃｏｎｓｉｄｅｒａｔｉｏｎ ａｔ ａ ｓａｎｌｅ ｔｉｍｅ．１ｉｍｉｔｓ ｔｈｅ ｄｅｇｒｅｅ ｏｆ ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ａｎｙ ｐａｉｒｓ ｏｆ ｓｅｌｅｃｔｅｄ ｇｅｎｅｓ ｌｅｓｔ ｔｈｅｒｅ ｓｈｏｕｌｄ ｂｅ ｒｅｄｕｎｄａｎｔ ｉｎ ｓｅｌｅｃｔｅｄ ｇｅｎｅｓ ａｎｄ ｓｅｌｅｃｔｓ ｇｅＢｅ ｓｕｂｓｅｔ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｓ ｏｎ ｒｅａｌ ＤＮＡ ｍｉｃｒｏａｒｒａｙ ｄａｔａｓｅｔｓ ｗｅｒｅ ｃｏｎｄｕｃｔｅｄ ｂｙ ｔｈｉｓ ｍｅｔｈｏｄ ａｎｄ ｔｈｅ ｒｅｓｕｌｔｓ ｉｌｌｕｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｓａｍｐｌｅｓ ｔｏｏｋ ｏｎ ａ ｇｏｏｄ ｓｅｐａｒａｂｉｌｉｔｙ ｉｎ ｔｈｅ ｓｅｌｅｃｔｅｄ ｇｅｎｅ ｓｕｂｓｐａｃｅ ａｎｄ ｔｈｅ ｓｅｌｅｃｔｅｄ ｇｅｎｅ ｓｕｂｓｐａｃｅ ｈａｄ ａ ｃａｐａｃｉｔｙ ｏｆ ｃｌｓａｓｉｉｆｃａｔｉｏｎ ｇｅｎｅｒｌａｉ－ ｚａｔｉｏｎ，ｗｈｉｃｈ ｓｈｏｗ ｇｒｅａｔ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓ ＳＶＭ Ｃｏｒｒｅｌａｔｉｏｎ Ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ Ｇｅｎｅ ｓｅｌｅｃｔｉｏｎ 个能代表该类的理想基因，使得这两个基因有最大的负相关性， ０引 言 再用统计相关分析对每个基因与该理想基因的相关性进行计 算，选择基因。然而，这些方法基本上都是在两类情况下进行的 ＤＮＡ微阵列数据对了解疾病在基因级别的发病机理、疾病 基因选择，在多病类情况下进行基因选择的方法还很少。但现 的诊断和治疗等都有很高的应用价值，为通过数据分析和处理 实世界中，一般都是多病类的复杂情况。 手段运用计算机进行基因诊断、基因治疗等提供了前提和可能 为了保证多病类情况下基因诊断的可靠性，本文给出了一 性 。例如，利用基因表达数据可以对没有显著变化的肿瘤组 种有效的多病类情况下的基因选择方法——基于ＳＶＭ和相关 织作出早期诊断 ，可以区分形态学上相似的肿瘤。但由于各 性的基因选择方法。该方法一次性考虑基因区分所有病类的能 种限制，我们只能采集到基因数目（成千上万个）远远大于样本 力，为避免所选基因冗余，对所选基因的相关性加以约束，用 数（几十个）的超高维空间超小样本的基因表达数据。而超高 Ｌｅａｖｅ．Ｏｎｅ．Ｏｕｔ交叉验证（ＬＯＯＣＶ） ｌ９ 方法评估所选基因子空 维空间超小样本数据的分类问题是模式识别中的一个难点，原 间的分类推广能力，进行基因选择。