• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    云計算機環(huán)境資源配置技術(shù)研究

    2016-07-09 14:27:15鄭倫川
    現(xiàn)代電子技術(shù) 2016年7期
    關(guān)鍵詞:云計算神經(jīng)網(wǎng)絡(luò)

    鄭倫川

    摘 要: 針對云計算機資源管理過程中如何減少人工操作,達到資源自適應(yīng)管理這一問題,提出了基于負載相似度的神經(jīng)網(wǎng)絡(luò)負載預(yù)測算法和基于混合分組編碼的多目標遺傳算法的資源管理策略。針對不同神經(jīng)網(wǎng)絡(luò)和不同規(guī)模物理節(jié)點,分別在Matlab和CloudSim環(huán)境下進行了仿真實驗。實驗結(jié)果表明,基于負載相似度的Elman神經(jīng)網(wǎng)絡(luò)負載預(yù)測算法適應(yīng)云計算機系統(tǒng)的動態(tài)特點,可以有效提高資源負載預(yù)測的準確性; 基于混合分組編碼的多目標遺傳算法的資源管理策略能在減少虛擬機遷移次數(shù)的同時優(yōu)化物理機使用數(shù)量。

    關(guān)鍵詞: 云計算; 負載預(yù)測; 神經(jīng)網(wǎng)絡(luò); 虛擬機遷移

    中圖分類號: TN711?34; TM417 文獻標識碼: A 文章編號: 1004?373X(2016)07?0024?05

    Abstract: For the problem of how to reduce the manual operation in the process of cloud computer resources management to achieve resource adaptive management, a resource management strategy of neural network load forecasting algorithm based on load similarity and multi?objective genetic algorithm based on hybrid grouping encoding is proposed. The simulation experiments for physical nodes of different scale and different neural networks were conducted in the environments of Matlab and CloudSim respectively. The experimental results show that the Elman neural network load forecasting algorithm based on load similarity adapts to the dynamic characteristics of cloud computer system, and can effectively improve the accuracy of resource load forecasting. The resource management strategy of multi?objective genetic algorithm based on hybrid grouping encoding can reduce the frequency of the virtual machine migration, and optimize the use quantity of physical machines.

    Keywords: cloud computing; load forecasting; neural network; virtual machine migration

    0 引 言

    云計算具有復(fù)雜性、大規(guī)模性和動態(tài)特性等特點給云計算機資源的管理帶來了很多挑戰(zhàn)性問題,其中虛擬機遷移策略和物理機使用數(shù)量的優(yōu)化最為關(guān)鍵。目前,國內(nèi)外學(xué)者對云計算資源管理的研究主要包括虛擬資源管理、資源負載預(yù)測和資源合理分配三方面。在虛擬資源管理方面,大部分是研究如何對內(nèi)存、CPU及存儲資源進行虛擬間的分配,只有少量研究是基于虛擬機負載變化進行虛擬機動態(tài)遷移和資源分配的文獻[1?2];在資源負載預(yù)測方面,文獻[3]無法對突發(fā)的負載進行預(yù)測,文獻[4]中沒有考慮短期歷史記錄中無相似的就會影響預(yù)測效果;在資源合理分配方面,文獻[5]不能進行自適應(yīng)的云計算機資源管理。

    針對上述問題,本文提出了一種基于負載相似度的神經(jīng)網(wǎng)絡(luò)負載預(yù)測算法和基于混合分組編碼的多目標遺傳算法進行虛擬機資源的管理,得出虛擬機最優(yōu)遷移策略,從而達到資源的自適應(yīng)優(yōu)化配置管理。

    1 總體思路

    基于混合分組編碼的多目標遺傳算法進行虛擬機資源的管理由3個模塊組成,如圖1所示。

    具體來說,該模型首先從云計算機資源全局監(jiān)控器模塊獲取資源的負載情況,然后把這些負載序列發(fā)送給資源配置策略生成器。策略生成器的負載預(yù)測模塊先根據(jù)負載進行負載預(yù)測,通過負載預(yù)測器和虛擬資源優(yōu)化器得到優(yōu)化的虛擬機資源配置策略,最后資源配置器根據(jù)生成的資源配置策略進行虛擬機的遷移和資源的配置工作,從而達到資源的自適應(yīng)管理。

    2 具體實現(xiàn)方法

    2.1 資源負載的特征聚類

    2.1.1 資源負載特征提取

    (1) 負載數(shù)據(jù)的選取及預(yù)處理

    云計算機數(shù)據(jù)中心的短期負載預(yù)測要求一定的實時性,從而適應(yīng)動態(tài)變化的負載。因此歷史數(shù)據(jù)的選取要綜合考慮準確度和實時性,本文選擇過去3天的負載數(shù)據(jù)進行預(yù)測,如圖2所示。

    受突發(fā)因素和數(shù)據(jù)測量系統(tǒng)影響,獲得的負載數(shù)據(jù)存在一定的異常數(shù)據(jù),需采用水平處理法和垂直處理法對數(shù)據(jù)進行修正[6]。

