• <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APDE-RBF神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢預測方法

    2016-12-24 07:06:35李方偉張新躍
    關(guān)鍵詞:態(tài)勢種群聚類

    李方偉, 張新躍, 朱 江, 黃 卿

    (重慶郵電大學移動通信技術(shù)重慶市重點實驗室, 重慶 400065)

    ?

    基于APDE-RBF神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢預測方法

    李方偉, 張新躍, 朱 江, 黃 卿

    (重慶郵電大學移動通信技術(shù)重慶市重點實驗室, 重慶 400065)

    為了提高徑向基函數(shù)(radical basis function, RBF)神經(jīng)網(wǎng)絡對網(wǎng)絡安全態(tài)勢的預測精度,提出了一種基于吸引力傳播(affinity propagation, AP)聚類和差分進化(differential evolution, DE)優(yōu)化RBF神經(jīng)網(wǎng)絡的算法。首先,利用AP聚類算法對樣本數(shù)據(jù)進行劃分聚類,從而獲得RBF的中心和網(wǎng)絡的隱含層節(jié)點數(shù);其次,利用AP聚類得出種群差異度,自適應地改變DE算法的縮放因子和交叉概率,對RBF的寬度和連接權(quán)值進行優(yōu)化;同時為了避免陷入局部最優(yōu)以及跳出局部極值點,對每一代種群的精英個體和種群差異度中心進行混沌搜索。通過仿真實驗表明,此算法在泛化能力增強的同時,對網(wǎng)絡安全態(tài)勢也達到了較高的預測精度。

    徑向基函數(shù); 吸引力傳播聚類; 差分進化; 種群差異度; 混沌搜索

    0 引 言

    隨著各種網(wǎng)絡安全問題層出不窮,網(wǎng)絡安全問題越來越受到重視。網(wǎng)絡安全態(tài)勢預測是目前網(wǎng)絡安全領(lǐng)域的一個研究熱點,不同于以往的入侵檢測和防火墻等被動防御手段,網(wǎng)絡安全態(tài)勢預測是主動防御機制[1]。網(wǎng)絡安全態(tài)勢預測主要是為了在網(wǎng)絡受到攻擊損失前網(wǎng)絡管理員采取相對應的措施,根據(jù)當前和以往的網(wǎng)絡安全態(tài)勢值,建立合理的數(shù)學模型對未來一段時間的網(wǎng)絡安全狀態(tài)進行預測。由于網(wǎng)絡攻擊是隨機和不確定的,所以對態(tài)勢值的預測是一個復雜的非線性過程[2]。

    目前研究人員提出了很多預測的方法,如自回歸滑動平均(auto-regressive moving average, ARMA)模型、灰色預測模型(gray model, GM)、馬爾可夫鏈(Markov)、支持向量機(support vector machine, SVM)等[3-6]。但是大量研究發(fā)現(xiàn),上述方法都存在各自的缺點:ARMA模型會假設時間序列是平穩(wěn)線性的,但是網(wǎng)絡安全態(tài)勢時間序列是非線性的;GM模型適用單調(diào)變化的時間序列,對于波動較大的時間序列難以預測;Markov模型需要大量復雜的數(shù)學公式推導,難以建立準確的預測模型;SVM對大規(guī)模訓練樣本難以實施,收斂速度慢。

    為更加精確地預測網(wǎng)絡安全態(tài)勢,本文采用吸引力傳播(affinity propagation, AP)聚類和改進的差分進化(differential evolution, DE)對徑向基函數(shù)(radical basis function, RBF)神經(jīng)網(wǎng)絡的結(jié)構(gòu)和參數(shù)進行優(yōu)化。為了加強泛化能力,利用AP聚類可以依據(jù)樣本數(shù)據(jù)自適應確定RBF網(wǎng)絡的結(jié)構(gòu);為了避免陷入局部最優(yōu)解,根據(jù)種群差異度動態(tài)調(diào)整DE算法中的縮放因子和交叉概率,并對每代的精英個體和差異度中心進行混沌搜索。利用該方法對網(wǎng)絡安全態(tài)勢預測仿真,并進行了誤差分析,結(jié)果表明本文方法有更好的泛化能力和預測準確性。

    1 RBF神經(jīng)網(wǎng)絡

    RBF神經(jīng)網(wǎng)絡是一種3層前向型網(wǎng)絡,由第1層的輸入層、第2層的隱含層和第3層的輸出層組成,網(wǎng)絡結(jié)構(gòu)如圖1所示。

    圖1 n-h-m結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡Fig.1 RBF neural network of n-h-m structure

    由于輸入層到隱含層是非線性變換,隱含層到輸出層是線性變換,所以RBF神經(jīng)網(wǎng)絡本質(zhì)上是通過非線性基函數(shù)的線性組合來實現(xiàn)輸入Rn到輸出Rm的映射關(guān)系。

    RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示,具有n個輸入節(jié)點,h個隱含層節(jié)點和m個輸出節(jié)點。對于一個n維的網(wǎng)絡輸入矢量X=(x1,x2,…,xn)T∈Rn,第i個隱含層節(jié)點的輸出為

    (1)

    式中,Ci是隱含層節(jié)點中心;‖·‖2是2范數(shù),表示X與Ci的歐氏距離;σi是第i個基函數(shù)的寬度;h是隱含層節(jié)點個數(shù)。

    RBF網(wǎng)絡輸出層中第j個神經(jīng)元的輸出為

    (2)

    式中,wji是隱含層第i個神經(jīng)元與輸出層第j個神經(jīng)元的連接權(quán)值;m是輸出神經(jīng)元個數(shù);bj是輸出層第j個神經(jīng)元的閾值。

    2 基于APDE優(yōu)化的RBF神經(jīng)網(wǎng)絡

    從RBF網(wǎng)絡結(jié)構(gòu)可以看出,影響預測精度和泛化能力的參數(shù)主要有4個:隱含層節(jié)點個數(shù)h;隱含層節(jié)點中心Ci;基函數(shù)寬度σi;隱含層到輸出層的連接權(quán)值wji。本文使用AP聚類對隱含層個數(shù)和節(jié)點中心進行優(yōu)化,利用改進的DE算法對基函數(shù)寬度和連接權(quán)值進行自適應尋優(yōu),并用混沌搜索進行二次尋優(yōu),避免陷入局部最優(yōu)解。

