• <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 ?

    基于隨機森林的流量多特征提取與分類研究*

    2016-12-17 05:19:09韋澤鯤夏靖波張曉燕
    傳感器與微系統(tǒng) 2016年12期
    關鍵詞:網(wǎng)絡流量特征選擇決策樹

    韋澤鯤, 夏靖波, 張曉燕, 付 凱, 申 健

    (1.空軍工程大學 信息與導航學院,陜西 西安710077;2.廈門大學 嘉庚學院,福建 廈門 363105)

    ?

    基于隨機森林的流量多特征提取與分類研究*

    韋澤鯤1, 夏靖波2, 張曉燕1, 付 凱1, 申 健1

    (1.空軍工程大學 信息與導航學院,陜西 西安710077;2.廈門大學 嘉庚學院,福建 廈門 363105)

    網(wǎng)絡流量的多樣化和復雜化以及高實時性要求對流量識別技術帶來了巨大挑戰(zhàn),而通過基于機器學習的網(wǎng)絡流量分類中,流量統(tǒng)計特征選擇能夠快速準確對流量進行識別,具有重要的研究意義。隨機森林(RF)作為近年較熱門的灰盒算法,對當前的網(wǎng)絡流量具有較好的識別能力。通過隨機森林的節(jié)點選擇算法,對流量特征進行選擇,并結合物理意義進行優(yōu)化,進行多次特征提取。實驗結果表明:提出的算法在識別模型構建上性能更加優(yōu)越,耗費時間大大減小,同時準確度等指標得到提高。

    流量統(tǒng)計特征; 隨機森林; 灰盒模型; 特征提取

    0 引 言

    隨著網(wǎng)絡規(guī)模日益增大、5G等更高帶寬技術的高速發(fā)展、云計算與大數(shù)據(jù)的應用呈爆發(fā)式增長,同時高附加值業(yè)務與用戶行為的日趨復雜,尤其是移動終端和去中心化、異構網(wǎng)絡的普遍性,導致需要更加高效地進行網(wǎng)絡管理和數(shù)據(jù)流量控制。對網(wǎng)絡資源的有效分配利用,對用戶資源的分析引導,流量入侵檢測和網(wǎng)絡規(guī)劃架構,是當今網(wǎng)絡監(jiān)管和互聯(lián)網(wǎng)服務提供商(Internet service providers,ISPs)亟需處理的關鍵問題。

    流量分類則是對不同應用類型流量進行分類,保證解析出適合用戶群的業(yè)務模式,保證較高的服務質量(quality of service,QoS),為解決上述問題提供可靠的技術支持。通過采集流量的外部統(tǒng)計特征并應用機器學習算法分類是最常用的流量識別方法[1,2]。因此,機器學習流量分類技術是目前任何形式流量分類的主流技術。

    近10年來,流量分類技術幾近處于瓶頸階段。各種機器學習技術準確率皆到達90 %以上,甚至超過99 %,技術的創(chuàng)新遭遇到了前所未有的挑戰(zhàn)。Bernaille和Nguyen T提出采用網(wǎng)絡子流的統(tǒng)計特征作為流量分類的研究對象,不僅克服網(wǎng)絡應用的規(guī)避檢測技術,大大提高分類的準確性,同時滿足實時性的要求。柏駿、夏靖波等人[2]詳細綜述2006年~2012年國內外實時流量分類識別技術,提出以準確性與實時性作為兩大指標,對流量分類方法進行研究的評價指標。Kalaiselvi T和Shanmugaraja P[3]結合機器學習中的有監(jiān)督和無監(jiān)督分類算法,提出了一種C4.5與k-means混合算法,且選取了極少量的流統(tǒng)計特征數(shù)據(jù),并實驗得到了較高的準確率。李平紅、王勇等人[4]針對未識別流量,提出了一種基于成對約束擴展的半監(jiān)督特征選擇方法,該算法在較少成對約束條件下得到了更好的分類性能。文獻[5]的特征提取實驗,法國De Lorraine大學的Jerome Francois分析客戶端向服務器發(fā)送通信數(shù)據(jù)的業(yè)務節(jié)點接口(service node interface,SNI)擴展碼,提出多級框架去識別HTTPS服務的流量,必將識別的特征數(shù)量大大減少,實時流識別準確率高達93.10 %。

    1 流量特征分類技術

    在IP網(wǎng)絡中,網(wǎng)絡流量定義為源和目的計算機之間基于特定端口(如傳輸控制協(xié)議(transmission control protocol,TCP),用戶數(shù)據(jù)報協(xié)議(user datagram protocol,UDP),互聯(lián)網(wǎng)控制報文協(xié)議(Internet control message protocol,ICMP)等)的一個或者多個數(shù)據(jù)包。這些數(shù)據(jù)包中存在流的五元組信息〈源IP地址,源端口,目的IP,目的端口,傳輸層協(xié)議〉[6],相同流的五元組信息是相同的。

    基于機器學習的流量分類方法是近年來熱門的研究領域,流量分類模型可表述為:f:X→T,X={X1,X2,…,Xm}為類型未知的網(wǎng)絡流集合,T={T1,T2,…,Tn}為已知網(wǎng)絡流集合,f為特定的機器學習算法,如何通過特定的算法對普遍或特殊流量問題進行分類,是該領域研究的重點[7]。主要有有監(jiān)督的機器學習和無監(jiān)督的機器學習[7,8]構成;有監(jiān)督的分類方法是將N-分類問題轉化為N個二分類問題,即為每種流量類型單獨訓練一個分類模型,常見的有樸素貝葉斯Naive Bayes,支持向量機(support vector machine,SVM)和決策樹算法。無監(jiān)督的分類方法則無需考慮單獨處理每個流量類型,常見的如聚類k-means聚類算法等。結合文獻[6~8,10]本文中用于特征選擇的物理特征如表1。