    (2) 云計算機資源負載特征提取

    由神經(jīng)網(wǎng)絡(luò)研究可知,每個神經(jīng)網(wǎng)絡(luò)具有d個輸入及ε個輸出,分別記為d維輸入向量X{X1,X2,…,Xd}和ε維輸出向量Y{Y1,Y2,…,Yε}。為了滿足神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的格式要求,本文采用基于滑動窗口的資源負載特征提取方法,如圖3所示。

    圖3中給定長度為L的云計算機資源負載時間序列,依次取d(x1,x2,…,xd)個相鄰的樣本為滑動窗,并將它們映射為ε維預(yù)測值Yi(i=1,2,…,n),這N組數(shù)據(jù)即為負載特征向量,如表1所示,N組負載特征,每組前d個數(shù)據(jù)為輸入的負載特征數(shù)據(jù),作為網(wǎng)絡(luò)輸入;后ε個為當(dāng)前數(shù)據(jù)的輸出負載特征,作為網(wǎng)絡(luò)訓(xùn)練輸出比較值。

    2.2 資源負載的預(yù)測算法

    在處理歷史數(shù)據(jù)時,首先對樣本數(shù)據(jù)進行聚類,根據(jù)相似度將樣本分為[C]類。要根據(jù)當(dāng)前提取的[d]個時間點負載預(yù)測接下來[ε]個時間點的負載,則將這[d]個時間序列值和聚類后[C]個樣本集進行比較,找到相似度最高的聚類作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,基于此本文提出了基于負載相似度的神經(jīng)網(wǎng)絡(luò)預(yù)測算法,即LSNN(Load Similarity Based Nero Network)算法。

    LSNN算法預(yù)測流程如圖4所示,首先需要獲取歷史負載數(shù)據(jù),預(yù)處理后提取負載特征,然后采用KFCM?2聚類算法對負載特征進行聚類,得到[C]個聚類集,由式(4)找到相似度最高聚類集作為訓(xùn)練樣本。然后構(gòu)建合適的神經(jīng)網(wǎng)絡(luò)開始進行訓(xùn)練。初始化各個參數(shù)后計算各層神經(jīng)元的輸入與輸出。當(dāng)精度達到要求時,結(jié)束訓(xùn)練,否則根據(jù)誤差值進行權(quán)值修正,繼續(xù)迭代。直到最后輸入待預(yù)測序列得到預(yù)測結(jié)果,算法結(jié)束。

    綜合云計算機負載數(shù)據(jù)選取及預(yù)處理、負載特征提取、基于KFCM?2均值聚類的負載特征分類及負載相似度的計算等方法,設(shè)計出云計算機負載預(yù)測模型,實現(xiàn)負載的自動預(yù)測,如圖5所示。

    選擇Elman神經(jīng)網(wǎng)絡(luò)作為負載預(yù)測網(wǎng)絡(luò),由圖5可以看出,該模型主要包括5個模塊:云計算資源全局監(jiān)控器、歷史數(shù)據(jù)選取和預(yù)處理模塊、歷史負載特征提取模塊、KFCM?2聚類器以及LSNN預(yù)測器。基于負載相似度的Elman云計算機資源負載預(yù)測模型首先從云計算機資源全局監(jiān)控器獲取過去3天的負載數(shù)據(jù),同時提取出當(dāng)前12個時間點的負載序列[X0]為預(yù)測基準值;接著利用滑動窗口技術(shù)提取出云計算機資源負載特征;然后使用KFCM?2聚類算法將云計算機資源負載特征分成[C]個聚類簇;最后基于[X0,]挑選出最優(yōu)聚類簇[C*,]作為Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本進行訓(xùn)練,將[X0]作為輸入,預(yù)測出接下來6個時間點(1 h)的云計算機資源負載預(yù)測值。

    2.3 資源的配置管理

    2.3.1 云計算機虛擬機資源的配置管理

    2.3.2 基于混合分組編碼的多目標遺傳算法

    (1) 多目標優(yōu)化方法

    云計算機中虛擬機資源管理問題實際是在尋求物理機使用個數(shù)最少的同時使虛擬機遷移次數(shù)最少,但實際上這兩個目標是相互矛盾的。此時需要確定一組均衡解,其數(shù)學(xué)描述如下[7]:

    (2) 混合分組編碼的多目標遺傳算法的實現(xiàn)

    ① 編碼:由于一個物理機[pmj]可以虛擬出多個虛擬機[vmi,]虛擬機和物理機之間具有從屬關(guān)系,這種分組問題需采用混合分組編碼[9]方法解決。假設(shè)有編號分別為ABCD的四個物理機,其排列順序為CADB;有12臺虛擬機分成四組分別分配到四臺物理機上,組成四組基因,四組基因構(gòu)成一個染色體CADB(C{2,4,7},A{1,9,6},D{8,10,11,12},B{3,5})。染色體具體表示如圖6所示。

    ② 譯碼:如圖7所示,3個坐標軸分別表示物理機的CPU、存儲、內(nèi)存三種資源,將每個基因所包含的虛擬機依次放入空間的左下角,直到物理機沒有足夠空間或虛擬機放完為止。

    ③ 初始染色體種群的生成:首先隨機地生成[M]個虛擬機請求序列,接著對每一個虛擬機請求序列[Mi]進行如下操作生成初始染色體種群:

    Step1:對當(dāng)前請求序列[Mi,]依次遍歷[Mi]中的虛擬機請求[RVj;]

    Step2:從當(dāng)前物理機中尋找下標最小且滿足[RVj]所需資源的物理機PM,將該虛擬機分配到物理機PM上;

    Step3:檢查此次分配是否滿足約束公式(6),如滿足,將虛擬機請求[RVj]從請求序列[Mi]中刪除,此次分配成功;

    Step4:若[Mi]中虛擬機請求全部處理完,則處理[Mi+1]虛擬機請求策略,直到處理完所有虛擬機請求策略。

    通過以上處理,就生成了[M]個虛擬機請求序列配置方案,作為染色體初始種群。

    ④ 適應(yīng)度:適應(yīng)度函數(shù)是根據(jù)目標函數(shù)變換而來的,F(xiàn)it(X)=Φ(·),其中Φ(·)是從目標函數(shù)轉(zhuǎn)換為適應(yīng)度的變換函數(shù)。

    ⑤ 個體選擇:本文采用PAES算法的比較策略,從隨機選擇出來的兩個個體中,擇優(yōu)選擇適應(yīng)度好的作為下一代,重復(fù)選擇直到達到期望的種群規(guī)模。

    ⑥ 交叉:每個分組虛擬機的個數(shù)不固定,因此交叉操作要能夠處理不等長的基因,方法如下:

    Step1:在父染色體中隨機選擇兩個交叉點,并確定交叉部分,每個交叉部分即為一個分組;

    Step2:把第一個父染色體的交叉部分注入到第二個父染色體的交叉點;

    Step3:消除第二個父染色體中重復(fù)的基因,即刪除重復(fù)的虛擬機;

    Step4:刪除重復(fù)虛擬機后,如有需要,根據(jù)適應(yīng)度調(diào)整染色體,這樣就可得到一個后代染色體;

    Step5:以同樣的交叉方法應(yīng)用到父染色體中,得到第二個后代。

    ⑦ 變異:選擇一個父個體,從中刪除一個虛擬機組,然后將刪除的虛擬機重新分配到各個物理機中,從而得到變異染色體。

    3 仿真實驗

    3.1 資源負載的特征聚類仿真

    試驗數(shù)據(jù)來自NASA數(shù)據(jù)中心,以10 min為間隔進行一次資源重新配置,統(tǒng)計每10 min內(nèi)數(shù)據(jù)中心的負載請求,并以過去3天的負載數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),預(yù)測接下來12個時間點(2 h)的資源負載。

    數(shù)據(jù)處理后,利用滑動窗口方法對負載數(shù)據(jù)進行負載特征提取,生成訓(xùn)練樣本。設(shè)窗口大小為1,每個窗口有12個數(shù)據(jù)點(2 h),如此3天共計36組訓(xùn)練樣本,每組包含12個輸入值和12個預(yù)測值。

    3.2 資源負載的預(yù)測算法仿真

    從NASA數(shù)據(jù)中心負載請求日志中可以統(tǒng)計出數(shù)據(jù)中心的負載序列,進行試驗驗證預(yù)測的有效性。本文以10 min為單位對數(shù)據(jù)中心的負載進行統(tǒng)計,并以2 h(即[d=12]個數(shù)據(jù)點)為一組數(shù)據(jù),并利用前3天的資源負載數(shù)據(jù)來預(yù)測接下來1 h(即[ε=6]個數(shù)據(jù)點)的云計算機資源負載,預(yù)測結(jié)果為判定節(jié)點低載或過載提供依據(jù),從而選出相應(yīng)的虛擬機遷移序列,為虛擬機實時配置決策提供支持。

    對于Elman神經(jīng)網(wǎng)絡(luò),d=win*ε,win表示一個窗口的大小,[ε]為輸出向量的維數(shù),[d]是輸入向量的維數(shù),win窗口的大小會對預(yù)測結(jié)果產(chǎn)生影響,因此需合理確定win的大小。根據(jù)試驗要求,調(diào)整win的大小,固定其他參數(shù)不變,計算出不同win值對應(yīng)的MSE,圖9給出了不同win值的預(yù)測結(jié)果,表2給出了不同win值預(yù)測結(jié)果的MSE值。

    從圖10中可以得到如下結(jié)論:

    (1) 當(dāng)聚類簇為1時表示沒有對負載特征進行聚類,即普通的BP和Elman算法,MSE誤差在5%左右,能達到較好水平;

    (2) 當(dāng)聚類個數(shù)為2,應(yīng)用基于負載相似度的預(yù)測算法,MSE誤差分別為0.7%和0.9%,達到了預(yù)期效果,證明了基于負載相似度算法的有效性;

    (3) 當(dāng)聚類個數(shù)為3,預(yù)測結(jié)果偏差在20%以上,這是因為過度聚類導(dǎo)致實際預(yù)測的樣本不足,從而導(dǎo)致較大偏差的出現(xiàn);