    2.1 AP聚類

    對基函數(shù)中心的選取,無論是隨機選取還是自組織選取都要預先設定隱含層節(jié)點個數(shù)[7],這種人為設置隱含層節(jié)點個數(shù)的方法在樣本訓練期間很容易導致RBF神經(jīng)網(wǎng)絡的過擬合或者欠擬合,從而影響網(wǎng)絡的泛化能力和后期的預測精度,所以本文采用了AP聚類的方法,根據(jù)數(shù)據(jù)樣本的實際情況,對隱含層節(jié)點個數(shù)和節(jié)點中心進行自適應選取。

    AP聚類是一種基于相似度矩陣的新型無監(jiān)督聚類算法[8],不同于以往的k-means和模糊C均值聚類算法,該算法不必預先設定聚類個數(shù),所有樣本數(shù)據(jù)點都被默認為潛在的聚類中心,通過不斷地競爭迭代,達到最優(yōu)聚類結(jié)果。具體算法步驟如下。

    步驟 1 計算相似度矩陣S

    (3)

    步驟 2 初始化吸引矩陣R,歸屬度矩陣A,R(i,k)=0,A(i,k)=0。

    步驟 3 確定偏向參數(shù)pk(k=1,…,N)

    (4)

    步驟 4 計算與更新吸引度矩陣

    R(i,k)=λ×R(i,k)old+(1-λ)×R(i,k)new

    (5)

    步驟 5 計算與更新歸屬度矩陣

    A(i,k)=λ×A(i,k)old+(1-λ)×A(i,k)new

    (6)

    步驟 6 如果滿足以下條件之一:①選擇的類中心保持穩(wěn)定,②超過最大迭代次數(shù),轉(zhuǎn)步驟7;否則轉(zhuǎn)步驟4。

    步驟 7 輸出聚類結(jié)果。

    2.2 改進的DE算法

    DE算法是一種基于群體差異的高效并行搜索方法[9],在收斂速度和穩(wěn)定性方面已被證明優(yōu)于其他進化算法[10],DE算法的參數(shù)包括種群規(guī)模、縮放因子和交叉概率。標準DE算法中縮放因子和交叉概率都是固定的,縮放因子過大或者交叉概率過小,雖然有助于種群的多樣性,增強全局搜索能力,但是在進化后期易導致收斂速度慢,最優(yōu)解精度低等問題;反之,縮放因子過小或者交叉概率過大,易對局部過度開發(fā),易出現(xiàn)早熟的現(xiàn)象。所以本文對DE算法進行改進,使得縮放因子和交叉概率可以根據(jù)當前收斂情況進行動態(tài)調(diào)整。

    2.2.1 初始化

    1.檢驗假說1的模型。為驗證假說1,借鑒喻坤等人和Stein的研究方法,本文采用以下模型:[4][28]

    為了能夠?qū)崿F(xiàn)對RBF神經(jīng)網(wǎng)絡基函數(shù)寬度σi和隱含層到輸出層連接權(quán)值wji的同時優(yōu)化,本文采用實數(shù)編碼,種群中每個個體結(jié)構(gòu)如圖2所示。

    圖2 個體編碼結(jié)構(gòu)Fig.2 Individual coding structure

    設初始種群S={X1,X2,…,XN},N是種群規(guī)模,Xi(Xi∈RD)是種群中的個體,具體初始化過程如下:

    (7)

    2.2.2 變異

    DE算法差分策略來實現(xiàn)種群中個體的變異,通常是隨機選取3個個體,將其中兩個個體的差分縮放后與第3個個體進行合成,如式(8)所示:

    Vi(g+1)=Xr1(g)+F×(Xr2(g)-Xr3(g)),

    i≠r1≠r2≠r3

    (8)

    式中,Xi(g)是第g代種群中第i個個體;F為縮放因子,標準DE算法中設為固定值,但是F的設置不當會導致種群的早熟和慢收斂,為了加快收斂速度以及求得全局最優(yōu)解,本文提出依據(jù)種群差異度動態(tài)調(diào)整F的策略。

    種群差異度指對種群空間中所有個體進行聚類所得到的聚類個數(shù)。當種群差異度越大時,個體在種群空間中分布越均勻,求得全局最優(yōu)解可能性越大。所以在進化前期,為了盡可能使種群個體多樣化,使用式(9)對F進行動態(tài)調(diào)整:

    (9)

    式中,F(xiàn)max和Fmin是縮放因子的上下界;τ1是設置的迭代閾值。

    交叉操作也是DE算法的核心操作,對種群中目標個體Xi和變異個體Vi進行交叉,生成新的個體Ui:

    (10)

    式中,rand是(0,1)間均勻分布的隨機數(shù);jrand是[1,n]間的隨機整數(shù),這是為了保證新個體一定會有變異成分;CR是交叉概率,控制個體各維度參量對交叉的參與程度,因為CR越小,收斂越快,所以為了平衡局部和全局搜索能力,使CR可以自適應調(diào)整,在迭代前期減緩收斂速度,保持較大的種群多樣性,在后期加快收斂速度,加強局部搜索能力。

    (11)

    式中,CRmin和CRmax是交叉概率的上下界;τ2是設置的迭代閾值。

    2.2.4 選擇

    DE算法采用一對一競爭策略實現(xiàn)選擇。候選個體Ui(g+1)和對應個體Xi(g)按照適應度進行競爭,優(yōu)勝者進入下一代種群,即

    (12)

    式中,f(·)是個體的適應度函數(shù),本文使用均方誤差(mean square error, MSE)作為適應度函數(shù)。

    2.3 混沌搜索

    混沌是一種非線性現(xiàn)象, 具有隨機性和遍歷性,可在一定范圍內(nèi)進行不重復遍歷搜索,因此可以作為進化算法跳出局部最優(yōu)的一種方法[11-12]。本文采用的混沌搜索對每一代的最優(yōu)個體以及種群差異度中心進行T次搜索,如果搜索到更優(yōu)個體則進行取代,從而提高DE算法的全局搜索能力。