    表1 常用流量識別特征

    2 隨機森林算法

    隨機森林(random forest,RF)[11]是由一系列決策樹{h(X,Θk),k=1,2,…,K}所組成,其中{Θk}是服從獨立分布的隨機向量,k為決策樹的個數(shù)。訓練數(shù)據(jù)集被隨機指派到多種決策樹上獨立處理,且每一個節(jié)點上的優(yōu)化策略是一致的。這些樹得出判決或預測值后停止生長,所有樹的結果將歸入一個集合,并根據(jù)最多數(shù)的判決計算出最終結果。RF產生的最終分類決策為

    (1)

    式中 H(x)為組合模型,hi為單個決策樹分類模型,Y為目標變量。

    近年來,我國應用型本科院校發(fā)展取得了一些成績。在教育部的指導下,以應用技術大學為辦學定位的地方本科院校發(fā)起并成立了應用技術大學(學院)聯(lián)盟。截止到2018年6月,已有172所高校加入了該聯(lián)盟。

    就屬性特征而言,特征的選擇因樹的不同而不同,因而產生的樹更具有普遍性,RF因此能夠平衡一些屬性權重帶來的偏差或者誤差。當樹的數(shù)量變得龐大時,帶有缺失或者統(tǒng)計錯誤的屬性數(shù)據(jù)就會聚合,因此,對于噪聲,RF具有魯棒性。

    RF模型具有很好的收斂性,通過余量函數(shù)(marginfunction)定量地描述

    (2)

    余量函數(shù)表示平均正確分類數(shù)超過平均錯誤分類數(shù)的程度,mg(X,Y)越大,分類的準確性就越高。由余量函數(shù)可推得泛化誤差,公式為

    PE*=Px,y,mg(X,Y)<0

    (3)

    3 實驗與驗證

    3.1 流量特征的選取

    特征選擇是指從原始特征集中提取出一個特征子集,使得此特征集在特定的分類評價標準下達到最優(yōu)。目前較多的特征選擇方法為過濾方法和包裝方法[12]。在本實驗中,采用的是RF灰盒算法和人工選取的方法,在不斷迭代的RF算法中,利用RF算法的變量重要性度量對特征進行排序,并尋找較大影響因子的葉子節(jié)點給予保留,多次迭代進行比較,目的剔除掉流量數(shù)據(jù)中無關的、冗余的特征,最終得到高準確率,低時間消耗的特征選擇結果。迭代公式:Xt=Dt-1αT(Xt∈Rm×k,Dt-1∈Rm×n,α∈Rn×k),其中,Xt為第t次迭代的生成k維數(shù)據(jù)集,D0為原始數(shù)據(jù)集,Dt-1為第t-1次迭代的數(shù)據(jù)集(t≥1)。αT為迭代矩陣(α中只有0和1),且每迭代一次,迭代矩陣會發(fā)生變化。

    在決策樹中,無論對于連續(xù)或非連續(xù)變量,分裂屬性節(jié)點的選擇直接影響到?jīng)Q策樹分類和預測的性能。常用的決策樹中,C4.5的信息增益率,分類回歸樹(classification and regression tree,CART)的Gini純度指標,都有較好的性能。RF作為一個多種決策樹分類器集成的模型,集成了多種分裂與剪枝模型。

    實驗中將采用Gin指標和信息增益率對訓練數(shù)據(jù)集進行屬性篩選,對特征的選取提供理論依據(jù)和可選擇方案。Gini指標相關公式如下

    (4)

    (5)

    信息增益率相關公式如下

    (6)

    分裂信息熵為

    (7)

    信息增益率為

    (8)

    Gain(An)=Entropy(S)-Entropy(SA)

    (9)

    特征選擇流程圖如圖1所示 。

    圖1 流量多特征選擇模型流程圖Fig 1 Flow chart of flow multi-feature selection model

    3.2 數(shù)據(jù)集

    倫敦瑪麗女王大學(Queen Mary,University of London)的Moore A等人[13]于2003年從1 000個與互聯(lián)網(wǎng)相連的校園網(wǎng)用戶上,以24 h為一個采集周期,采集了10個時段的10個TCP流量數(shù)據(jù),對流數(shù)據(jù)的持續(xù)時間、分組大小、時間間隔、往返時延等的數(shù)學統(tǒng)計特征(包括最大、最小、平均大小、方差等度量)以及標志位字段、端口號等做了詳細的記錄。

    Moore_Set總共包含377 526個網(wǎng)絡流量樣本,每條TCP雙向數(shù)據(jù)流都是以完整的三次握手同步—確認字段(synchronous-acknowledge character,SYN-ACK)開始,以結束—確認字段(finished-acknowledge charater,FIN-ACK)結束,并抽象得到249項屬性,且最后一項為目標流量的類別,詳細描述可參考文獻[13]。