    (4) Elman算法的預(yù)測性能整體比BP好。

    3.3 資源的配置管理仿真

    本文選擇CloudSim作為仿真平臺。仿真實驗中分別模擬了50,100,200個物理節(jié)點三種規(guī)模進行實驗對比,每個物理節(jié)點裝備2個處理器,頻率為3 000 MIPS,1 Gb/s網(wǎng)絡(luò)帶寬,8 GB內(nèi)存,7 200轉(zhuǎn)512 GB硬盤。實驗中使用的虛擬機是單核的,每個虛擬機的配置根據(jù)需要動態(tài)分配資源。

    從中可以得出如下結(jié)論:

    (1) 以最少物理機使用個數(shù)為目標的配置策略可使物理機使用個數(shù)最少,但虛擬機遷移次數(shù)較高。

    (2) 以最少遷移次數(shù)為目標的配置策略可使虛擬機遷移次數(shù)最少,但物理機使用個數(shù)增多。

    (3) 基于混合分組的多目標遺傳算法配置策略的虛擬機遷移次數(shù)和物理機使用個數(shù)雖然都不是單個最優(yōu),但實現(xiàn)最優(yōu)權(quán)衡,服務(wù)級目標(SLA)違背率最低,并且使用相對較少的虛擬機遷移次數(shù)和較少的物理機個數(shù)。

    4 結(jié) 論

    本文提出了基于負載相似度的Elman神經(jīng)網(wǎng)絡(luò)負載預(yù)測算法和基于混合分組編碼的多目標遺傳算法的虛擬機資源管理策略。并在CloudSim及Matlab環(huán)境下分別完成了仿真實驗,證明了負載預(yù)測算法和資源管理策略的有效性。本文所提出的負載預(yù)測算法只考慮了過去3天時間內(nèi)的負載情況,屬于短期負載預(yù)測,對周度、月度等中長期負載預(yù)測還無法進行;提出的資源管理策略是以虛擬機為資源單位進行管理的,屬粗粒度資源管理,對細粒度資源管理還無法進行,還需進一步完善。

    參考文獻

    [1] SHIN D, AKKAN H. Domain?based virtualized resource ma?nagement in cloud computing [C]// Proceedings of 2010 6th International Conference on Collaborative Computing: Networ?king, Applications and Worksharing. Chicago: IEEE, 2010: 1?6.

    [2] KUPFERMAN J, SILVERMAN J, JARA P, et al. Scaling into the cloud [EB/OL]. [2009?08?12] http://cs.ucsb.edu/jkupferman/docs/scalingintothecloudsPDF.

    [3] 李強,郝汾沁,肖利民,等.云計算中虛擬機放置的自適應(yīng)管理與多目標優(yōu)化[J].計算機學(xué)報,2011,34(12):2253?2264.

    [4] CARON E, DESPREZ F, MURESAN A. Forecasting for grid and cloud computing on?demand resources based on pattern matching [C]// Proceedings of 2010 2nd IEEE International Conference on Cloud Computing Technology and Science. Indianapolis: IEEE, 2010: 456?463.

    [5] LI M K, CHEN M, XIE J. Cloud computing: a synthesis mo?dels for resource service management [C]// Proceedings of 2010 Second International Conference on Communication Systems, Networks and Applications. [S.l.]: IEEE, 2010: 208?211.

    [6] 朱振偉.氣象因素對電網(wǎng)負荷特性影響的研究[D].杭州:浙江大學(xué),2008.

    [7] 祁薇熹,李彬.多目標演化算法的進展研究[J].計算機與數(shù)字工程,2008,36(5):16?18.

    [8] 賴紅松,董品杰,祝國瑞.求解多目標規(guī)劃問題的Pareto多目標遺傳算法[J].系統(tǒng)工程,2003,21(5):24?28.

    [9] FALKENAUER E. A Hybrid grouping genetic alogrithm for bin packing [J]. Journal of heuristics, 1996, 2(1): 5?30.