我们用真实的ＤＮＡ微阵列 因主要是：（１）ＤＮＡ微阵列数据的样本数相对于基因数极少，造 数据进行实验，在一定线性相关程度范围内，选出了有效的基因 成了严重的维数发难现象 Ｊ，导致分类性能严重下降。（２）样 子集，样本在所选基因子空间上的表达数据有很好可分性，所选 本数极少，使得常常无法用传统的与估计概率密度有关的方法 基因子空间有强的分类推广能力，表明了本文方法的有效性。 来做分类识别 Ｊ。（３）高维使数据存在很多与分类无关的噪 声。另外，ＤＮＡ微阵列数据的采集成本也比较大。为了解决这 １基因选择方法 些问题，为基因诊断提供可靠依据，降低基因诊断成本，进行基 因选择就显得尤为重要。 基因选择，即从输入特征集（原基因集合）中选择出与疾病 １．１基因分类贡献的表示 最相关的基因子集。近来，很多研究人员在基因选择方面展开 １．１．１两病类情况 工作。文献［６］采用Ｆｉｓｈｅｒ线性判别函数与启发式逐步向前搜 在基因空间中，空间维数（即基因数目）ｍ远大于分属于 索结合的方法，在两类中进行基因选择；文献［５］将无监督的属 个病类的样本数ｎ。在这种情况下，容易证明，基因空间中的样 性均值聚类网络加入学习样本的类别信息，形成堆近邻分类法， 进行基因选择；文献［７］是关于两类的基因选择，给每类设计一 收稿日期：２００５—０６—２７。姬翔，硕士生，主研领域：智能信息处理。 维普资讯 http://www.cqvip.com 第６期 姬翔等：一种基于ＳＶＭ和相关性的基因选择方法 ｌｌ７ 本通常是线性可分的…，而支持向量机（ＳＶＭ）是一种具有最优 数目。 推广能力的对二分类问题进行有效线性分类的线性分类器 。 在线性可分的情况下，ＳＶＭ就是找使得分类间隔ｍａｒｇｉｎ最大的 分类超平面，以ｍａｒｇｉｎ来描述样本的可分性和分类器的推广能 １．２基因间的相关性 ’相关的两个基因它们共同被表达或者来自于同一染色体， 因此这两个基因可能有相同的作用。如基因Ａ对分类贡献大， 与它相关性大的基因Ｂ对分类的贡献也很可能会比较大。所 力是合理的。进而，从ｍａｒｇｉｎ的角度来考虑基因对分类的贡献 也是合理的。 把ｍａｒｉｇｎ看作向量，它与分类超平面的法向量方向一致（规 定）。又ｍａｒｇｉｎ＝２／ｌ ｌｌｌ，所以，向量ｍａｒｉｎ＝ ｇ以，一般不考虑所选基因相关性的基因选择方法可能将这两个 基因都选上。但是，这两个基因共同提供的对分类有用的信息 和其中任何一个基因单独提供的差不多 ，选择的基因中产生 — ＝ ｌ ｌｌ ｌｌ ｌｌ ｌ，其中， 为分类超平面的权系数向量（或法向量）， ｌｌ ｌｌ ｌｌ Ｊ ｌｌ 表示分类超平面的法向量方向。图１给出了线性可分情况下，二 维特征空间中的ｍａｒｇｉｎ向量示意图。