• <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
    永久免费av网站大全| 超碰97精品在线观看| 国产精品久久久久久精品电影| 日本黄色片子视频| 久久99蜜桃精品久久| 久久精品国产亚洲av天美| 国产女主播在线喷水免费视频网站 | videos熟女内射| 亚洲怡红院男人天堂| 亚洲精品日本国产第一区| 一级毛片久久久久久久久女| 亚洲伊人久久精品综合| 欧美日韩在线观看h| 黄色日韩在线| 丝袜喷水一区| 成年人午夜在线观看视频 | 色哟哟·www| 波多野结衣巨乳人妻| 麻豆精品久久久久久蜜桃| 美女内射精品一级片tv| 日韩制服骚丝袜av| 久久国产乱子免费精品| 寂寞人妻少妇视频99o| 中文资源天堂在线| 欧美高清成人免费视频www| 特级一级黄色大片| 免费少妇av软件| 精品一区二区三卡| 午夜免费观看性视频| 免费电影在线观看免费观看| 日韩不卡一区二区三区视频在线| 看非洲黑人一级黄片| 日产精品乱码卡一卡2卡三| 国产 一区精品| ponron亚洲| 国内揄拍国产精品人妻在线| 菩萨蛮人人尽说江南好唐韦庄| 免费看a级黄色片| av.在线天堂| 小蜜桃在线观看免费完整版高清| 老女人水多毛片| 亚洲人与动物交配视频| 乱系列少妇在线播放| av免费观看日本| 久久久亚洲精品成人影院| 久久精品人妻少妇| 欧美日韩综合久久久久久| 超碰97精品在线观看| 成人亚洲精品av一区二区| 久99久视频精品免费| 好男人在线观看高清免费视频| 卡戴珊不雅视频在线播放| 国产精品人妻久久久影院| 菩萨蛮人人尽说江南好唐韦庄| 久久久久久国产a免费观看| av一本久久久久| 69人妻影院| 成人av在线播放网站| 韩国av在线不卡| 性色avwww在线观看| 亚洲精品国产av成人精品| 毛片一级片免费看久久久久| 亚洲精品第二区| 中文字幕久久专区| 国产老妇女一区| 国产爱豆传媒在线观看| 色5月婷婷丁香| 欧美zozozo另类| 九色成人免费人妻av| 亚洲18禁久久av| 国产男人的电影天堂91| 夫妻午夜视频| 色吧在线观看| 天堂俺去俺来也www色官网 | 国产精品久久久久久久久免| 啦啦啦啦在线视频资源| 精品人妻熟女av久视频| 久久久久精品性色| 噜噜噜噜噜久久久久久91| 美女国产视频在线观看| 亚洲av成人精品一二三区| 97超视频在线观看视频| 欧美另类一区| 有码 亚洲区| 成人特级av手机在线观看| 噜噜噜噜噜久久久久久91| 久久97久久精品| 午夜免费激情av| 老司机影院成人| 六月丁香七月| 久久久色成人| 在线免费十八禁| 国产黄色视频一区二区在线观看| 婷婷色av中文字幕| 国产一级毛片在线| 国产一级毛片在线| 久久久久久久国产电影| 精品亚洲乱码少妇综合久久| 国产精品久久久久久久久免| 内地一区二区视频在线| 久久草成人影院| 亚洲精品一区蜜桃| 免费观看精品视频网站| 18+在线观看网站| 99re6热这里在线精品视频| 最近最新中文字幕大全电影3| 赤兔流量卡办理| 黄色欧美视频在线观看| 国产伦精品一区二区三区四那| 男女那种视频在线观看| 亚洲国产日韩欧美精品在线观看| 日韩国内少妇激情av| 天堂网av新在线| 联通29元200g的流量卡| 国产一区二区三区综合在线观看 | 亚洲av成人精品一区久久| 99热这里只有是精品50| 小蜜桃在线观看免费完整版高清| 国产探花极品一区二区| 亚洲成色77777| av在线老鸭窝| 天堂av国产一区二区熟女人妻| 