    猜你喜歡
    云計算神經(jīng)網(wǎng)絡(luò)
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    志愿服務(wù)與“互聯(lián)網(wǎng)+”結(jié)合模式探究
    云計算與虛擬化
    基于云計算的移動學(xué)習(xí)平臺的設(shè)計
    實驗云:理論教學(xué)與實驗教學(xué)深度融合的助推器
    云計算中的存儲虛擬化技術(shù)應(yīng)用
    科技視界(2016年20期)2016-09-29 13:34:06
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    基于神經(jīng)網(wǎng)絡(luò)分數(shù)階控制的逆變電源
    国产欧美亚洲国产| svipshipincom国产片| 欧美乱码精品一区二区三区| 丝瓜视频免费看黄片| 91精品三级在线观看| 亚洲av国产av综合av卡| 国产日韩一区二区三区精品不卡| 激情视频va一区二区三区| 日韩视频在线欧美| 国产精品久久久久久人妻精品电影 | 热re99久久国产66热| 亚洲av综合色区一区| 国产精品久久久人人做人人爽| 精品免费久久久久久久清纯 | tube8黄色片| 精品久久久久久久毛片微露脸 | 精品视频人人做人人爽| 亚洲七黄色美女视频| 国产精品亚洲av一区麻豆| 91精品伊人久久大香线蕉| 国产一级毛片在线| 国产精品.久久久| 免费观看a级毛片全部| 欧美国产精品一级二级三级| 一二三四在线观看免费中文在| 日韩电影二区| 一级,二级,三级黄色视频| 国产男人的电影天堂91| 国产黄色视频一区二区在线观看| 国产91精品成人一区二区三区 | www.av在线官网国产| 如日韩欧美国产精品一区二区三区| 国产高清国产精品国产三级| 亚洲精品中文字幕在线视频| 老汉色av国产亚洲站长工具| 99热国产这里只有精品6| 看免费av毛片| 国产在线一区二区三区精| 成人亚洲精品一区在线观看| 首页视频小说图片口味搜索 | 日韩一本色道免费dvd| 大码成人一级视频| 狂野欧美激情性bbbbbb| 欧美黄色片欧美黄色片| 一区在线观看完整版| 黄片播放在线免费| 国产爽快片一区二区三区| 大香蕉久久网| 精品久久久久久电影网| 国产av国产精品国产| 悠悠久久av| 一二三四社区在线视频社区8| 国产精品偷伦视频观看了| 国产日韩一区二区三区精品不卡| 中文字幕亚洲精品专区| 成在线人永久免费视频| 91麻豆av在线| 又紧又爽又黄一区二区| 亚洲国产日韩一区二区| 免费在线观看黄色视频的| 中文字幕av电影在线播放| 亚洲国产成人一精品久久久| 亚洲人成77777在线视频| 日韩制服骚丝袜av| 一本大道久久a久久精品| 午夜福利视频在线观看免费| 母亲3免费完整高清在线观看| 免费久久久久久久精品成人欧美视频| 亚洲成人免费电影在线观看 | 精品卡一卡二卡四卡免费| 国产深夜福利视频在线观看| 波野结衣二区三区在线| 国产男人的电影天堂91| 国产亚洲av高清不卡| 午夜免费男女啪啪视频观看| 日本色播在线视频| 真人做人爱边吃奶动态| 韩国精品一区二区三区| 久久99一区二区三区| 一边亲一边摸免费视频| 啦啦啦啦在线视频资源| 亚洲av电影在线进入| av片东京热男人的天堂| 亚洲欧美中文字幕日韩二区| 亚洲av美国av| 国产一区二区在线观看av| 亚洲国产最新在线播放| 美女中出高潮动态图| 欧美在线一区亚洲| 久久久久久久久免费视频了| 丝瓜视频免费看黄片| 黑丝袜美女国产一区| 十分钟在线观看高清视频www| 亚洲欧美清纯卡通| 午夜免费男女啪啪视频观看| 99精品久久久久人妻精品| 在线观看免费高清a一片| 伊人久久大香线蕉亚洲五| 人人妻人人澡人人爽人人夜夜| 视频区图区小说| 99九九在线精品视频| 日本91视频免费播放| 国产成人精品久久久久久| 久久久国产一区二区| 久久久久国产精品人妻一区二区| 亚洲男人天堂网一区| 免费观看a级毛片全部| 99国产精品99久久久久| 精品国产一区二区三区四区第35| 国产精品成人在线| 天天躁日日躁夜夜躁夜夜| 搡老岳熟女国产| 美女大奶头黄色视频| av天堂久久9| 亚洲精品中文字幕在线视频| 美女脱内裤让男人舔精品视频| 精品久久蜜臀av无| 久久久精品区二区三区| 久久精品人人爽人人爽视色| 日韩av免费高清视频| 亚洲精品成人av观看孕妇| 人人妻人人爽人人添夜夜欢视频| 操出白浆在线播放| 国产老妇伦熟女老妇高清| 赤兔流量卡办理| 欧美成狂野欧美在线观看| 国产免费视频播放在线视频| 少妇精品久久久久久久| 亚洲av国产av综合av卡| 精品卡一卡二卡四卡免费| 亚洲欧美色中文字幕在线| 电影成人av| 久久久久久久久免费视频了| 日韩制服丝袜自拍偷拍| 男的添女的下面高潮视频| 久久午夜综合久久蜜桃| 丝瓜视频免费看黄片| 亚洲欧美精品自产自拍| 黄色a级毛片大全视频| 自线自在国产av| 欧美日韩亚洲综合一区二区三区_| 成人三级做爰电影| 999精品在线视频| 人人妻人人澡人人爽人人夜夜| 爱豆传媒免费全集在线观看| 亚洲欧美中文字幕日韩二区| 啦啦啦 在线观看视频| 七月丁香在线播放| 丰满饥渴人妻一区二区三| 岛国毛片在线播放| www.