    本文采用一維Logistic映射混沌模型,即

    Zt+1=μZt(1-Zt)

    (13)

    (14)

    2.4 算法步驟

    本文主要利用AP聚類得到RBF神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)和節(jié)點中心,并用改進的DE算法對RBF的基函數(shù)寬度和連接權(quán)值進行尋優(yōu),同時為了提高全局搜索能力,使用混沌搜索對最優(yōu)個體和差異度中心進行二次搜索。本文算法流程如圖3所示。

    圖3 基于APDE-RBF算法態(tài)勢預測流程圖Fig.3 Flow chart of situation prediction based on APDE-RBF algorithm

    2.5 算法收斂性分析

    文獻[13]證明了在縮放因子F限定的條件下DE算法能以概率1收斂,文獻[14]通過隨機壓縮應映射定理論證了DE是漸近收斂的。在上述研究的基礎(chǔ)上,對APDE算法的收斂性進行分析。

    引理 DE迭代形成的隨機映射Ψ:Ω×S→S為隨機壓縮算子,根據(jù)隨機壓縮定理可得Ψ具有唯一隨機不動點,即DE是漸近收斂的。

    證明 參考文獻[14]。

    從引理1可得DE算法具有漸近收斂性,APDE算法在DE算法方面的改進主要體現(xiàn)在F和CR的自適應調(diào)整和混沌搜索。雖然F和CR是根據(jù)種群差異度動態(tài)變化,但最終是收斂的,沒有影響DE算法的收斂性,所以混沌搜索是影響DE算法的唯一因素。根據(jù)DE算法的漸近收斂性可以證明APDE算法的收斂性。

    證畢

    定理 DE算法具有漸近收斂性,則在1<μ<3的情況下,APDE算法也具有漸近收斂性。

    證明 假設DE算法收斂的全局最優(yōu)解Xbest,則對第t次迭代的個體Xi(t)有:

    (15)

    (16)

    z=f(z)=μz(1-z)

    (17)

    便可得到式(13)的平衡點為:z1=0和z2=1-1/μ,不論μ是何值,z1=0都是式(13)的不穩(wěn)定平衡點。對于z2=1-1/μ,由于f′(z2)=μ(1-2z2)=2-μ,根據(jù)穩(wěn)定性條件|f′(z2)|=|2-μ|<1可得到當1<μ<3時,z2=1-1/μ才是差分方程式(13)的穩(wěn)定平衡點,由此可得式(16)是漸近收斂的,即APDE算法具有漸近收斂性。

    證畢

    2.6 算法復雜度分析

    按照算法的流程步驟分析時間復雜度,最大迭代次數(shù)是gmax,種群規(guī)模是N,問題維度是D。每一迭代計算和更新PD和最優(yōu)適應度分別為O(N×D),更新F和CR為O(1),交叉和變異的操作為O(N×D),對最優(yōu)個體和差異度中心的混沌搜索為O(DlogD)。綜上所述,本文算法的時間復雜度為O(N×D×gmax)。

    表1 不同算法的復雜度對比

    注:T是HMM的狀態(tài)數(shù)

    3 實驗仿真

    為了驗證APDE-RBF算法的有效性,采用某公司安全部門提供的數(shù)據(jù),并用文獻[15]的評估方法把原始的多源數(shù)據(jù)融合為網(wǎng)絡安全態(tài)勢值,預測后與現(xiàn)有的算法進行對比。

    3.1 數(shù)據(jù)預處理

    因為網(wǎng)絡攻擊的隨機性和連續(xù)性,預測時間跨度太小,會使網(wǎng)絡學習程度不夠,如果時間跨度太大,則會影響網(wǎng)絡對近期安全態(tài)勢的學習,所以本文使用前80組數(shù)據(jù)作為訓練集,后21組數(shù)據(jù)作為測試集,并采用滑動窗口方式(窗口為6,每次滑動為1個單元)對80組訓練數(shù)據(jù)進行重構(gòu),重構(gòu)結(jié)果如表2所示。

    表2 訓練數(shù)據(jù)重構(gòu)結(jié)果

    為了提高收斂效率,加快網(wǎng)絡學習速度,本文按照式(18)對網(wǎng)絡安全態(tài)勢值進行歸一化處理。

    (18)

    3.2 網(wǎng)絡的訓練

    根據(jù)第3.1節(jié)的數(shù)據(jù)預處理,對RBF神經(jīng)網(wǎng)絡進行和APDE算法進行初始化設置:

    (1) RBF神經(jīng)網(wǎng)絡的輸入向量維度n=5,輸出向量維度m=1;通過AP聚類的結(jié)果得出隱含層節(jié)點數(shù)為h=10。

    (2) APDE算法的種群設置為N=80,縮放因子的初始值F0=0.9,交叉概率的初始值CR0=0.3,最大迭代次數(shù)為gmax=500,誤差精度設置為1.2×10-3。

    為了驗證APDE算法在收斂速度和全局搜索能力上比其他改進的DE算法有優(yōu)勢,將本算法與DE算法,jDE算法[16],SDE算法[17],EPSDE算法[18],CoDE算法[10]進行對比。從表3可以看出APDE不僅收斂速度快,而且均方誤差最小,從而證明了APDE算法的高效性。

    表3 不同DE算法的誤差收斂對比

    3.3 網(wǎng)絡的預測

    本文采用平均絕對誤差(mean absolute percent error,MAPE)、均方根誤差(root mean square error,RMSE)、相對均方誤差(relative mean square error,RE)作為各算法預測準確度的指標。3個指標的公式如下:

    (19)

    (20)

    (21)