国产精品一区二区性色av| 嫩草影院新地址| 亚州av有码| 日韩三级伦理在线观看| 美女黄网站色视频| 国产精品三级大全| 日韩大片免费观看网站| 久久久亚洲精品成人影院| freevideosex欧美| 亚洲欧美成人综合另类久久久| 一级a做视频免费观看| 一个人免费在线观看电影| 亚洲欧美日韩无卡精品| 国产免费一级a男人的天堂| 久久久久性生活片| 色综合站精品国产| 成人漫画全彩无遮挡| 国语对白做爰xxxⅹ性视频网站| 天天躁日日操中文字幕| 国产麻豆成人av免费视频| 国产亚洲av嫩草精品影院| 亚洲精品日本国产第一区| 男人和女人高潮做爰伦理| 色视频www国产| 十八禁国产超污无遮挡网站| 国产精品不卡视频一区二区| 高清视频免费观看一区二区 | 国产成人免费观看mmmm| 美女国产视频在线观看| 国产av不卡久久| 国产av不卡久久| 精品久久久精品久久久| 亚洲欧美一区二区三区国产| 一级毛片aaaaaa免费看小| 国产老妇女一区| 一级毛片 在线播放| 亚洲精品久久午夜乱码| 少妇熟女欧美另类| 小蜜桃在线观看免费完整版高清| 成人毛片60女人毛片免费| 日日撸夜夜添| 午夜福利视频精品| 一级av片app| 亚洲性久久影院| 日韩精品青青久久久久久| 国产黄a三级三级三级人| 久久久色成人| 国产淫语在线视频| 亚洲欧美精品自产自拍| 免费av毛片视频| 能在线免费看毛片的网站| 国产91av在线免费观看| 少妇熟女aⅴ在线视频| av播播在线观看一区| 狂野欧美激情性xxxx在线观看| 麻豆精品久久久久久蜜桃| 80岁老熟妇乱子伦牲交| 国产激情偷乱视频一区二区| 男人和女人高潮做爰伦理| 又爽又黄无遮挡网站| 伊人久久国产一区二区| av专区在线播放| 欧美最新免费一区二区三区| 国产精品国产三级专区第一集| 丰满乱子伦码专区| 99九九线精品视频在线观看视频| 亚洲国产色片| 亚洲在久久综合| 亚洲综合色惰| 亚洲一区高清亚洲精品| 黄色日韩在线| 淫秽高清视频在线观看| videos熟女内射| 免费观看在线日韩| 观看美女的网站| 色尼玛亚洲综合影院| 亚洲精品aⅴ在线观看| 最近视频中文字幕2019在线8| 国产单亲对白刺激| 国产精品一区二区性色av| 综合色丁香网| 一级毛片aaaaaa免费看小| 免费看a级黄色片| 精品久久久久久久末码| 亚洲无线观看免费| 2018国产大陆天天弄谢| 18禁动态无遮挡网站| 一级毛片黄色毛片免费观看视频| 国产精品女同一区二区软件| 日本一本二区三区精品| 亚洲国产精品sss在线观看| 在线观看免费高清a一片| 国产在视频线在精品| 永久网站在线| 国产精品爽爽va在线观看网站| 中文字幕亚洲精品专区| 男女啪啪激烈高潮av片| 97热精品久久久久久| 色尼玛亚洲综合影院| 男人舔奶头视频| 91久久精品国产一区二区成人| 黄色欧美视频在线观看| 草草在线视频免费看| 亚洲av免费高清在线观看| 久久久久免费精品人妻一区二区| 婷婷色综合大香蕉| 水蜜桃什么品种好| 亚洲最大成人中文| av一本久久久久| av黄色大香蕉| 日韩中字成人| 人妻少妇偷人精品九色| 最近中文字幕2019免费版| 久久久精品欧美日韩精品| 亚洲av在线观看美女高潮| 久久精品人妻少妇| 最近手机中文字幕大全| 黄色配什么色好看| 亚洲国产欧美人成| 老师上课跳d突然被开到最大视频| 久久99精品国语久久久| 简卡轻食公司| 午夜福利在线观看免费完整高清在| 噜噜噜噜噜久久久久久91| 国产精品一区www在线观看| 