    3.3 實驗結果分析

    在實驗中,工具采用新西蘭懷卡托大學的Weka—3.7.13,實驗主機為CPU為Inter i5—3470,主頻為3.20G Hz和3.19 GHz,內存為3.48GB的搭載winXP系統(tǒng)的PC主機。本文的實驗研究對象為Moore_Set的前4個數(shù)據(jù)集,即Moore_Set 1~4總共93 881個樣本,在不進行任何特征選擇的情況下,采用RF對其進行分類,袋外誤差為0.003 6,準確率為99.658 1 %,平均建模時間為128.38 s。

    本文選取Gain Ratio Attribute Eval(GRAE)和Info Gain Attribute Eval(IGAE)兩種評估器對流量進行第一次選擇排序,即RF決策樹的分裂點選擇法則[14],并且閾值T=22,選取特征排序后結果如表2。

    表2 第一次特征選取

    經(jīng)過選取特征集按照排序依次遞減,得出的正確率如圖2所示。實驗中,通過上述兩種方式,依次將特征值按照特征排序,不斷提高閾值,刪除掉后幾項,分別得到特征值數(shù)目為22,18,12,9,6的五種情況。IGAE算法中,準確率最高99.742 2 %,最低99.730 5 %;GRAE算法中,準確率在99.651 7 %~99.477 %,兩種算法準確率都比特征選擇前的99.658 1 %高,而整體IGAE算法比GRAE算法準確率高。隨著特征數(shù)目的減少, IGAE算法準確率沒有太大變化,甚至出現(xiàn)升高的情況,而GRAE算法的準確率雖逐漸小幅度降低,但也出現(xiàn)了不降反升的現(xiàn)象(如9特征和6特征時)。由此說明,當剔除冗余分類特征后,準確率不僅不會減小,反而保持不變甚至提高。對比這兩種算法,選取IGAE+Rank的特征排序方法。不同特征數(shù)目時RF建模消耗時間對比如圖3所示。

    圖2 兩種特征選取算法準確率對比圖Fig 2 Comparison of accuracy of two algorithms on feature selection

    圖3 RF建模時間消耗對比圖Fig 3 Comparison of modeling time consumption of RF

    重新改變閾值 ,結合上文常用于特征選擇的物理特征與文獻[15],引入{8,43,44,47,48,91,93,94,95,96,109,110,119,120,213,227,230}具有物理意義的特征屬性,其中8:Client Port;43,44:total_packets;47,48:pure_acks_sent;91,93,94,95,96:mss_requested和segm_size;109,110:initial_window-packets;119,120:data_xmit_time;213:inter-arrival time;227,230:bulk。結合之前的排序,總結出26個特征屬性{4,8,43,44,47,48,91,93,94,95,96,98,107,108,109,110,119,120,193,198,200,201,213,227,230}。經(jīng)過不斷剔除物理屬性相近的值,并不斷迭代RF分類器,得出如圖4的準確率變化圖。

    圖4 不同特征準確率對比Fig 4 Comparison of different characteristic accuracy

    圖4中,同一橫坐標下,造成不同準確率的關鍵原因在于剔除特征屬性的不同。經(jīng)過不斷比較迭代,最終確定了7個特征屬性值:{4,8,98,107,193,198,200},在該數(shù)據(jù)集下,準確率到達了99.780 6 %。

    將數(shù)據(jù)集重新選取特征,采用優(yōu)先搜索+基于相關性的特征選擇(best first+correlation-based feature selection,BF+CFS)算法對數(shù)據(jù)子集分別進行特征選擇,并對生成的特征集進行二次特征選擇;采用分治投票(divide-conquer and voting,DV )[16]算法進行分治投票選擇,可得出表3,下文中本實驗的特征子集提取算法用RF排序(RF+rank)表示。

    采用以上不同算法提取出的特征子集對Moore_set1~4

    表3 不同算法提取的特征子集比較

    數(shù)據(jù)集進行識別,評估驗證采用十折交叉方法對數(shù)據(jù)進行交叉驗證,每次實驗重復10次,實驗結果取10次重復實驗的平均值,并比較Accuracy,Precision,Recall,F-Measure 4個指標。

    圖5 不同特征提取模型性能指標比較Fig 5 Comparison of performance indexes of different feature extraction models

    通過對圖5的結果分析可知,經(jīng)過RF模型的識別,不同特征算法表現(xiàn)各異,總體上BF+CFS,DV與RF+Rank算法在度量指標上差距較小,RF+Fank的指標性能最好,在準確率上,比BF+CFS與DV分別提高了0.132 1 %,0.063 9 %。由于RF的算法的優(yōu)異分類特性,三種算法各自的Precision,Recall和F-Measure三項指標相同,RF+Rank比BF+CFS和DV分別提高0.2 %和0.1 %。因此說明本實驗選取的流量特征子集更優(yōu)越。通過與原始數(shù)據(jù)分類整體準確率99.658 1 %的對比,本實驗的算法為99.780 6 %,總體提高0.122 5 %,且時間上由128.38 s降低為34.63 s,耗費時間大大降低,減少了73 %。盡管準確率提高幅度不大,但是在當今準確率趨于99 %,甚至更高的分類模型下,性能指標的微小提升,對于海量數(shù)據(jù)來說也是大的進步。

    上述實驗都是基于RF進行流量分類的,圖6通過對比4種分類器的性能:SVM,NaiveBayes,C4.5決策樹,RF,結果決策樹類分類器明顯優(yōu)于SVM和NaiveBayes,其中SVM準確率、精確率等指標最低,在決策樹類中,RF略微優(yōu)于C4.5算法。

    圖6 不同分類模型性能指標比較Fig 6 Comparison of performance indexes of different classification models