ｇ 和 代表两个特征，Ｍ， 和Ｍ：分别是ｍ￣ｒｇｉｎ向量在这两个特征轴上的投影向量，由几何 Ｍ－ ， ｌ： ’ｌ ｌ＝ ：！Ｉｔ』 Ｉ 一 。又ｌ ｌｍａｒｉｇｎ ｌ＝￣／ｌｌ － ＋ｌ Ｉ，所以，Ｉｌ 。ｌＩ和 ｌｌ ｌｌ可以表示其各自对应特征对ｌ ｌｍａｒｇｉｎ ＩＩ的贡献，即对分类 的贡献。又ｌＩ ＞０，因此，Ｉ 。Ｉ和Ｉ ：Ｉ可以用来表示ｇ 和 分别对分类的贡献。 图１二维特征空Ｉ司中的ｍａｒｇｉｎ向量不图 然而，一般来说，同一基因在不同病类中的表达水平可能存 在差异。某一基因在不同病类中表达水平的差异越大，这一基 因作为诊断基因的可能性就越大。所以，在基因分类贡献的表 示中加入基因表达水平差异的信息是合理的。 以病类ｉ中所有样本的ｋ基因表达水平的均值ｍ ＝ １ ”∑ｇ 作为ｋ基因在病类ｉ中的表达水平， １日 表示病类ｉ的 样本总数（两类情况，ｉ＝１，２），ｇ 为病类ｉ中样本１的ｋ基因的 表达水平。那么，ｋ基因在病类ｉ和病类 中表达水平的差异即 为Ｉ 一 Ｉ。因此，在两类问题的线性可分情况下，ｋ基因分 两病类的贡献表示为ｆ ｆｆ ｍ：一ｍ：Ｉ，其中 （ｋ＝１，２，Ａ，Ｉｔ；ｎ 为基因数）是分两病类的ＳＶＭ分类器权向量的第ｋ个分量。 １．１．２多病类情况 用上述基因分两病类的贡献表示方法，在多病类情况下，求 得各基因分任意两病类的贡献。将对任意两病类分类都有贡献 （分类贡献值大于０）的各基因对各病类对的相应分类贡献求 和，作为该基因分所有病类的总贡献，即ｋ基因分所有病类的总 贡献表示为 ∑ 一 Ｉ ， ：１，２，Ａ，Ｋ， ｌ＜ 且ｉ＜ ｋ＝１，２，Ａ，ｎ ｎ ≤ｎ 其中， 为病类总数，ｎ 为对每个病类对分类都有贡献的基因 了冗余。为了选择更有效的基因，本文对所选基因间的相关程 度加以约束。 本文把基因间的相关性考虑为一种简单的线性相关性，用 Ｐｅａｒｓｏｎ线性相关系数“。。来度量。例如，基因ｒ与基因ｒ 之间的 线性相关性即为 、．１ ， 一、， 一、 Ｄ ｓ 一ｇｒ八 一ｇｒ … √∑ （ 一 ） 一∑ （ 一 ，） 其中，ｇ 是样本ｓ的ｒ基因的表达水平，ｇ，是所有样本的ｒ基因 表达水平的均值，ｒ＝１，２，Ａ，ｎ；ｓ＝１，２，Ａ，ｍ（ｎ为基因总数，ｍ为 样本总数）。 １．３本文方法基本思想 先用所有样本训练分各病类对的 （Ｋ一１）／２（Ｋ为病类 数）个线性ＳＶＭ分类器，使各ＳＶＭ分类器分相应两病类的所有 样本的测试误识率均为０。此时，获得 （Ｋ一１）／２个ｍａｒｇｉｎ向 量。按式（１）计算对所有病类对分类都有贡献的基因各自分所 有病类的总贡献。然后，按式（２）计算这些基因两两间的Ｐｅａｒ－ ｓｏｎ相关系数。给定Ｐｅａｒｓｏｎ线性相关性阈值Ｐ和ＬＯＯＣＶ平均 误识率阈值６，选择前ｎ（ｎ≤预选出的基因数目）个贡献最大的 基因，使得这ｎ个基因两两间的Ｐｅａｒｓｏｎ线性相关性小于等于阈 值Ｐ，且所有样本在所选基因子空间中做ＳＶＭ＋ＬＯＯＣＶ的平均 误识率小于等于阈值６。 ２实验与结果分析 ２．１ 实验数据 我们所用的实验数据是ｌｙｍｐｈｏｍａ数据 。该数据由４０２６ 种基因，９６个样本组成，共９类。由于数据中存在空值（缺失）， 所以在空值处填人空值所在样本所属类中该种基因的均值。然 后从处理后的数据中，分别取出扩散大Ｂ细胞淋巴瘤（ＤＬ－ ＢＣＬ）、小囊淋巴瘤（ＦＬ）、慢性淋巴白血病（ＣＬＬ）３类共６６个样 本，形成一组新数据，记为ｄａｔａ。 ２．２实验及结果分析 ２．２．１所选的基因子集 用本文基于ＳＶＭ和相关性的基因选择方法，对ｄａｔａ数据在 不同线性相关性阈值下进行基因选择，找到能为诊断扩散大Ｂ 细胞淋巴瘤、小囊淋巴瘤、慢性淋巴白血病有效的基因。选择结 果如表１所示（其中Ｆｉｓｈｅｒ指Ｆｉｓｈｅｒ指标的值，ｗＦｉｓｈｅｒ指加权 Ｆｉｓｈｅｒ指标的值¨３ ），从表中不难看出，既不是所选的基因越不 相关，也不是所选的基因越相关，它们所构成的基因子空间的分 类推广能力和所有样本在其上的可分性就越强。而是，在一定 的线性相关程度范围内，所选基因子空间的分类推广能力和所 有样本在其上的可分性较强。 维普资讯 http://www.cqvip.com ｌｌ８ 计算机应用与软件 ２００７血 表１在不同线性相关性阈值Ｐ下。所选基因的结果 阈值Ｐ 可分性 所选基因 所选基因数目 ＬＯＯＣＶ平均误识率 Ｆｉｓｈｅｒ ｗＦｉｓｈｅｒ ０．１ １２６９ ３７９４ ７０６ ４０７ ２９８ ７１ ４３７ ７ ０．０１５２ ０．９４０３ ３．６８０３ ０．２ ｌ２６９、３７９４、７０６、５１０、２１５９、１３０５、３４６ ７ ０ １．２２９３ ５．１２２９ ０．３ １２６９ ３７９４ ７０６ ３５３１ ５１０ ２１５３ ２０１２ ７ ０．０ｌ５２ １．３３２４ ５．４２２７ ０．４ ｌ２６９、３７９４、１３６８、７０６、８５２、２４６０ ６ ０．０ｌ５２ １．７７８ｌ ６．４８９６ ０．５ １２６９ ３７９４、１３６８、７０６ ７５９ ４２ ３５３０ １２９３ ８ ０．０ｌ５２ １．３７ｌ０ ５．１９７９ ０．６ ｌ２６９、３７９４、１３６８、１２６２、７０６、７５９ ６ ０．０１５２ １．８６４６ ６．６４６９ ０．７ １２６９ ３７９４、１３６８，１２６２ ７０６、７５９ ６ ０．０ｌ５２ １．８６４６ ６．６４６９ ０．８ １２６９ ３７９４ １３６８ ３７５４．１２６２．７０６．７５９ ７ ０．０１５２ ２．００１０ ６．８２３５ ０，９ ｌ２６９、３７９４、１３６８、３７５４、１２６２、７０６、７５９ ７ ０．０ｌ５２ ２．００ｌ０ ６．８２３５ ｌ １２６９ ３７９４ １３６８、３７８９ ３７５４ ３８３１ １２６２ ７０６ ７５９ ９ ０．０１５２ １．６９１５ ５．