午夜免费观看性视频| 老司机影院成人| 国产日韩欧美在线精品| 婷婷六月久久综合丁香| 最近的中文字幕免费完整| 国产激情偷乱视频一区二区| 免费不卡的大黄色大毛片视频在线观看 | 欧美丝袜亚洲另类| 国产黄片美女视频| 国产亚洲最大av| 日日啪夜夜爽| 哪个播放器可以免费观看大片| 午夜福利视频1000在线观看| av天堂中文字幕网| 国产av国产精品国产| 成人午夜精彩视频在线观看| 国产亚洲91精品色在线| av在线老鸭窝| 免费av毛片视频| 又爽又黄无遮挡网站| 国产精品综合久久久久久久免费| 亚洲欧美清纯卡通| 亚洲成人av在线免费| 国产精品女同一区二区软件| 18+在线观看网站| 国产成年人精品一区二区| 国产91av在线免费观看| 免费高清在线观看视频在线观看| 国产淫片久久久久久久久| 国产成人freesex在线| 七月丁香在线播放| 九九爱精品视频在线观看| 国产永久视频网站| 亚洲欧美中文字幕日韩二区| 欧美三级亚洲精品| 亚洲精品国产av成人精品| 黄色配什么色好看| 日韩成人av中文字幕在线观看| 日韩一区二区视频免费看| 99热网站在线观看| 欧美高清性xxxxhd video| av播播在线观看一区| 午夜爱爱视频在线播放| 国产免费福利视频在线观看| 精品久久久久久久末码| 国产白丝娇喘喷水9色精品| 嫩草影院精品99| 真实男女啪啪啪动态图| 久久99热这里只有精品18| 人妻系列 视频| 国产成人精品久久久久久| 少妇猛男粗大的猛烈进出视频 | 亚洲av中文av极速乱| 午夜精品在线福利| 看十八女毛片水多多多| 久久精品综合一区二区三区| 国产伦精品一区二区三区四那| av免费在线看不卡| 乱码一卡2卡4卡精品| 亚洲精品成人久久久久久| 麻豆乱淫一区二区| 国内少妇人妻偷人精品xxx网站| 婷婷色综合www| h日本视频在线播放| 国产男人的电影天堂91| 国产免费又黄又爽又色| 国产亚洲91精品色在线| av在线老鸭窝| 在线免费观看的www视频| 免费看日本二区| 国产白丝娇喘喷水9色精品| 亚洲av电影在线观看一区二区三区 | av专区在线播放| 国产一区亚洲一区在线观看| 国产成人a区在线观看| 亚洲成人精品中文字幕电影| 亚洲欧美一区二区三区国产| 91久久精品电影网| 亚洲国产最新在线播放| 色网站视频免费| 91久久精品国产一区二区成人| 欧美+日韩+精品| 激情 狠狠 欧美| a级一级毛片免费在线观看| 欧美精品国产亚洲| 老师上课跳d突然被开到最大视频| 久久精品夜夜夜夜夜久久蜜豆| 嘟嘟电影网在线观看| 免费看a级黄色片| 最近2019中文字幕mv第一页| 中文字幕av成人在线电影| 好男人在线观看高清免费视频| 在线天堂最新版资源| 好男人视频免费观看在线| 久久这里有精品视频免费| 一级片'在线观看视频| 国产精品麻豆人妻色哟哟久久 | 欧美变态另类bdsm刘玥| 国产一区二区亚洲精品在线观看| 赤兔流量卡办理| 精品久久国产蜜桃| 国产午夜精品一二区理论片| 噜噜噜噜噜久久久久久91| 国产在线男女| 舔av片在线| 免费av观看视频| 床上黄色一级片| 国产色婷婷99| 久久久国产一区二区| 欧美一级a爱片免费观看看| 亚洲一级一片aⅴ在线观看| 亚洲图色成人| 亚洲伊人久久精品综合| av黄色大香蕉| 爱豆传媒免费全集在线观看| 亚洲人成网站高清观看| 国产av不卡久久| 免费观看精品视频网站| 久久久久久国产a免费观看| 日韩一区二区视频免费看| 床上黄色一级片| 成年女人在线观看亚洲视频 | 2021少妇久久久久久久久久久| 