    4 結束語

    經(jīng)過實驗驗證,本文提出的RF+Rank迭代算法,通過RF模型的分類,在消耗時間上比原始數(shù)據(jù)集減少了73 %,整體分類準確率增加了0.122 5 %,且特征選擇算法性能指標優(yōu)于其它同類算法,RF模型也優(yōu)于其它識別分類模型。未來工作重點將在實時性上,對實時流量數(shù)據(jù)進行分類;同時針對有較大比例不屬于已知類的異常的數(shù)據(jù)集,將改進流量預處理準則,如通過Hellinger距離排除掉異常數(shù)據(jù)。隨著網(wǎng)絡規(guī)模日益增大、云計算與大數(shù)據(jù)的普及,本文提出的特征選擇算法將使得云計算技術和數(shù)據(jù)中心網(wǎng)絡在現(xiàn)有大規(guī)模流量識別中發(fā)揮重要作用,提升網(wǎng)絡管理效率和服務質量,具有較高的理論研究與實際應用價值。

    [1] Ding L,Yu F,Peng S,et al.A classification algorithm for network traffic based on improved support vector machine[J].Journal of Computer,2013,8(4):1090-1096.

    [2] 柏 駿,夏靖波,吳吉祥,等.實時網(wǎng)絡流量分類研究綜述[J].計算機科學,2013,40(9):8-15.

    [3] Kalaiselvi T,Shanmugaraja P.Hybrid alforithm for the classification of traffic flows[J].International Journal of Emerging Technology in Computer Science & Electronics (IJETCSE),2016,21(2): 340-343.

    [4] 李平紅,王 勇,陶曉玲.基于成對約束擴展的半監(jiān)督網(wǎng)絡流量特征選擇算法[J].傳感器與微系統(tǒng),2013,32(5):146-149.

    [5] de Donato W,Pescape A,Dainotti A.Traffic identification engine:

    An open platform for traffic classification[J].Network,IEEE,2014,28(2):56-64.

    [6] 朱文波.流統(tǒng)計特征在網(wǎng)絡流量分類中的應用研究[D].杭州:杭州電子科技大學,2015.

    [7] 王怡萱.網(wǎng)絡流量分類方法研究及流量特征分析[D].北京:北京郵電大學,2013.

    [8] 周劍峰,陽愛民,劉吉財.基于改進的C4.5算法的網(wǎng)絡流量分類方法[J].計算機工程與應用,2012,48(5):71-74.

    [9] 陳中杰,蔣 剛,蔡 勇.基于SVM一對一多分類算法的二次細分法研究[J].傳感器與微系統(tǒng),2013,32(4):44-47.

    [10] 趙樹鵬,陳貞翔,彭立志.基于流中前5個包的在線流量分類特征[J].濟南大學學報:自然科學版,2012,26(2):156-160.

    [11] 張 建,武東英,劉慧生.基于隨機森林的流量分類方法[J].信息工程大學學報,2012,13(5):621-625.

    [12] 侯大軍,朱偉興.基于改進粒子群算法的最優(yōu)特征子集研究[J].傳感器與微系統(tǒng),2010,29(9):64-66.

    [13] Moore A,Zue V ,Crogan M.Discriminators for use in flow-based classification[D].London:Queen Mary and Westfield College,2005.

    [14] 姚登舉,楊 靜,詹曉娟.基于隨機森林的特征選擇算法[J].吉林大學學報:工學版,2014,44(1):137-141.

    [15] 葉春明,王 珍,陳 思,等.基于節(jié)點行為特征分析的網(wǎng)絡分類方法[J].電子與信息學報,2014,36(9):2158-2165.

    [16] 高 文,錢亞冠,吳春明.網(wǎng)絡流量特征選擇方法中的分治投票策略研究[J].電子學報,2015,43(4):795-799.

    Research on traffic multi-feature extraction and classification based on random forest*

    WEI Ze-kun1, XIA Jing-bo2, ZHANG Xiao-yan1, FU Kai1, SHEN Jian1

    (1.College of Information and Navigation,Air Force Engineering University,Xi’an,710077,China;2.Tan Kah Kee College,Xiamen University,Xiamen 363105,China)

    Diversity and complexity of network traffic and the high real-time requirement has brought great challenges,meanwhile by the network traffic classification based on machine learning ,the selection of flow statistics feature can quickly and accurately identify traffic,which is of great significance.As a gray box model,random forest(RF) is popular in recent years,which has good recognition ability of the current network traffic.By the algorithm of RF node selection,flow characteristics are selected,and combined with the physical significance to carry out optimization and a number of feature extraction.Experimental results show that the proposed algorithm is superior to the model construction,time-consumption is greatly reduced,meanwhile the accuracy is improved.

    traffic statistic feature; random forest(RF); gray box model; feature extraction

    10.13873/J.1000—9787(2016)12—0055—05

    2016—10—08

    陜西省科技計劃基金資助重點項目(2012JZ8005); 航空科學基金資助項目(20141996018)