精华液| 超碰97精品在线观看| 成人亚洲精品一区在线观看| 久久久国产一区二区| 一区二区三区激情视频| 一级毛片黄色毛片免费观看视频| 亚洲,欧美精品.| av福利片在线| 热99国产精品久久久久久7| 蜜桃在线观看..| 免费在线观看黄色视频的| 一本综合久久免费| 午夜免费男女啪啪视频观看| 欧美日韩福利视频一区二区| netflix在线观看网站| 午夜影院在线不卡| 最黄视频免费看| 免费在线观看视频国产中文字幕亚洲 | 国产不卡av网站在线观看| 国产欧美日韩综合在线一区二区| 狂野欧美激情性bbbbbb| 精品国产一区二区三区久久久樱花| 国产成人欧美在线观看 | 国产成人一区二区三区免费视频网站 | 午夜福利视频在线观看免费| 波多野结衣一区麻豆| 无限看片的www在线观看| 1024香蕉在线观看| 国产精品人妻久久久影院| 国产精品国产三级国产专区5o| 日韩熟女老妇一区二区性免费视频| 亚洲国产欧美在线一区| 男人舔女人的私密视频| 亚洲人成电影观看| 老司机亚洲免费影院| 国产成人一区二区在线| 熟女少妇亚洲综合色aaa.| 欧美成人精品欧美一级黄| 少妇裸体淫交视频免费看高清 | 精品久久久精品久久久| 国产欧美日韩精品亚洲av| 狂野欧美激情性xxxx| 亚洲精品在线美女| 伊人亚洲综合成人网| 免费一级毛片在线播放高清视频 | e午夜精品久久久久久久| 国产精品免费视频内射| 国产有黄有色有爽视频| 丁香六月欧美| 欧美激情 高清一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 老司机在亚洲福利影院| 欧美日韩亚洲综合一区二区三区_| 欧美精品av麻豆av| 欧美97在线视频| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品第二区| 波野结衣二区三区在线| xxxhd国产人妻xxx| 亚洲精品一二三| 一级毛片 在线播放| 亚洲成人免费电影在线观看 | 一级黄片播放器| 老汉色av国产亚洲站长工具| 成人三级做爰电影| 亚洲伊人色综图| 亚洲av国产av综合av卡| 男人爽女人下面视频在线观看| 亚洲精品美女久久av网站| 午夜激情久久久久久久| 国产亚洲精品第一综合不卡| 免费观看a级毛片全部| 亚洲一区中文字幕在线| 久久中文字幕一级| 99国产精品99久久久久| 精品人妻熟女毛片av久久网站| 色综合欧美亚洲国产小说| 欧美日韩亚洲高清精品| 大香蕉久久成人网| 不卡av一区二区三区| 久久鲁丝午夜福利片| 国产精品免费大片| 亚洲欧美色中文字幕在线| 一区在线观看完整版| 手机成人av网站| 夫妻性生交免费视频一级片| 日日夜夜操网爽| 两个人免费观看高清视频| 亚洲伊人久久精品综合| 美女视频免费永久观看网站| 日韩大码丰满熟妇| 欧美日韩精品网址| 男女免费视频国产| 最近手机中文字幕大全| 波野结衣二区三区在线| 日日摸夜夜添夜夜爱| 久久毛片免费看一区二区三区| 一级毛片 在线播放| 亚洲精品中文字幕在线视频| 十八禁人妻一区二区| 无限看片的www在线观看| 精品少妇黑人巨大在线播放| 亚洲欧洲日产国产| 国产野战对白在线观看| 亚洲国产av新网站| 午夜精品国产一区二区电影| 久久久久久久久久久久大奶| 五月天丁香电影| 成人亚洲精品一区在线观看| av在线播放精品| 成人午夜精彩视频在线观看| 国产成人欧美在线观看 | 美女扒开内裤让男人捅视频| 国产精品麻豆人妻色哟哟久久| 欧美日韩一级在线毛片| 老汉色∧v一级毛片| 日韩人妻精品一区2区三区| 国产在视频线精品| 成人亚洲欧美一区二区av| 50天的宝宝边吃奶边哭怎么回事| 宅男免费午夜| 伦理电影免费视频| 国产av一区二区精品久久| 一本—道久久a久久精品蜜桃钙片| 老司机靠b影院| 永久免费av网站大全| 99久久99久久久精品蜜桃| 精品少妇黑人巨大在线播放| 9色porny在线观看| 久久亚洲国产成人精品v| 又粗又硬又长又爽又黄的视频| av线在线观看网站| 少妇人妻 视频| 超碰97精品在线观看| 久久免费观看电影| 2021少妇久久久久久久久久久| 视频区欧美日本亚洲| 青青草视频在线视频观看| 久久久精品免费免费高清| 狂野欧美激情性xxxx| 韩国精品一区二区三区| 女警被强在线播放| 亚洲专区中文字幕在线| 在线观看免费午夜福利视频| 久久久精品区二区三区| 一区二区三区精品91| a 毛片基地| 男女之事视频高清在线观看 | 捣出白浆h1v1| 一级毛片女人18水好多 | 久久精品国产综合久久久| 看免费成人av毛片| 亚洲 欧美一区二区三区| 亚洲,欧美精品.