    3.3.1 泛化能力仿真分析

    RBF神經(jīng)網(wǎng)絡中的隱含層節(jié)點的個數(shù),對整個網(wǎng)絡的泛化能力有很大影響。當隱含層節(jié)點過多時,雖然訓練擬合的程度高,但是易產(chǎn)生“過擬合”的現(xiàn)象,泛化能力降低,預測誤差大;而當隱含層節(jié)點過少時,雖然泛化能力強,但是易導致“欠擬合”的問題,預測誤差同樣變大。

    從表4可以看出,本文算法可以使用較少的隱含層節(jié)點達到較高的預測精度,從而使其優(yōu)化過的RBF神經(jīng)網(wǎng)絡具有很強的泛化能力。

    所以做不同隱含層節(jié)點個數(shù)對RBF神經(jīng)網(wǎng)絡泛化能力影響的仿真,并以平均種群差異度、最大種群差異度和平均絕對誤差為評判指標,仿真結(jié)果如表4所示。

    表4 隱含層節(jié)點數(shù)和種群差異度對比

    3.3.2 預測精度仿真分析

    為了證明APDE-RBF的預測能力高于其他算法,本文分為縱向不同算法對比和橫向不同改進DE算法對比,從而驗證了本文所提算法的優(yōu)越性。

    從圖4可以看出本文方法預測精度最高,其他方法都有不同程度的誤差。ARMA主要針對隨機平穩(wěn)的時間序列,但是因為網(wǎng)絡攻擊的隨機性和復雜性,網(wǎng)絡安全態(tài)勢序列是非平穩(wěn)的;GM對于單調(diào)變化的時間序列預測效果好,反之誤差大;LSSVM的支持向量變成了所有數(shù)據(jù)點,失去了SVM的稀疏性特點;Kmeans-RBF需要預先設定隱含層節(jié)點,忽略了數(shù)據(jù)本身的特點,弱化了RBF的泛化能力;表5是不同算法預測的絕對誤差可以看出本文方法的預測絕對誤差全都控制在0.02以內(nèi),相比其他算法預測精度高。

    圖4 不同算法態(tài)勢值預測的對比Fig.4 Comparison situation prediction of different algorithms

    為了能夠從整體上評估不同算法預測的能力,計算不同算法的3種誤差,結(jié)果如圖5所示。

    表5 不同算法各時間點的絕對誤差對比

    Table 5 Absolute error comparison of different time points in different algorithms

    序號算法ARMAGMLSSVMKmeansAPDE10.06940.06150.01570.15500.051320.08540.05120.01820.03520.033130.01060.10350.09090.17610.026240.11290.06800.03050.13770.005550.05530.01970.04680.07900.023060.07450.04590.01290.13780.026770.03580.03280.00570.13840.007480.28220.35970.19710.13990.020890.22990.01150.03750.07070.0298100.00420.06640.08780.00690.0178110.18090.05240.05250.02730.0140120.32160.13910.10150.06030.0039130.10930.01420.03310.05270.0272140.04240.11120.05990.02520.0324150.13190.24350.10460.06760.0095160.08150.08870.07040.11880.0378170.15780.13100.00570.07610.0166180.07020.02520.01190.07660.0169190.35130.20160.06230.15300.0335200.11660.21370.05910.07390.0252210.15270.04650.05900.07820.0472

    圖5 不同算法的誤差對比Fig.5 Error comparison of different algorithms

    從圖5可以看出不論是平均相對誤差、RMSE還是RE,本文方法都保持在較小的誤差水平,體現(xiàn)了較高的預測精度。

    以上是不同算法之間的縱向?qū)Ρ?為了對比的完整性,將本文算法與不同改進的DE算法進行對比。

    圖6顯示不同改進DE算法在不同時間點表現(xiàn)了不同的預測精度,但是從表6可以看出,APDE算法總體上維持了較低的絕對誤差。 DE算法是固定的F和CR,易陷入局部最優(yōu);SDE算法的F采用簡單的隨機數(shù);EPSDE算法利用變異策略池和參數(shù)池隨機組合進行迭代進化;jDE算法的F和CR依賴隨機數(shù)判別從而得到不同的結(jié)果;CoDE算法是利用3種不同的變異策略和參數(shù)設置競爭耦合進行迭代進化。上述方法雖然對DE算法的變異策略和參數(shù)設置進行自適應改進,但是大多都是隨機數(shù)或依賴隨機數(shù)進行判別選取,導致進化不穩(wěn)定。本文算法依賴種群差異度和迭代進化程度對F和CR進行自適應調(diào)整,使種群向有利方向進化,加快了算法的收斂速度。

    圖6 不同改進DE算法預測對比Fig.6 Prediction comparison of different improved DE algorithms

    ×10-4

    圖7 不同改進DE算法的誤差對比Fig.7 Error comparison of different improved DE algorithms

    從圖7可以得出APDE算法在整體的誤差上較其他改進DE算法有較大的優(yōu)勢,從而說明了本文算法對DE算法的改進是有效的。

    4 結(jié) 語

    本文提出了一種基于APDE-RBF算法的網(wǎng)絡安全態(tài)勢預測算法,利用APDE算法對RBF神經(jīng)網(wǎng)絡的結(jié)構(gòu)和參數(shù)進行優(yōu)化。利用AP聚類加強網(wǎng)絡的泛化能力;利用改進的DE算法加快收斂速度,并用混沌搜索提高算法的全局搜索能力。通過實驗數(shù)據(jù)和仿真分析,不論是縱向的其他算法還是橫向的DE算法的不同改進,本文算法對網(wǎng)絡安全態(tài)勢預測都達到了較高的預測精度,從而證明了本文算法的高效性和實用性

    [1] Ajodia S, Liu P, Swarup V, et al.Cybersituationalawareness[M]. Germany: Springer, 2010.

    [2] Xi R R, Jin S Y, Yun X C, et al. CNSSA: a comprehensive network security situation awareness system[C]∥Proc.oftheIEEEInternationalJointConference,2011, 11(3): 482-487.

    [3] Box G E P, Jenkins G M, Reinsel G C.Timeseriesanalysisforecastingandcontrol[M]. 3rd ed. Beijing; Posts & Telecom Press, 2005: 19-180.