    TP 393

    A

    1000—9787(2016)12—0055—05

    韋澤鯤(1992-),男,陜西西安人,碩士研究生,主要研究方向為大數(shù)據(jù)挖掘和網(wǎng)絡態(tài)勢感知。

    猜你喜歡
    網(wǎng)絡流量特征選擇決策樹
    基于多元高斯分布的網(wǎng)絡流量異常識別方法
    基于神經(jīng)網(wǎng)絡的P2P流量識別方法
    一種針對不均衡數(shù)據(jù)集的SVM決策樹算法
    決策樹和隨機森林方法在管理決策中的應用
    電子制作(2018年16期)2018-09-26 03:27:06
    AVB網(wǎng)絡流量整形幀模型端到端延遲計算
    Kmeans 應用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    基于決策樹的出租車乘客出行目的識別
    聯(lián)合互信息水下目標特征選擇算法
    基于肺癌CT的決策樹模型在肺癌診斷中的應用
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    日韩 亚洲 欧美在线| 高清在线国产一区| 丁香六月欧美| 亚洲国产成人一精品久久久| 在线观看免费视频网站a站| 国产亚洲欧美在线一区二区| 欧美日韩视频精品一区| 久久综合国产亚洲精品| 999久久久精品免费观看国产| 国产在线观看jvid| 午夜福利在线免费观看网站| 国产极品粉嫩免费观看在线| 久久国产亚洲av麻豆专区| 妹子高潮喷水视频| 国产精品香港三级国产av潘金莲| 最近最新中文字幕大全免费视频| 中文精品一卡2卡3卡4更新| 国产无遮挡羞羞视频在线观看| 欧美亚洲日本最大视频资源| 捣出白浆h1v1| 别揉我奶头~嗯~啊~动态视频 | 精品一品国产午夜福利视频| 交换朋友夫妻互换小说| 国产亚洲午夜精品一区二区久久| 一边摸一边抽搐一进一出视频| 国产亚洲av片在线观看秒播厂| 精品少妇黑人巨大在线播放| 午夜精品久久久久久毛片777| 男女高潮啪啪啪动态图| 久久人人爽人人片av| 男人添女人高潮全过程视频| 亚洲av欧美aⅴ国产| 午夜激情久久久久久久| 亚洲午夜精品一区,二区,三区| 国产精品麻豆人妻色哟哟久久| 午夜福利免费观看在线| 老司机午夜十八禁免费视频| 女人爽到高潮嗷嗷叫在线视频| 亚洲 国产 在线| 91精品三级在线观看| 免费看十八禁软件| 精品一区在线观看国产| 国产亚洲一区二区精品| 亚洲第一青青草原| 久久久久久久久久久久大奶| 2018国产大陆天天弄谢| av国产精品久久久久影院| xxxhd国产人妻xxx| 久久精品成人免费网站| 日韩视频一区二区在线观看| 男女边摸边吃奶| 麻豆国产av国片精品| 女警被强在线播放| 日韩中文字幕视频在线看片| 桃花免费在线播放| 正在播放国产对白刺激| 欧美国产精品一级二级三级| 亚洲欧洲精品一区二区精品久久久| 菩萨蛮人人尽说江南好唐韦庄| 精品国产乱码久久久久久小说| 国产av又大| 日韩制服骚丝袜av| 国产黄色免费在线视频| 18在线观看网站| 交换朋友夫妻互换小说| 国产黄色免费在线视频| 成人三级做爰电影| 一级毛片电影观看| 啦啦啦啦在线视频资源| 美女高潮到喷水免费观看| av福利片在线| 无限看片的www在线观看| 91成人精品电影| 99精国产麻豆久久婷婷| 国产区一区二久久| 欧美激情久久久久久爽电影 | 久久毛片免费看一区二区三区| 母亲3免费完整高清在线观看| 久久久国产一区二区| 亚洲午夜精品一区,二区,三区| 男女无遮挡免费网站观看| 最近最新中文字幕大全免费视频| 免费av中文字幕在线| 亚洲精品成人av观看孕妇| 欧美变态另类bdsm刘玥| 亚洲美女黄色视频免费看| 看免费av毛片| 99久久人妻综合| 日韩视频一区二区在线观看| 法律面前人人平等表现在哪些方面 | 国产深夜福利视频在线观看| 精品国产一区二区三区久久久樱花| 色婷婷av一区二区三区视频| 久久久久网色| 亚洲成人国产一区在线观看| 一区二区三区精品91| 亚洲情色 制服丝袜| 国产精品免费视频内射| www.av在线官网国产| 精品熟女少妇八av免费久了| 精品卡一卡二卡四卡免费| 99国产极品粉嫩在线观看| 天天添夜夜摸| 精品久久蜜臀av无| 久久人人爽人人片av| 人人妻人人爽人人添夜夜欢视频| 三级毛片av免费| 欧美日韩国产mv在线观看视频| 91成人精品电影| 国产福利在线免费观看视频| 成人影院久久| 伊人久久大香线蕉亚洲五| 一个人免费在线观看的高清视频 | 少妇粗大呻吟视频| 俄罗斯特黄特色一大片| 久久久久视频综合| 真人做人爱边吃奶动态| 欧美日韩国产mv在线观看视频| 