| 男女边吃奶边做爰视频| 两个人免费观看高清视频| 91麻豆av在线| 亚洲国产看品久久| 熟女少妇亚洲综合色aaa.| av在线老鸭窝| 一个人免费看片子| 精品一区二区三区四区五区乱码 | 欧美亚洲 丝袜 人妻 在线| 手机成人av网站| 成年美女黄网站色视频大全免费| 我要看黄色一级片免费的| 日韩熟女老妇一区二区性免费视频| 色视频在线一区二区三区| 亚洲视频免费观看视频| av天堂久久9| 精品人妻在线不人妻| 婷婷丁香在线五月| 男人添女人高潮全过程视频| 熟女少妇亚洲综合色aaa.| 一个人免费看片子| 日韩中文字幕视频在线看片| 亚洲欧美色中文字幕在线| 桃花免费在线播放| av在线老鸭窝| 国产男人的电影天堂91| 久久狼人影院| 男女边吃奶边做爰视频| 欧美变态另类bdsm刘玥| 欧美精品av麻豆av| 欧美激情 高清一区二区三区| 男女国产视频网站| 宅男免费午夜| 久久人人爽av亚洲精品天堂| 十八禁网站网址无遮挡| 久久99热这里只频精品6学生| 亚洲男人天堂网一区| 在线观看国产h片| 国产欧美日韩一区二区三 | 日日爽夜夜爽网站| 国产免费现黄频在线看| 午夜91福利影院| 久久国产精品大桥未久av| 中文字幕高清在线视频| 99精国产麻豆久久婷婷| 91九色精品人成在线观看| 老司机影院毛片| 午夜日韩欧美国产| 国产有黄有色有爽视频| 欧美国产精品va在线观看不卡| 国产亚洲精品久久久久5区| 一本综合久久免费| 亚洲国产精品一区二区三区在线| 曰老女人黄片| 色精品久久人妻99蜜桃| 亚洲熟女毛片儿| 亚洲精品久久久久久婷婷小说| 亚洲欧美日韩另类电影网站| 青草久久国产| 悠悠久久av| 69精品国产乱码久久久| 韩国精品一区二区三区| 一级毛片 在线播放| 涩涩av久久男人的天堂| 精品欧美一区二区三区在线| 午夜免费观看性视频| 男女边吃奶边做爰视频| 亚洲成人国产一区在线观看 | 夫妻性生交免费视频一级片| 午夜91福利影院| 美女脱内裤让男人舔精品视频| 一区二区三区乱码不卡18| 欧美日韩亚洲综合一区二区三区_| 91九色精品人成在线观看| 欧美日韩综合久久久久久| 天天躁日日躁夜夜躁夜夜| 丝袜美腿诱惑在线| 亚洲一区中文字幕在线| 这个男人来自地球电影免费观看| 韩国高清视频一区二区三区| av福利片在线| 国产日韩欧美亚洲二区| 中文精品一卡2卡3卡4更新| 日韩 欧美 亚洲 中文字幕| 日本猛色少妇xxxxx猛交久久| 一区二区日韩欧美中文字幕| 国产日韩一区二区三区精品不卡| 亚洲精品美女久久av网站| 国产1区2区3区精品| 90打野战视频偷拍视频| 欧美 亚洲 国产 日韩一| 在线看a的网站| 下体分泌物呈黄色| 欧美日韩成人在线一区二区| 国产高清视频在线播放一区 | 精品国产国语对白av| 人体艺术视频欧美日本| a级毛片黄视频| 天天躁夜夜躁狠狠久久av| 一级黄片播放器| 欧美精品一区二区免费开放| 自线自在国产av| 操美女的视频在线观看| 在线观看一区二区三区激情| 欧美国产精品一级二级三级| 国产精品二区激情视频| 午夜日韩欧美国产| 亚洲av日韩在线播放| 777久久人妻少妇嫩草av网站| 视频在线观看一区二区三区| 亚洲国产欧美日韩在线播放| 精品久久久久久电影网| 国产免费又黄又爽又色| 中文字幕最新亚洲高清| 在线天堂中文资源库| 丝袜美足系列| 最近最新中文字幕大全免费视频 | 久9热在线精品视频| 91字幕亚洲| 久久久久久亚洲精品国产蜜桃av| av欧美777| 在线观看国产h片| 精品人妻熟女毛片av久久网站| 免费一级毛片在线播放高清视频 | 一二三四社区在线视频社区8| 亚洲精品av麻豆狂野| 国产男女超爽视频在线观看| 亚洲一区中文字幕在线| 中文欧美无线码| 飞空精品影院首页| 亚洲免费av在线视频| 男女无遮挡免费网站观看| 国产视频首页在线观看| 啦啦啦 在线观看视频| 9191精品国产免费久久| 天天操日日干夜夜撸| 少妇 在线观看| 亚洲熟女精品中文字幕| 国产精品av久久久久免费| 亚洲国产最新在线播放| av网站免费在线观看视频| 亚洲精品第二区| 日本午夜av视频| 丰满饥渴人妻一区二区三| 日韩av在线免费看完整版不卡| 超碰97精品在线观看| 午夜老司机福利片| 涩涩av久久男人的天堂| svipshipincom国产片| 欧美人与善性xxx| 精品少妇内射三级| 美女脱内裤让男人舔精品视频| 亚洲午夜精品一区,二区,三区| 亚洲人成电影观看| www.