    [4] Dong J F. The building of network security situation evaluation and prediction model based on gery theory[C]∥Proc.oftheInternationalConferenceonChallengesinEnvironmentalScienceandComputerEngineering, 2010: 401-404.

    [5] Halilcevic S S, Gubina A F. The short term electricity prices forecasting using markov chains[C]∥Proc.oftheEnergyMarket, 2011:198-203.

    [6] Xing Z, Zhang H. Support vector machine based aircraft ground icing type classification forecast[C]∥Proc.oftheIntelligentControlandAutomation, 2012:4541-4544.

    [7] Wilamowski B M, Cecati C, Kolbusz J, et al. A novel RBF training algorithm for short-term electric load forecasting and comparative studies[J].IEEETrans.onIndustrialElectronics, 2015, 62(10):6519-6529.

    [8] Frey B J, Delbert D. Clustering by passing messages between data points.[J].Science, 2007, 31(3):972-976.

    [9] Storn R, Price K. Differential evolution: a simple and efficient adaptive scheme for global optimization over continuous spaces[J].JournalofGlobalOptimization, 1995, 23(4):341-359.

    [10] Wang Y, Cai Z, Zhang Q. Differential evolution with composite trial vector generation strategies and control parameters[J].IEEETrans.onEvolutionaryComputation, 2011, 15(1):55-66.

    [11] Caponetto R, Fortuna L, Fazzino S, et al. Chaotic sequences to improve the performance of evolutionary algorithms[J].IEEETrans.onEvolutionaryComputation, 2003, 7(3):289-304.

    [12] Alatas B, Akin E, Ozer A B. Chaos embedded particle swarm optimization algorithms[J].ChaosSolitons&Fractals, 2009, 40(4):1715-1734.

    [13] Zaharie D. Critical values for the control parameters of differential evolution algorithms[C]∥Proc.ofthe8thInternationalConferenceonSoftComputing, 2002: 62-67.

    [14] He Y C, Wang X Z, Liu K Q, et al. Convergent analysis and algorithmic improvement of differential evolution[J].JournalofSoftware, 2010,21(5):875-855(賀毅朝, 王熙照, 劉坤起,等. 差分演化的收斂性分析與算法改進[J]. 軟件學報, 2010, 21(5):875-885.)

    [15] Li F W, Zhang X Y, Zhu J, et al. Network security situational awareness model based on information fusion[J].JournalofComputerApplications, 2015,35(7):1882-1887.(李方偉, 張新躍, 朱江,等. 基于信息融合的網(wǎng)絡安全態(tài)勢評估模型[J]. 計算機應用,2015,35(7):1882-1887.)

    [16] Brest J, Greiner S, Boskovic B, et al. Self-adapting control parameters in differential evolution: a comparative study on numerical benchmark problems[J].EvolutionaryComputation, 2006, 10(6):646-657.

    [17] Xie X F, Zhang W J, Zhang G R, et al. Empirical study of differential evolution[J].JournalofControlandDecision, 2004, 19(1): 49-52(謝曉鋒, 張文俊, 張國瑞,等. 差異演化的實驗研究[J]. 控制與決策, 2004, 19(1):49-52.)

    [18] Mallipeddi R, Suganthan P N, Pan Q K, et al. Differential evolution algorithm with ensemble of parameters and mutation strategies[J].AppliedSoftComputing,2011,11(2):1679-1696.

    Network security situation prediction based on APDE-RBF neural network

    LI Fang-wei, ZHANG Xin-yue, ZHU Jiang, HUANG Qing

    (ChongqingUniversityofPostsandTelecommunications,ChongqingKeyLabofMobileCommunicationsTechnology,Chongqing400065,China)

    In order to improve the prediction accuracy of network security situation based on radical basis function (RBF) neural network, an optimization algorithm of RBF neural network based on affinity propagation (AP) clustering and differential evolution (DE) is proposed. Firstly, the AP clustering is used to optimize the center and the number of the hidden layer. Secondly, AP clustering is used to get the population diversity (PD), the scaling factor and the crossover probability of DE are adaptively changed with the PD for the optimized width and connection weights of RBF neural network. In order to avoid falling into the local optimum and jump out of the local extreme point, the elite individual and PD’ centers of each generation population are searched by chaotic search. The simulation results show that the APDE-RBF algorithm can enhance the generalization ability, and it also has high prediction accuracy for the network security situation.

    radical basis function (RBF); affinity propagation (AP) clustering; differential evolution (DE); population diversity (PD); chaotic search

    2015-01-15;

    2016-07-28;網(wǎng)絡優(yōu)先出版日期:2016-08-31。

    國家自然科學基金項目(61271260,61301122);重慶市科委自然科學基金項目(cstc2015jcyjA40050)資助課題

    TP 393

    A

    10.3969/j.issn.1001-506X.2016.12.28

    李方偉(1960-),男,教授,博士研究生導師,主要研究方向為移動通信技術(shù)與理論、信息安全技術(shù)。

    E-mail:huangq46@163.com

    張新躍(1990-),男,碩士研究生,主要研究方向為網(wǎng)絡安全態(tài)勢感知。

    E-mail:zhang_xin_yue@qq.com

    朱 江(1977-),男,副教授,博士,主要研究方向為認知無線電技術(shù)。

    E-mail:juliuszhu@vip.qq.com

    黃 卿(1990-),男,碩士研究生,主要研究方向為網(wǎng)絡安全態(tài)勢感知。

    E-mail:2474692825@qq.com

    網(wǎng)絡優(yōu)先出版地址:http:∥www.cnki.net/kcms/detail/11.2422.TN.20160831.1252.004.html