９２６３ 注：①所有ＬＯＯＣＶ的平均误识率阈值８都取０．０２； ２．２．３分类推广能力的检验 ②所选基因按分所有病类的总贡献降序排列。 为了进一步检验本文方法的有效性，以下用含单隐层的多 将所选基因的数目、所选基因子空间的分类推广能力和所 层感知器ＭＬＰ＋ＬＯＯＣＶ方法对本文方法所选的性能最好的基 有样本在其上的可分性兼顾考虑，当线性相关性阈值Ｐ＝０．８ 因子空间的分类推广能力进行了检验，检验结果如表２所示。 （或０．９）时，所选基因子集的性能相对来说最好，且所选的基因 表２ ＭＬＰ在所选最好基因子空间中进行ＬＯＯＣＶ的平均误识率 只有７个。当线性相关性阈值Ｐ＝１，即对所选基因间的相关性 不加约束，用本方法选择的基因子集的性能，都没有在对所选基 因间的线性相关性加以一定约束的情况下选择出的好。表明在 基因选择过程中，对所选基因间的线性相关性加以一定的约束 是有意义的。 在ｄａｔａ数据中所选的最好基因子集对应ｌｙｍｐｈｏｍａ数据中 注：ｈ表示中间单隐层神经兀数日 中间单隐层神经元数目分别取２、３、４、５时，这４种结构的 的真实基因子集为：ＧＥＮＥ３３２０Ｘ、ＧＥＮＥ１６３６Ｘ、ＧＥＮＥ３３８９Ｘ、 ＭＬＰ进行ＬＯＯＣＶ所获得的平均误识率都为Ｏ，表明本文方法在 ＧＥＮＥ１６１０Ｘ、ＧＥＮＥ３３４２Ｘ、ＧＥＮＥ２３２８Ｘ、ＧＥＮＥ２４０１Ｘ（基因按对 阈值Ｐ＝０．８（或０．９）的情况下所选的基因子空间确实具有良 所有病类的分类总贡献降序排列）。 好的分类推广能力，充分表明了本文基于ＳＶＭ和相关性的基因 ２．２．２可分性的可视化 选择方法的有效性。 Ｔｏｐ ２ ＤＣＡ Ｔｏｐ ２ｗｏｃＡ ３结论 本文提出了一种新的基于ＳＶＭ和相关性的基因选择方法， 该方法的优点是，加入了对所选基因线性相关性的约束机制，尽 量避免选择冗余基因；一次性考虑了基因区分所有病类的能力， 减少了计算时间。用该方法对真实ＤＮＡ微阵列数据进行实验， 在一定的线性相关性阈值下，选出了性能良好的基因子集，不但 样本在所选基因子空间中表达数据的可分性好，而且所选基因 １０ １０ ５ １０ 子空间的分类推广能力也很强。利用ＭＬＰ＋ＬＯＯＣＶ方法检验 Ｐ＝０ ８（或Ｐ＝０．９）（基因：ｌ２６９、３７９４，ｌ３６８、３７５４． 所选基因子空间的分类推广能力，也取得了良好的结果。这些 １２６２．７０６、７５９） 都充分表明了本文方法的有效性。 图２ ｄａｔａ数据所有样本在所选最好 基因子空间上ＤＣＡ／ｗＤＣＡ投影到 参考文献 前２、３个主分量的数据散布情况 ［１］刘申岭．基于ＳＶＭ的基因选择［Ｄ］．西安电子科技大学硕士学位 图２给出了所有样本在所选最好基因子空间中的表达数据 论文，代号：１０７０１，２００４，１． 通过ＤＣＡ／ｗＤＣＡ投影¨ （分别对应文献［１２］中的ＤＣＡＦ／ ｆ ２］Ｙ０ｕｎｇ ＲＡ．