欧美日韩亚洲综合一区二区三区_| 人人妻人人澡人人爽人人夜夜| 成人黄色视频免费在线看| 精品一区在线观看国产| 两性午夜刺激爽爽歪歪视频在线观看 | 香蕉丝袜av| 麻豆国产av国片精品| e午夜精品久久久久久久| 老司机午夜福利在线观看视频 | 国产黄色免费在线视频| 99精品久久久久人妻精品| 国产野战对白在线观看| 丝袜脚勾引网站| 欧美精品啪啪一区二区三区 | 久久久久精品人妻al黑| 大陆偷拍与自拍| 男女免费视频国产| 成年人黄色毛片网站| 成人国产av品久久久| e午夜精品久久久久久久| 中国国产av一级| 精品卡一卡二卡四卡免费| 男女午夜视频在线观看| 久久精品国产亚洲av高清一级| 男女边摸边吃奶| 制服人妻中文乱码| 亚洲精品成人av观看孕妇| 国产淫语在线视频| 十八禁人妻一区二区| 亚洲精品久久午夜乱码| 丝袜喷水一区| 两性夫妻黄色片| 国产成人免费无遮挡视频| 亚洲少妇的诱惑av| 精品福利永久在线观看| 国产日韩一区二区三区精品不卡| av在线老鸭窝| 青草久久国产| 久久国产亚洲av麻豆专区| 国产精品久久久av美女十八| 最新的欧美精品一区二区| 精品国产乱子伦一区二区三区 | av网站在线播放免费| 日韩中文字幕欧美一区二区| 国产av精品麻豆| 人妻久久中文字幕网| 亚洲精品第二区| 十八禁网站免费在线| e午夜精品久久久久久久| 国产精品一区二区精品视频观看| 99re6热这里在线精品视频| 亚洲欧美成人综合另类久久久| 久久精品国产综合久久久| 欧美97在线视频| 国产色视频综合| 99国产精品99久久久久| av在线老鸭窝| 黄色视频,在线免费观看| 亚洲国产av新网站| 一本久久精品| 午夜免费成人在线视频| 亚洲性夜色夜夜综合| 欧美日韩一级在线毛片| 美女福利国产在线| 嫩草影视91久久| 日本黄色日本黄色录像| 制服诱惑二区| 欧美日韩亚洲国产一区二区在线观看 | 丰满人妻熟妇乱又伦精品不卡| 中文字幕高清在线视频| a 毛片基地| 激情视频va一区二区三区| 成人国产一区最新在线观看| 亚洲视频免费观看视频| 香蕉丝袜av| 精品熟女少妇八av免费久了| 搡老乐熟女国产| 亚洲国产欧美网| 好男人电影高清在线观看| 国产欧美亚洲国产| 国产成人啪精品午夜网站| 亚洲国产成人一精品久久久| 少妇裸体淫交视频免费看高清 | 国产成人欧美| www.999成人在线观看| 中国美女看黄片| 国产男人的电影天堂91| 97精品久久久久久久久久精品| 他把我摸到了高潮在线观看 | av有码第一页| 国产亚洲精品久久久久5区| 电影成人av| 性少妇av在线| av电影中文网址| 国产亚洲一区二区精品| 在线观看免费视频网站a站| 国产精品九九99| 欧美成狂野欧美在线观看| 国产亚洲午夜精品一区二区久久| 一区二区三区乱码不卡18| av免费在线观看网站| 欧美精品高潮呻吟av久久| 日本黄色日本黄色录像| 十八禁人妻一区二区| 精品第一国产精品| 天天影视国产精品| 国产国语露脸激情在线看| 丝袜脚勾引网站| 国产免费现黄频在线看| 两个人看的免费小视频| 日韩视频在线欧美| 波多野结衣一区麻豆| 两性午夜刺激爽爽歪歪视频在线观看 | av福利片在线| 一区二区三区激情视频| 伊人亚洲综合成人网| 高潮久久久久久久久久久不卡| 18禁观看日本| 超色免费av| 亚洲av成人一区二区三| 欧美日本中文国产一区发布| 高清在线国产一区| videos熟女内射| 黄片大片在线免费观看| a 毛片基地| 老司机影院毛片| 久久ye,这里只有精品| 午夜福利视频在线观看免费| 一进一出抽搐动态| 不卡一级毛片| 啪啪无遮挡十八禁网站| av电影中文网址| 亚洲精品国产一区二区精华液| 老司机靠b影院| 永久免费av网站大全| 啦啦啦在线免费观看视频4| av视频免费观看在线观看| av片东京热男人的天堂| 每晚都被弄得嗷嗷叫到高潮| 汤姆久久久久久久影院中文字幕| 天天躁日日躁夜夜躁夜夜| a级片在线免费高清观看视频| 久久久久久亚洲精品国产蜜桃av| 在线观看www视频免费| 欧美xxⅹ黑人| 一本久久精品| 在线天堂中文资源库| 男女高潮啪啪啪动态图| 日韩电影二区| 成人国语在线视频| 激情视频va一区二区三区| 永久免费av网站大全| 精品国产国语对白av| 日韩欧美一区二区三区在线观看 | 精品人妻在线不人妻| 两人在一起打扑克的视频| 999精品在线视频| 大型av网站在线播放| 美女福利国产在线| 亚洲国产日韩一区二区| 丰满迷人的少妇在线观看| 精品视频人人做人人爽| 两人在一起打扑克的视频| 女人被躁到高潮嗷嗷叫费观| 国产av又大| 久久久久国产精品人妻一区二区| 亚洲av欧美aⅴ国产| 美国免费a级毛片| 十八禁网站网址无遮挡| 淫妇啪啪啪对白视频 | e午夜精品久久久久久久| 12—13女人毛片做爰片一| 日韩人妻精品一区2区三区| 丰满少妇做爰视频| 久久国产精品大桥未久av| xxxhd国产人妻xxx| 99国产精品免费福利视频| av一本久久久久| 欧美av亚洲av综合av国产av| 国产精品亚洲av一区麻豆| 老司机靠b影院| 纵有疾风起免费观看全集完整版| 伦理电影免费视频| 一二三四在线观看免费中文在| 80岁老熟妇乱子伦牲交| 1024视频免费在线观看| av天堂久久9| 在线观看www视频免费| 女性生殖器流出的白浆| 亚洲色图综合在线观看| 亚洲成av片中文字幕在线观看| 日本猛色少妇xxxxx猛交久久| 国产深夜福利视频在线观看| 国产av又大| 亚洲专区字幕在线| 欧美黑人精品巨大| 视频区图区小说| 国产免费一区二区三区四区乱码| 国产精品香港三级国产av潘金莲| 亚洲一码二码三码区别大吗| 黑人猛操日本美女一级片| 中文字幕制服av| 免费人妻精品一区二区三区视频| 久久国产精品影院| 亚洲av国产av综合av卡| 一二三四在线观看免费中文在| 男女免费视频国产| 成年人午夜在线观看视频| 少妇裸体淫交视频免费看高清 | 搡老岳熟女国产| 国产欧美日韩综合在线一区二区| 老司机亚洲免费影院| 男女午夜视频在线观看| 欧美日韩黄片免| 日韩欧美一区视频在线观看| 大香蕉久久成人网| 91精品国产国语对白视频| 免费黄频网站在线观看国产| 考比视频在线观看| 国产精品成人在线| 亚洲成人手机| 他把我摸到了高潮在线观看 | 国产伦人伦偷精品视频| 精品熟女少妇八av免费久了| 啦啦啦视频在线资源免费观看| 自线自在国产av| 免费女性裸体啪啪无遮挡网站| 男女国产视频网站| 国产一级毛片在线| 精品久久久久久久毛片微露脸 | 欧美国产精品va在线观看不卡| 久久亚洲精品不卡| 成人黄色视频免费在线看| 国产成人av激情在线播放| 好男人电影高清在线观看| 精品免费久久久久久久清纯 | 黄色 视频免费看| av视频免费观看在线观看| 久久九九热精品免费| 久久久精品94久久精品| 亚洲精品乱久久久久久| 夫妻午夜视频| 女性被躁到高潮视频| 国产91精品成人一区二区三区 | 制服诱惑二区| 黄色毛片三级朝国网站| www.自偷自拍.com| 免费观看人在逋| 久久久国产一区二区| 欧美性长视频在线观看| 青春草视频在线免费观看| 欧美日韩一级在线毛片| 欧美日韩精品网址| 日韩熟女老妇一区二区性免费视频| 黑人欧美特级aaaaaa片| 日本欧美视频一区| 亚洲美女黄色视频免费看| 丰满饥渴人妻一区二区三| 纵有疾风起免费观看全集完整版| 一二三四在线观看免费中文在| 中亚洲国语对白在线视频| 国产精品久久久久久精品电影小说| 肉色欧美久久久久久久蜜桃| 岛国在线观看网站| 人成视频在线观看免费观看| 亚洲精品第二区| 亚洲精品久久久久久婷婷小说| 国产日韩欧美视频二区| 国产精品.久久久| 欧美日韩一级在线毛片| 亚洲精品中文字幕一二三四区 | xxxhd国产人妻xxx| 黑人操中国人逼视频| 搡老乐熟女国产| 日本av手机在线免费观看| 久热爱精品视频在线9| 考比视频在线观看| 亚洲七黄色美女视频| 91大片在线观看| 少妇粗大呻吟视频| 一级,二级,三级黄色视频| 窝窝影院91人妻| 亚洲精品国产区一区二| 国产一区二区三区在线臀色熟女 | 婷婷丁香在线五月| 高清欧美精品videossex| 另类亚洲欧美激情| 国产成人影院久久av| 一本色道久久久久久精品综合| 日韩 亚洲 欧美在线| 成人亚洲精品一区在线观看| 久久香蕉激情| 国产免费一区二区三区四区乱码| 又紧又爽又黄一区二区| 一级毛片精品| 日韩欧美一区二区三区在线观看 | 我要看黄色一级片免费的| 男女床上黄色一级片免费看| 国产亚洲午夜精品一区二区久久| 日本五十路高清| 亚洲国产精品一区二区三区在线| 午夜激情久久久久久久| 一本综合久久免费| 亚洲男人天堂网一区| 中文字幕色久视频| 狠狠精品人妻久久久久久综合| 久久天躁狠狠躁夜夜2o2o| 老司机深夜福利视频在线观看 | 国产1区2区3区精品| 90打野战视频偷拍视频| 国产精品熟女久久久久浪| 亚洲av日韩在线播放| 久久久久网色| 在线观看免费日韩欧美大片| 婷婷色av中文字幕| 国产欧美日韩综合在线一区二区| 亚洲国产成人一精品久久久| 日韩一卡2卡3卡4卡2021年| 少妇精品久久久久久久| 男女高潮啪啪啪动态图| 老汉色av国产亚洲站长工具| 男女无遮挡免费网站观看| 丝袜脚勾引网站| 在线天堂中文资源库| 国产成人欧美在线观看 | 久久精品国产亚洲av香蕉五月 | 搡老熟女国产l中国老女人| www.