    猜你喜歡
    態(tài)勢種群聚類
    邢氏水蕨成功繁衍并建立種群 等
    山西省發(fā)現(xiàn)刺五加種群分布
    2019年12月與11月相比汽車產(chǎn)銷延續(xù)了增長態(tài)勢
    汽車與安全(2020年1期)2020-05-14 13:27:19
    匯市延續(xù)小幅震蕩態(tài)勢
    中國外匯(2019年19期)2019-11-26 00:57:36
    我國天然氣供需呈現(xiàn)緊平衡態(tài)勢
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    基于改進的遺傳算法的模糊聚類算法
    縣鄉(xiāng)一體化探索呈加速態(tài)勢
    一種層次初始的聚類個數(shù)自適應的聚類方法研究
    自適應確定K-means算法的聚類數(shù):以遙感圖像聚類為例
    精品人妻一区二区三区麻豆 | 色精品久久人妻99蜜桃| 人妻少妇偷人精品九色| 成人亚洲精品av一区二区| 国产色爽女视频免费观看| h日本视频在线播放| 美女大奶头视频| 国产成人福利小说| 国产麻豆成人av免费视频| 亚洲在线观看片| 小说图片视频综合网站| 国产蜜桃级精品一区二区三区| 午夜亚洲福利在线播放| 少妇人妻精品综合一区二区 | 欧美成人一区二区免费高清观看| 欧美高清性xxxxhd video| 久久精品国产亚洲av涩爱 | 国产一级毛片七仙女欲春2| 久久99热这里只有精品18| 一区二区三区四区激情视频 | 成人性生交大片免费视频hd| 啦啦啦观看免费观看视频高清| 中文亚洲av片在线观看爽| 日韩精品有码人妻一区| 欧美xxxx黑人xx丫x性爽| 欧美另类亚洲清纯唯美| 国内精品一区二区在线观看| 国产高清激情床上av| 亚洲av第一区精品v没综合| 亚洲欧美清纯卡通| 一级黄片播放器| 黄色丝袜av网址大全| 人妻丰满熟妇av一区二区三区| 九九在线视频观看精品| 亚洲av.av天堂| 色精品久久人妻99蜜桃| 精品久久久久久久久久免费视频| bbb黄色大片| 99热这里只有是精品在线观看| 国内精品久久久久精免费| 亚洲国产高清在线一区二区三| 日日撸夜夜添| 国产欧美日韩一区二区精品| 精品久久久久久久人妻蜜臀av| 成人av一区二区三区在线看| 亚洲无线在线观看| 国产中年淑女户外野战色| 中文字幕高清在线视频| 国产精品综合久久久久久久免费| 乱人视频在线观看| 国产精品久久久久久久久免| 国产精品1区2区在线观看.| 久久精品夜夜夜夜夜久久蜜豆| 亚洲av第一区精品v没综合| 一级av片app| 特级一级黄色大片| eeuss影院久久| 两个人视频免费观看高清| 老司机午夜福利在线观看视频| 国产伦一二天堂av在线观看| 成人三级黄色视频| 欧美成人a在线观看| 99热这里只有精品一区| 欧美日韩综合久久久久久 | 欧美色欧美亚洲另类二区| 久久久久久久久中文| 97碰自拍视频| 美女xxoo啪啪120秒动态图| 免费在线观看成人毛片| 少妇熟女aⅴ在线视频| 97人妻精品一区二区三区麻豆| 免费观看人在逋| 又爽又黄无遮挡网站| 久久精品国产亚洲av涩爱 | 日韩欧美国产一区二区入口| 日本免费a在线| 国产精品久久久久久久久免| 国产老妇女一区| 在线免费观看的www视频| 免费观看的影片在线观看| av在线老鸭窝| 日韩精品青青久久久久久| 舔av片在线| xxxwww97欧美| 日韩精品中文字幕看吧| 国产精品一及| 国产成人av教育| 赤兔流量卡办理| 免费无遮挡裸体视频| 亚洲精品在线观看二区| 天美传媒精品一区二区| 尤物成人国产欧美一区二区三区| 小说图片视频综合网站| 美女大奶头视频| 国产黄色小视频在线观看| www.www免费av| 九九爱精品视频在线观看| 在线a可以看的网站| 亚洲av.av天堂| 亚洲四区av| 国产色婷婷99| 久久久久久九九精品二区国产| 久久久久久大精品| 国产单亲对白刺激| 欧美日韩综合久久久久久 | 亚洲美女搞黄在线观看 | 香蕉av资源在线| 嫁个100分男人电影在线观看| 男女那种视频在线观看| 国产高潮美女av| 久久久久久久午夜电影| 又爽又黄无遮挡网站| 少妇高潮的动态图| 国产男人的电影天堂91| 熟女人妻精品中文字幕| 亚洲无线观看免费| 国产精品一及| 桃色一区二区三区在线观看| 日本成人三级电影网站| 色哟哟·www| 日本撒尿小便嘘嘘汇集6| 日韩欧美在线乱码| 亚洲美女视频黄频| 男人的好看免费观看在线视频| 高清毛片免费观看视频网站| 国产色爽女视频免费观看| 国产免费一级a男人的天堂| 国产精品亚洲美女久久久| 亚洲美女黄片视频| 99久久无色码亚洲精品果冻| 国产探花在线观看一区二区| 少妇人妻一区二区三区视频| 一本久久中文字幕| 亚洲性久久影院| 国产一区二区在线观看日韩| 日本欧美国产在线视频| 国产伦在线观看视频一区| 久久精品国产自在天天线| 久久天躁狠狠躁夜夜2o2o| 高清在线国产一区| 神马国产精品三级电影在线观看| 色精品久久人妻99蜜桃| 午夜免费男女啪啪视频观看 | 免费看美女性在线毛片视频| 九色国产91popny在线| 99久久久亚洲精品蜜臀av| 我要看日韩黄色一级片| 九九爱精品视频在线观看| 精品一区二区三区视频在线观看免费| 制服丝袜大香蕉在线| 国内久久婷婷六月综合欲色啪| 不卡一级毛片| 日本爱情动作片www.