三级男女做爰猛烈吃奶摸视频| 嫩草影院入口| av天堂中文字幕网| 高清欧美精品videossex| 国产精品久久久久久久电影| 禁无遮挡网站| 男的添女的下面高潮视频| 成人性生交大片免费视频hd| 在线观看av片永久免费下载| 免费黄色在线免费观看| 亚洲乱码一区二区免费版| 亚洲一区高清亚洲精品| 久久精品国产自在天天线| 狠狠精品人妻久久久久久综合| 91av网一区二区| 成人鲁丝片一二三区免费| 免费看a级黄色片| 国产亚洲一区二区精品| 婷婷色综合大香蕉| 亚洲av在线观看美女高潮| www.色视频.com| 午夜久久久久精精品| 久久这里只有精品中国| 真实男女啪啪啪动态图| 日韩av免费高清视频| 日本一本二区三区精品| 一级a做视频免费观看| 国产伦精品一区二区三区四那| 久久久久久久午夜电影| 亚洲精华国产精华液的使用体验| 中国国产av一级| 日日摸夜夜添夜夜添av毛片| 视频中文字幕在线观看| 黄色配什么色好看| 亚洲国产最新在线播放| 国产精品一区二区性色av| 简卡轻食公司| 国产黄频视频在线观看| 中文字幕免费在线视频6| 免费播放大片免费观看视频在线观看| 成年av动漫网址| 国内揄拍国产精品人妻在线| 观看免费一级毛片| 久久人人爽人人爽人人片va| 天堂av国产一区二区熟女人妻| 淫秽高清视频在线观看| 免费看光身美女| 一个人观看的视频www高清免费观看| 国产精品1区2区在线观看.| 国语对白做爰xxxⅹ性视频网站| 亚洲电影在线观看av| 最近手机中文字幕大全| 22中文网久久字幕| 欧美xxxx性猛交bbbb| 男人舔奶头视频| 国产片特级美女逼逼视频| 人妻夜夜爽99麻豆av| 国产麻豆成人av免费视频| 免费看a级黄色片| 国产v大片淫在线免费观看| 精品国产三级普通话版| 国产在线一区二区三区精| 国产有黄有色有爽视频| 国产亚洲av嫩草精品影院| 欧美精品一区二区大全| 成年免费大片在线观看| 最新中文字幕久久久久| 老师上课跳d突然被开到最大视频| 97超视频在线观看视频| 小蜜桃在线观看免费完整版高清| 一夜夜www| 国内精品一区二区在线观看| 最近手机中文字幕大全| 91午夜精品亚洲一区二区三区| 麻豆av噜噜一区二区三区| 少妇被粗大猛烈的视频| 真实男女啪啪啪动态图| a级毛片免费高清观看在线播放| 免费看不卡的av| 免费看美女性在线毛片视频| 久久久久久久久久久免费av| 日韩欧美精品免费久久| 免费观看在线日韩| 99热全是精品| 免费播放大片免费观看视频在线观看| 99热这里只有是精品50| 嫩草影院精品99| 国内精品一区二区在线观看| 观看美女的网站| 不卡视频在线观看欧美| 天天躁日日操中文字幕| 1000部很黄的大片| 日本黄色片子视频| 色综合亚洲欧美另类图片| 亚洲人成网站高清观看| 久久久精品欧美日韩精品| 九草在线视频观看| 男插女下体视频免费在线播放| 1000部很黄的大片| 亚洲一区高清亚洲精品| 国产精品久久久久久精品电影| 中文字幕久久专区| 欧美日韩视频高清一区二区三区二| 免费无遮挡裸体视频| 亚洲va在线va天堂va国产| 国产爱豆传媒在线观看| 如何舔出高潮| 日韩大片免费观看网站| 国产精品人妻久久久久久| 日本免费a在线| 国产高清不卡午夜福利| 亚洲欧美一区二区三区国产| 少妇被粗大猛烈的视频| 99热这里只有是精品50| 欧美性感艳星| av福利片在线观看| 最近2019中文字幕mv第一页| 国产不卡一卡二| 久久久久久久久久久丰满| 日韩av免费高清视频| 