Ｂｉ０ｍｅｄｉｃａｌ ｄｉｓｃｏｖｅｒｙ ｗｉｔｈ ＤＮＡ ａｒｒａｙｓ［Ｊ］．Ｃｅｌｌ，２０００， ＤＣＡＷ方法）到前２、３个主分量上的情况。可以看出，这组数据 １０２（１）：９． 的样本在所选最好基因子空间中的表达数据的散布情况，呈现 『３］Ｅ ｒｉｃ Ｍｊ０ｌｓｎｅＳＳ，Ｄｅｎｎｉｓ ＤｅＣｏｓｔｅ．Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｓｃｉｅｎｃｅ：ｓｔａｔｅ ｏｆ 出类间可分性好（类间散布大）、类内聚集性好（类内散布小）的 ｔｈｅ ａｒｔ ａｎｄ ｆｕｔｕｒｅ ｐｒｏｓｐｅｃｔｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２００１，２９３（１４）：２０５１ —２０５５， 特点。在二维投影上，没有重叠。进一步表明了本文方法的有 （下转第１７５页） 效性，表明对所选基因相关性加以约束是可行的。 维普资讯 http://www.cqvip.com 第６期 施裕琴等：网上选课系统安全技术研究 １７５ 道。它们是攻击者直接可以用来影响系统的工具。在攻击者寻 找和利用系统安全漏洞时，它们总是给系统安全带来压力。对 ｐａｔｈ元素指定要授权的页面，ａｕｔｈｏｒｉｚａｔｉｏｎ元素指定授权访 问或拒绝的用户。“？”表示匿名用户。上面的授权允许Ａｄｍｉｎ 访问该页面，不允许匿名访问。 （２）根据用户权限定制网页 付所有这些攻击的通用防卫策略就是所谓的输人验证。Ｗｅｂ 访问控制是在表示层实现的。用ＡＳＰ．ＮＥＴ来设计系统的表示 层时，对页面的访问控制要分成两个部分来设计：用户的认证与 授权，根据用户权限定制网页。 （１）用户认证与授权 安全控制不仅体现在安全模型的设计上，还要针对每一个 受控页面进行仔细的设计。在设计安全的ＡＳＰ．ＮＥＴ页面时，要 根据用户的不同权限，在页面显示每一个链接之前对用户的权 限进行判断，如果用户没有权限访问此权限对应的页面（资 源），就要隐藏该链接。这种设计不仅可以防止敏感地址被泄 露而且使界面更友好。 对Ｗｅｂ访问的认证方式是和系统选用的开发标准相关联 的。本系统采用ＡＳＰ．ＮＥＴ来实现Ｂ／Ｓ结构，所以下面我们来讨 论本系统的安全访问模型。ＡＳＰ．ＮＥＴ对Ｗｅｂ页面的保护是通 过两个过程来完成的：１）认证。认证就是对用户的合法性进行 确认，．ＮＥＴ框架提供了４种认证模式；２）授权。授权就是把有 些页面授权给某些用户访问（或者拒绝某些用户访问某些页 面），经过授权的用户在每次访问页面时如果经过了认证，那么 就可以访问请求的页面。认证与授权的设置都是在网站的根目 录下面的一个名为ｗｅｂ．ｃｏｎｆｉｇ的配置文件中进行配置的，该文 件是一个标准的ＸＭＬ文件。 认证的相关配置是在ｗｅｂ．ｃｏｎｆｉｇ的Ａｕｔｈｅｎｔｉｃａｔｉｏｎ元素中设 置的： ＜！