在线观看 | .国产精品久久| 国产成年人精品一区二区| 美女 人体艺术 gogo| 欧美绝顶高潮抽搐喷水| 国产欧美日韩精品亚洲av| 1024手机看黄色片| 在线国产一区二区在线| 国产精品一及| 亚洲一区高清亚洲精品| 三级男女做爰猛烈吃奶摸视频| 日本精品一区二区三区蜜桃| 在线免费观看不下载黄p国产 | 黄色女人牲交| 岛国在线免费视频观看| 国产精品伦人一区二区| 色哟哟哟哟哟哟| 俄罗斯特黄特色一大片| 成人美女网站在线观看视频| 18禁黄网站禁片免费观看直播| 日韩欧美精品免费久久| 色5月婷婷丁香| 久久这里只有精品中国| 亚洲欧美激情综合另类| .国产精品久久| 色哟哟·www| 99久国产av精品| 中文亚洲av片在线观看爽| 久久精品综合一区二区三区| 午夜福利成人在线免费观看| 大型黄色视频在线免费观看| 亚洲精华国产精华精| 可以在线观看毛片的网站| 午夜福利18| 99久久无色码亚洲精品果冻| 日日夜夜操网爽| 91av网一区二区| 春色校园在线视频观看| 老司机深夜福利视频在线观看| 婷婷六月久久综合丁香| 免费在线观看成人毛片| 欧美日韩黄片免| 18禁在线播放成人免费| 久久久久久久久久久丰满 | 亚洲va在线va天堂va国产| 精品久久久久久久人妻蜜臀av| 日韩中字成人| 中文字幕精品亚洲无线码一区| 白带黄色成豆腐渣| av在线天堂中文字幕| 级片在线观看| 亚洲av中文av极速乱 | ponron亚洲| 最近中文字幕高清免费大全6 | 少妇丰满av| 麻豆国产av国片精品| 老司机深夜福利视频在线观看| 深夜精品福利| 如何舔出高潮| 三级国产精品欧美在线观看| 观看美女的网站| 九色国产91popny在线| 亚洲乱码一区二区免费版| 午夜免费激情av| 国产午夜精品论理片| 国产私拍福利视频在线观看| 99精品久久久久人妻精品| 内地一区二区视频在线| a在线观看视频网站| 国产69精品久久久久777片| 中文字幕av在线有码专区| 亚洲成人久久性| 99热网站在线观看| 校园人妻丝袜中文字幕| 桃色一区二区三区在线观看| 午夜日韩欧美国产| 一进一出抽搐gif免费好疼| 天堂√8在线中文| 好男人在线观看高清免费视频| 国产成人a区在线观看| 夜夜看夜夜爽夜夜摸| 久久久久久久久大av| 99久久精品国产国产毛片| 直男gayav资源| 成人国产综合亚洲| 欧美bdsm另类| 欧美黑人巨大hd| 成人亚洲精品av一区二区| 老熟妇乱子伦视频在线观看| 久久精品久久久久久噜噜老黄 | 中出人妻视频一区二区| 国产高清不卡午夜福利| 精品久久久久久久久av| 国产精品久久电影中文字幕| 波多野结衣高清无吗| 成人无遮挡网站| av在线亚洲专区| 深夜精品福利| 级片在线观看| 搡女人真爽免费视频火全软件 | 欧美另类亚洲清纯唯美| 国产一区二区三区av在线 | 最后的刺客免费高清国语| 中国美白少妇内射xxxbb| 亚洲精品色激情综合| 精品日产1卡2卡| 日本免费一区二区三区高清不卡| 国内精品宾馆在线| 欧美日韩综合久久久久久 | 在线国产一区二区在线| 国产黄a三级三级三级人| 国产精品永久免费网站| 国产不卡一卡二| 美女 人体艺术 gogo| av.在线天堂| 成人午夜高清在线视频| 内射极品少妇av片p| 女生性感内裤真人,穿戴方法视频| 久久精品国产鲁丝片午夜精品 | 午夜久久久久精精品| 久久人人精品亚洲av| 久久久色成人| 全区人妻精品视频| 我的老师免费观看完整版| 亚洲在线观看片| 日韩中文字幕欧美一区二区| 亚洲国产欧洲综合997久久,| 麻豆国产av国片精品| 欧美潮喷喷水| 国产三级中文精品| 琪琪午夜伦伦电影理论片6080| 可以在线观看的亚洲视频| 在线国产一区二区在线| av国产免费在线观看| 亚洲欧美清纯卡通| 联通29元200g的流量卡| 波多野结衣高清作品| 天天躁日日操中文字幕| 老女人水多毛片| 两个人的视频大全免费| 欧美性猛交黑人性爽| 女人被狂操c到高潮| 看十八女毛片水多多多| 亚洲18禁久久av| 精品人妻熟女av久视频| 搡老熟女国产l中国老女人| 一区福利在线观看| 亚洲精品久久国产高清桃花| 日日夜夜操网爽| 久久欧美精品欧美久久欧美| 国产精品精品国产色婷婷| 亚洲av不卡在线观看| 欧美又色又爽又黄视频| 亚洲人成伊人成综合网2020| 国产高潮美女av| 国模一区二区三区四区视频| 成人精品一区二区免费| 最新中文字幕久久久久| 99久久精品国产国产毛片| 大又大粗又爽又黄少妇毛片口| 男人舔奶头视频| 我要看日韩黄色一级片| 亚洲精品456在线播放app | 长腿黑丝高跟| 日本撒尿小便嘘嘘汇集6| 亚洲av五月六月丁香网| 草草在线视频免费看| 麻豆成人午夜福利视频| 一个人看视频在线观看www免费| 日本 av在线| 男插女下体视频免费在线播放| 看片在线看免费视频| 国产午夜精品久久久久久一区二区三区 | 真实男女啪啪啪动态图| 日本免费一区二区三区高清不卡| а√天堂www在线а√下载| 日韩在线高清观看一区二区三区 | 搡老妇女老女人老熟妇| 国产亚洲精品av在线| 琪琪午夜伦伦电影理论片6080| 免费观看精品视频网站| 亚洲内射少妇av| 真实男女啪啪啪动态图| 国产精品人妻久久久影院| 乱码一卡2卡4卡精品| 精品国产三级普通话版| 九九爱精品视频在线观看| 精品久久久久久久久亚洲 | 国产精品国产三级国产av玫瑰| 亚洲图色成人| 我的女老师完整版在线观看| 欧洲精品卡2卡3卡4卡5卡区| 在线天堂最新版资源| 丰满人妻一区二区三区视频av| 日本爱情动作片www.