自偷自拍.com| 大片电影免费在线观看免费| 亚洲,欧美,日韩| 丝袜美足系列| 亚洲av欧美aⅴ国产| 性色av一级| 久久这里只有精品19| 国产真人三级小视频在线观看| 中文字幕最新亚洲高清| 国产免费现黄频在线看| 老司机亚洲免费影院| 又大又爽又粗| 黑人巨大精品欧美一区二区蜜桃| 国产男人的电影天堂91| 欧美黑人欧美精品刺激| 女人爽到高潮嗷嗷叫在线视频| 欧美精品人与动牲交sv欧美| 欧美日韩黄片免| 视频区图区小说| 国产xxxxx性猛交| 两个人看的免费小视频| 国产av精品麻豆| 欧美精品亚洲一区二区| 精品国产乱码久久久久久小说| www.自偷自拍.com| 亚洲国产中文字幕在线视频| 亚洲精品美女久久av网站| 一本综合久久免费| 这个男人来自地球电影免费观看| 中文字幕亚洲精品专区| 大码成人一级视频| 欧美人与善性xxx| 91九色精品人成在线观看| 日韩人妻精品一区2区三区| 每晚都被弄得嗷嗷叫到高潮| 久久久久国产一级毛片高清牌| 熟女av电影| 99久久99久久久精品蜜桃| 欧美xxⅹ黑人| 天堂俺去俺来也www色官网| 欧美日韩福利视频一区二区| 日韩视频在线欧美| xxxhd国产人妻xxx| 亚洲欧美一区二区三区黑人| 精品国产超薄肉色丝袜足j| 亚洲国产av新网站| 欧美变态另类bdsm刘玥| 亚洲中文日韩欧美视频| 日韩av不卡免费在线播放| 久久久久久久国产电影| 两人在一起打扑克的视频| 欧美97在线视频| 黄色怎么调成土黄色| 久久久久国产精品人妻一区二区| 波多野结衣一区麻豆| 欧美精品高潮呻吟av久久| 两个人看的免费小视频| 精品国产一区二区三区久久久樱花| 97精品久久久久久久久久精品| bbb黄色大片| 精品一区二区三卡| av在线播放精品| 亚洲一码二码三码区别大吗| 欧美日韩亚洲高清精品| 日韩av免费高清视频| 19禁男女啪啪无遮挡网站| 亚洲精品日本国产第一区| 亚洲天堂av无毛| 欧美av亚洲av综合av国产av| 男女边吃奶边做爰视频| 午夜福利免费观看在线| 五月天丁香电影| 国产精品一国产av| 日本欧美视频一区| 欧美日韩视频高清一区二区三区二| 成人亚洲欧美一区二区av| 美女国产高潮福利片在线看| 麻豆国产av国片精品| 精品一区二区三卡| 免费一级毛片在线播放高清视频 | 日韩,欧美,国产一区二区三区| 欧美国产精品va在线观看不卡| 欧美日韩视频精品一区| 欧美在线黄色| 中文字幕av电影在线播放| 精品福利永久在线观看| 91字幕亚洲| 激情五月婷婷亚洲| 国产精品一区二区在线观看99| 水蜜桃什么品种好| 亚洲国产av新网站| 亚洲国产看品久久| 啦啦啦在线免费观看视频4| 欧美精品人与动牲交sv欧美| 韩国精品一区二区三区| 久久午夜综合久久蜜桃| 免费观看人在逋| 欧美亚洲日本最大视频资源| av又黄又爽大尺度在线免费看| 老汉色av国产亚洲站长工具| 在现免费观看毛片| 久久精品久久久久久噜噜老黄| 在线观看人妻少妇| 91老司机精品| 国产成人精品无人区| 狠狠精品人妻久久久久久综合| 免费av中文字幕在线| 黑丝袜美女国产一区| 激情视频va一区二区三区| 精品欧美一区二区三区在线| 国产在线免费精品| 亚洲欧美一区二区三区国产| 亚洲av成人精品一二三区| 巨乳人妻的诱惑在线观看| 黑人欧美特级aaaaaa片| 免费女性裸体啪啪无遮挡网站| 欧美成人精品欧美一级黄| 亚洲欧洲日产国产| 99国产综合亚洲精品| 国产精品久久久久久精品古装| 婷婷丁香在线五月| 欧美激情极品国产一区二区三区| 国产精品免费视频内射| 最新在线观看一区二区三区 | 中文字幕人妻熟女乱码| 国产av一区二区精品久久| 女人爽到高潮嗷嗷叫在线视频| 国产精品一国产av| 午夜免费观看性视频| 欧美乱码精品一区二区三区| 午夜av观看不卡| 久久亚洲精品不卡| 国语对白做爰xxxⅹ性视频网站| 欧美日韩视频精品一区| 精品人妻在线不人妻| 一区二区三区乱码不卡18| 波多野结衣一区麻豆| 久久久精品免费免费高清| 美国免费a级毛片| 欧美人与性动交α欧美精品济南到| 精品人妻在线不人妻| 午夜福利影视在线免费观看| 美女主播在线视频| 免费看不卡的av| 夜夜骑夜夜射夜夜干| 免费在线观看黄色视频的| a级片在线免费高清观看视频| 99国产精品一区二区三区| 亚洲欧洲国产日韩| 深夜精品福利| 水蜜桃什么品种好| 一本—道久久a久久精品蜜桃钙片| 啦啦啦 在线观看视频| 一边摸一边做爽爽视频免费| 啦啦啦在线观看免费高清www| 看十八女毛片水多多多| 久久精品久久久久久久性|