一一ｍｏｄｅ＝［ＷｉｎｄｏｗｓｌＦｏｒｍｓｌＰａｓｓｐｏｒｔｌＮｏｎｅ］一一＞ ＜ａｕｔｈｅｎｔｉｃａｔｉｏｎ ｍｏｄｅ＝”Ｆｏｒｍｓ”＞＜／ａｕｔｈｅｎｔｉｃａｔｉｏｎ＞ 其中ｍｏｄｅ的值表明选择的认证模式。ＡＳＰ．ＮＥＴ提供了下 列四种模式： ・Ｗｉｎｄｏｗｓ：通过Ｗｉｎｄｏｗｓ的系统认证。该模式不需要编 码，只要对ＩＩＳ５．０进行合理的配置即可实现。但是ＭＩＳ系统很 难管理认证信息。 ・Ｆｏｒｍｓ：利用ＡＳＰ．ＮＥＴ页面进行认证，这是一种可控且 灵活的方式。 ・Ｐａｓｓｐｏｒｔ：微软提供的一种集中认证模式，为成员站点提 供单一登录和核心框架。Ｐａｓｓｐｏｒｔ是一种基于表单的认证服务。 ・Ｎｏｎｅ：用户不需要认证服务或者计划开发自己定制的代 码来进行认证时，使用该方法。 针对本系统的应用需求和．ＮＥＴ的现状，本系统选择Ｆｏｒｍ 认证模式，即由开发者自己设计Ｗｅｂ页面来管理认证。这样我 们需按下面的方式设置ｗｅｂ．ｃｏｎｆｉｇ的认证Ｅｌｅｍｅｎｔ： ＜ａｕｔｈｅｎｔｉｃａｔｉｏｎ ｍｏｄｅ＝”Ｆｏｒｍｓ”＞ （ｆｏｒｍｓ ｎａｌｌｌｅ＝ ＭｙＷｅｂ ｌｏｇｉｎＵｒｌ＝ Ｓｉｇｎｌｎ．ａｓｐｘ Ｐｒｏｔｅｃｔｉｏｎ＝’Ｎｏｎｅ’ｐａｔｈ＝’ｆ ＞ ＜／ｆｏｒｍｓ＞ ＜／ａｕｔｈｅｎｔｉｃａｔｉｏｎ＞ 其中ｌｏｇｉｎｌｎ是进行认证的页面，一般认证页面就是访问敏 感信息的登录页面。认证页面是一个ＡＳＰ．ＮＥＴ页面，它调用 ＲＢＡＣ模块中的函数完成认证的过程，认证成功后生成有效票 据，该票据保存在加密的Ｃｏｏｋｉｅ中。认证通过后，定位到用户 请求的页面。如果没有通过认证，可以将用户的Ｈ１ＴＰ请求重 定位到安全页面。 授权在ｗｅｂ．ｃｏｎｆｉｇ的下列Ｅｌｅｍｅｎｔ中设置： ＜ｌｏｃａｔｉｏｎ ｐａｔｈ＝”ＭｙＳｅｒｃｒｅｔＤａｔａ．ａｓｐｘ”＞ ＜ｓｙｓｔｅｍ．ｗｅｂ＞ ＜ａｕｔｈｏｒｉｚａｔｉｏｎ＞ ＜！一一＜ａｌｌｏｗ ＵＳｅ／＇Ｓ＝＂Ａｄｒｎｉｎ＇￣／＞一一＞＜ｄｅｎｙ ｕｓｅｒ＝” ＞ ＜／ａｕｔｈｏｒｉｚａｔｉｏｎ＞ ＜／ｓｙｓｔｅｍ．ｗｅｂ＞ ＜／ｌｏｃａｔｉｏｎ＞ ４结束语 在Ｂ／Ｓ模式下，不但要考虑数据访问的安全性，还要考虑 网络的安全性。本文详细地分析了网上选课系统的安全系统架 构，以ＲＢＡＣ为基础，设计了一个高效的数据访问模型，并且以 微软的．ＮＥＴ框架为标准，对Ｗｅｂ页面的访问控制机制进行了 研究和设计。用本文的安全模型构建的网上选课系统运行 良好。 参考文献 ［１］张永胜．ＡＳＰ．ＮＥＴ的身份验证及授权机制应用研究．计算机应用， ２００４（８）． ［２］桂学勤．ＡＳＰ．ＮＥＴ安全性工作方案和窗体身份验证的实现．微计 算机应用，２００５（１）． ［３］王国欣．Ｂ／Ｓ模式下管理信息系统的安全模型设计．计算机工程， ２００４（１２）． 『４］冯亚丽．