自偷自拍.com| 亚洲九九香蕉| 我的亚洲天堂| 男女午夜视频在线观看| 欧美成狂野欧美在线观看| 久久精品亚洲熟妇少妇任你| 久久久水蜜桃国产精品网| 美女扒开内裤让男人捅视频| 免费在线观看影片大全网站| 亚洲国产精品一区二区三区在线| 黄色a级毛片大全视频| 欧美精品高潮呻吟av久久| 一区二区av电影网| 悠悠久久av| 免费人妻精品一区二区三区视频| 欧美日韩av久久| 大陆偷拍与自拍| 一区二区三区四区激情视频| 亚洲精品一二三| 国产精品 欧美亚洲| 日本91视频免费播放| 热99re8久久精品国产| 不卡一级毛片| 一区二区三区精品91| 久久国产精品影院| 肉色欧美久久久久久久蜜桃| 久久 成人 亚洲| 亚洲精品美女久久av网站| 久久综合国产亚洲精品| 国产av一区二区精品久久| 可以免费在线观看a视频的电影网站| 精品人妻1区二区| 国产一区二区在线观看av| 少妇粗大呻吟视频| 日本av免费视频播放| 欧美成人午夜精品| 精品国产一区二区三区久久久樱花| 丁香六月欧美| √禁漫天堂资源中文www| 久久精品国产综合久久久| 亚洲第一青青草原| 亚洲精品国产一区二区精华液| 国产成人系列免费观看| 久久九九热精品免费| 一二三四在线观看免费中文在| 永久免费av网站大全| 免费在线观看视频国产中文字幕亚洲 | 天天躁夜夜躁狠狠躁躁| 亚洲精品久久久久久婷婷小说| 午夜激情av网站| 在线观看免费日韩欧美大片| 精品亚洲乱码少妇综合久久| 一级毛片电影观看| 女性生殖器流出的白浆| 曰老女人黄片| 成人手机av| 精品人妻一区二区三区麻豆| 国产高清videossex| 亚洲精品美女久久av网站| 久久青草综合色| 午夜福利,免费看| 亚洲欧洲精品一区二区精品久久久| 老熟女久久久| 免费高清在线观看日韩| 一本一本久久a久久精品综合妖精| 一本色道久久久久久精品综合| 午夜精品国产一区二区电影| 久久精品亚洲av国产电影网| 久久国产精品影院| 中亚洲国语对白在线视频| 天堂中文最新版在线下载| 丁香六月欧美| www.999成人在线观看| 久久国产精品人妻蜜桃| 久热这里只有精品99| 国产精品欧美亚洲77777| 日本欧美视频一区| 国产精品亚洲av一区麻豆| 免费黄频网站在线观看国产| 美女主播在线视频| 视频区图区小说| 精品少妇久久久久久888优播| 日韩欧美一区视频在线观看| 2018国产大陆天天弄谢| 日韩 欧美 亚洲 中文字幕| 国产麻豆69| 韩国精品一区二区三区| 在线观看免费午夜福利视频| 啦啦啦啦在线视频资源| 国产av又大| 国产精品一二三区在线看| 桃红色精品国产亚洲av| 黄网站色视频无遮挡免费观看| 免费人妻精品一区二区三区视频| 国产精品影院久久| www.熟女人妻精品国产| 久久久国产精品麻豆| 日韩 亚洲 欧美在线| 三级毛片av免费| 午夜福利一区二区在线看| 黄色毛片三级朝国网站| 一级片免费观看大全| 成人国产一区最新在线观看| 高清在线国产一区| 大陆偷拍与自拍| 黄网站色视频无遮挡免费观看| 桃花免费在线播放| 亚洲男人天堂网一区| 国产精品久久久久成人av| 国产av又大| 日韩 欧美 亚洲 中文字幕| 日日夜夜操网爽| 久久99一区二区三区| 中文字幕制服av| 亚洲欧洲日产国产| 成人免费观看视频高清| 国产精品99久久99久久久不卡| 亚洲欧美成人综合另类久久久| 国产精品久久久人人做人人爽| 午夜福利视频精品| 亚洲一码二码三码区别大吗| 成年人午夜在线观看视频| 国产精品 国内视频| 99热全是精品| 久久久久国内视频| av在线播放精品| 免费在线观看完整版高清| 欧美大码av| 亚洲国产精品999| 看免费av毛片| 国产在线免费精品| 午夜91福利影院| 色94色欧美一区二区| 啦啦啦视频在线资源免费观看| 19禁男女啪啪无遮挡网站| 真人做人爱边吃奶动态| 久久人妻福利社区极品人妻图片| 国产亚洲精品一区二区www | 十八禁人妻一区二区| 老汉色∧v一级毛片| 欧美日韩福利视频一区二区| 久久人人97超碰香蕉20202| 日韩大片免费观看网站| 日本欧美视频一区| 成人18禁高潮啪啪吃奶动态图| 精品人妻熟女毛片av久久网站| 国产成人a∨麻豆精品| 叶爱在线成人免费视频播放| 色播在线永久视频| 国产不卡av网站在线观看| 黄色a级毛片大全视频| 精品久久久久久久毛片微露脸 | 80岁老熟妇乱子伦牲交| 国精品久久久久久国模美| 免费观看av网站的网址| 国产精品1区2区在线观看. | 黄色视频在线播放观看不卡| 久久天躁狠狠躁夜夜2o2o| 免费在线观看影片大全网站| 国产成人欧美在线观看 | 亚洲 欧美一区二区三区| 国产精品.久久久| av电影中文网址| 色精品久久人妻99蜜桃| 国产精品99久久99久久久不卡| 汤姆久久久久久久影院中文字幕| 18禁观看日本| 日韩中文字幕视频在线看片| 一区福利在线观看| 天堂8中文在线网|