欧美人与善性xxx| 丰满少妇做爰视频| 日韩av在线免费看完整版不卡| 欧美日韩亚洲高清精品| 美女黄网站色视频| 日韩成人伦理影院| 成人无遮挡网站| 麻豆久久精品国产亚洲av| 99热这里只有是精品在线观看| 国产一区二区在线观看日韩| 夜夜爽夜夜爽视频| 日韩成人av中文字幕在线观看| 国产老妇女一区| 51国产日韩欧美| 神马国产精品三级电影在线观看| 高清毛片免费看| xxx大片免费视频| 亚洲性久久影院| 能在线免费看毛片的网站| 91午夜精品亚洲一区二区三区| 中文字幕亚洲精品专区| 午夜激情久久久久久久| 天天一区二区日本电影三级| 男人和女人高潮做爰伦理| 久久99蜜桃精品久久| 国产乱人偷精品视频| 国产黄a三级三级三级人| 天天一区二区日本电影三级| 男人和女人高潮做爰伦理| 黄片无遮挡物在线观看| 国产乱人偷精品视频| 成人特级av手机在线观看| 亚洲色图av天堂| 成人性生交大片免费视频hd| 国产不卡一卡二| 联通29元200g的流量卡| 一区二区三区四区激情视频| 亚洲成人av在线免费| 午夜激情福利司机影院| 精品国产三级普通话版| 日韩欧美一区视频在线观看 | 国产高清不卡午夜福利| 非洲黑人性xxxx精品又粗又长| 热99在线观看视频| a级一级毛片免费在线观看| 亚洲国产精品成人综合色| 中文天堂在线官网| 蜜桃久久精品国产亚洲av| 一级a做视频免费观看| 国产成人精品福利久久| 熟女人妻精品中文字幕| 国产乱人视频| 久久精品国产亚洲av天美| 欧美另类一区| 国产精品一区二区在线观看99 | 天堂中文最新版在线下载 | videos熟女内射| 亚洲av电影在线观看一区二区三区 | 两个人的视频大全免费| 国产精品伦人一区二区| 免费电影在线观看免费观看| 欧美97在线视频| 夫妻午夜视频| 中文资源天堂在线| 两个人视频免费观看高清| 色综合色国产| 亚洲精品国产av成人精品| 日韩人妻高清精品专区| 免费在线观看成人毛片| 好男人在线观看高清免费视频| 插逼视频在线观看| 精品人妻熟女av久视频| 欧美精品一区二区大全| 少妇熟女欧美另类| 日韩中字成人| 久久久a久久爽久久v久久| 丰满乱子伦码专区| 伊人久久精品亚洲午夜| 六月丁香七月| 国产免费福利视频在线观看| 韩国av在线不卡| 国产真实伦视频高清在线观看| 美女高潮的动态| 久久精品国产自在天天线| 观看免费一级毛片| 淫秽高清视频在线观看| 国产成人精品福利久久| 国产在视频线精品| 午夜福利网站1000一区二区三区| 韩国高清视频一区二区三区| 国产精品无大码| 极品少妇高潮喷水抽搐| 97在线视频观看| 人妻制服诱惑在线中文字幕| 一个人观看的视频www高清免费观看| 免费观看av网站的网址| 大片免费播放器 马上看| 精品一区二区三区人妻视频| 亚洲精品第二区| 男人舔女人下体高潮全视频| 天堂网av新在线| 国产精品女同一区二区软件| av天堂中文字幕网| 简卡轻食公司| 亚洲精品日韩av片在线观看| 亚洲美女搞黄在线观看| 五月玫瑰六月丁香| 亚洲精华国产精华液的使用体验| 69av精品久久久久久| 亚洲av日韩在线播放| 干丝袜人妻中文字幕| 精品一区二区免费观看| 日本一本二区三区精品| 男女国产视频网站| 欧美+日韩+精品| 成人午夜高清在线视频| 亚洲av二区三区四区| 高清欧美精品videossex| 亚洲精品视频女| 一级av片app| 一级毛片 在线播放| 天堂av国产一区二区熟女人妻| 日本免费a在线| 九九在线视频观看精品| 日韩亚洲欧美综合|