基于ＷＥＢ的成绩管理信息系统的安全策略．大庆石油学 院学报，２００４（１２）． ［５］Ｂｅｒｔｒａｎｄ Ｍｅｙｅｒ．．ＮＥＴ ｌｓ Ｃｏｍｉｎｇ．Ｃｏｍｐｕｔｅｒ，２００１（８）． （上接第１１８页） 『４］Ｖｌａｄｉｍｉｒ Ｎ Ｖａｐｎｉｋ．Ｔｈｅ Ｎａｔｕｒｅ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ Ｔｈｅｏｒｙ．Ｓｐｒｉｎｇ— ｅｒ—Ｖｅｒｌａｇ［ＥＢ／ＯＬ］，Ｎ．Ｙ．，１９９５． ［５］贺仁亚，程乾生．一种新的分类方法［Ｊ］．数学的实践与认识， ２００２。３２（５）：８３０—８３４． ［６］Ｘｉｏｎｇ Ｍｏｍｉａｏ，Ｌｉ Ｗｕｊｕ，Ｚｈａｏ Ｊｉｎｙｉｎｇ，Ｊｉｎ Ｌｉ，Ｅｒｉｃ Ｂｏｅｒｗｉｎｋｌｅ．Ｆｅａｔｕｒｅ （Ｇｅｎｅ） Ｓｅｌｅｃｔｉｏｎ ｉｎ Ｇｅｎｅ Ｅｘｐｒｅｓｓｉｏｎ—Ｂａｓｅｄ Ｔｕｍｏｒ Ｃｌｓａｓｉｉｆｃａｔｉｏｎ 『Ｊ］．Ｍｏｌｅｃｕｌａｒ Ｇｅｎｅｔｉｃｓ ａｎｄ Ｍｅｔａｂｏｌｉｓｍ，２００１，７３（３）：２３９—２４７． 『７］Ｗ０ｎ Ｈｏｎｇ Ｈｅｅ，Ｃｈｏ Ｓｕｎｇ Ｂａｅ．Ｐｍｒｅｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｗｉｔｈ Ｎｅｇａｔｉｖｅｌｙ Ｃ０ｒｒｅｌａｔｅｄ Ｆｅａｔｕｒｅｓ ｏｆｒ Ｃａｎｃｅｒ Ｃｌｓａｓｉｉｆｃａｔｉｏｎ ｉｎ ＤＮＡ Ｇｅｎｅ Ｅｘｐｒｅｓｓｉｏｎ Ｐｒｏｆｉｌｅｓ，０－７８０３－７８９８－９／０３◎２００３ １ＥＥＥ． ［８］边肇祺，张学工，等．模式识别［Ｍ］．第二版．北京：清华大学出版 社，１９９９，１２￣２８４—３０４，７７． 『９］ＪＡＥＧＥＲ Ｊ，ＳＥＮＧＵＰＴＡ Ｒ，ＲＵＺＺＯ Ｗ Ｌ．１ｍｐｍｖｅｄ ｇｅｎｅ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉ０ｎ ｏｆ ｍｉｃｍａｒｒａｙｓ［Ａ］．Ｐａｃ￣ｃ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｂｉｃｏｏｍｐｕｆｉｎｇ ［Ｃ］，Ｈａｗａｉｉ，ＵＳＡ：［Ｓ．ｎ］，２００３（８）：５３—６４． ｆ １０］李云，叶春晓，李季，刘嘉敏，吴中福．基于特征关联性的特征选择 算法研究［Ｊ］．微型机与应用，２００４，２３（６）：５８—６ｏ・ ［１１］ｈｔｔｐ：／／ｌｌｍｐｐ．ｎｉｈ．ｇｏｖ／ｌｙｍｐｈｏｍａ． ［１２］张军英，Ｗａｎｇ Ｙ Ｊ，Ｋｈａｎ Ｊ，Ｃｌａｒｋｅ Ｒ．基于类别空间的基因选择 ［Ｊ］．中国科学：Ｅ辑，２００３，１２． ［１３］姬翔．基于ＳＶＭ的多病类诊断基因选择方法研究［Ｄ］．西安：西安 电子科技大学硕士学位论文，代号：１０７０１，２００５，ｌ・