在线观看 | 日日摸夜夜添夜夜添小说| 久久人人精品亚洲av| 欧美成人一区二区免费高清观看| av在线亚洲专区| 香蕉av资源在线| 嫁个100分男人电影在线观看| 午夜福利成人在线免费观看| 免费无遮挡裸体视频| 亚洲av成人av| 女的被弄到高潮叫床怎么办 | 午夜福利视频1000在线观看| 中国美白少妇内射xxxbb| av国产免费在线观看| 毛片女人毛片| 日韩精品中文字幕看吧| 亚洲av日韩精品久久久久久密| 成人亚洲精品av一区二区| 色哟哟哟哟哟哟| 免费观看人在逋| 真实男女啪啪啪动态图| 五月伊人婷婷丁香| 国产美女午夜福利| 国产亚洲精品久久久久久毛片| 色综合站精品国产| av黄色大香蕉| 美女免费视频网站| 熟女人妻精品中文字幕| 国产精品亚洲一级av第二区| 超碰av人人做人人爽久久| 久久国产精品人妻蜜桃| 亚洲精品成人久久久久久| 在现免费观看毛片| 亚洲经典国产精华液单| 我要看日韩黄色一级片| 国内精品久久久久精免费| 少妇人妻一区二区三区视频| 午夜激情福利司机影院| 村上凉子中文字幕在线| 老司机福利观看| 男人舔女人下体高潮全视频| 黄色丝袜av网址大全| 久久久久久伊人网av| 久久精品国产鲁丝片午夜精品 | 赤兔流量卡办理| 欧美性猛交黑人性爽| 色综合婷婷激情| a级毛片免费高清观看在线播放| 中文字幕高清在线视频| 我要搜黄色片| 亚洲av五月六月丁香网| 俺也久久电影网| 成年女人看的毛片在线观看| av女优亚洲男人天堂| 久久热精品热| 日本黄色片子视频| 欧美bdsm另类| 国产在视频线在精品| 亚洲一级一片aⅴ在线观看| 最近最新中文字幕大全电影3| 亚洲av美国av| 日日摸夜夜添夜夜添小说| 久久久久久大精品| 久久精品国产亚洲av涩爱 | 日韩强制内射视频| 搞女人的毛片| 最近最新免费中文字幕在线| 日本-黄色视频高清免费观看| 久久午夜亚洲精品久久| 精品人妻偷拍中文字幕| 夜夜夜夜夜久久久久| 午夜福利18| 精品日产1卡2卡| 亚洲美女视频黄频| 国产在线精品亚洲第一网站| 九色成人免费人妻av| 国产伦精品一区二区三区四那| 日韩强制内射视频| 亚洲最大成人中文| 最近最新免费中文字幕在线| 亚洲中文字幕一区二区三区有码在线看| 国产淫片久久久久久久久| 日本黄色视频三级网站网址| 精品免费久久久久久久清纯| 亚洲五月天丁香| 国产真实乱freesex| 91狼人影院| 88av欧美| 国产综合懂色| 亚洲成人中文字幕在线播放| 97超级碰碰碰精品色视频在线观看| 午夜福利高清视频| 午夜福利视频1000在线观看| 国产乱人伦免费视频| а√天堂www在线а√下载| 日韩在线高清观看一区二区三区 | 国产一区二区三区在线臀色熟女| 啦啦啦韩国在线观看视频| 免费观看人在逋| 久久久精品大字幕| 一区福利在线观看| 在线看三级毛片| 免费观看在线日韩| 岛国在线免费视频观看| 看黄色毛片网站| 精品午夜福利在线看| 亚洲不卡免费看| 婷婷色综合大香蕉| 97超级碰碰碰精品色视频在线观看| 成人特级黄色片久久久久久久| 日本免费a在线| 亚洲中文日韩欧美视频| 久久人人爽人人爽人人片va| 国产在视频线在精品| 婷婷六月久久综合丁香| 女的被弄到高潮叫床怎么办 | 日本撒尿小便嘘嘘汇集6| 97人妻精品一区二区三区麻豆| 亚洲图色成人| АⅤ资源中文在线天堂| av在线亚洲专区| 亚洲黑人精品在线| 国产精品一区二区性色av| 免费在线观看成人毛片| 日本 av在线| 国产av一区在线观看免费| 午夜福利欧美成人| 精品午夜福利视频在线观看一区| 精品一区二区三区视频在线观看免费| 亚洲人成伊人成综合网2020| 久久亚洲精品不卡| 免费观看精品视频网站| 欧美日韩乱码在线| 国产精品亚洲一级av第二区| 国产成人av教育| 婷婷色综合大香蕉| 国产在线精品亚洲第一网站| 嫩草影院精品99| 免费无遮挡裸体视频| 男人和女人高潮做爰伦理| 此物有八面人人有两片| 亚洲avbb在线观看| 五月玫瑰六月丁香| 欧美日本视频| 色精品久久人妻99蜜桃| 久久热精品热| 一进一出抽搐动态| 亚洲成人久久性| 久99久视频精品免费| 国产乱人视频| 很黄的视频免费| 亚洲真实伦在线观看| 成人av在线播放网站| 人妻夜夜爽99麻豆av| 亚洲成人久久爱视频| 一区二区三区高清视频在线| 热99re8久久精品国产| 亚洲精品亚洲一区二区| 很黄的视频免费| 午夜福利在线在线| 亚洲欧美激情综合另类| 欧美日本亚洲视频在线播放| 乱系列少妇在线播放| 日本五十路高清| 如何舔出高潮| 国产伦精品一区二区三区视频9| 在线播放国产精品三级| 亚洲一级一片aⅴ在线观看| 十八禁国产超污无遮挡网站| 国产成年人精品一区二区| 日韩大尺度精品在线看网址| 麻豆国产97在线/欧美| 成人美女网站在线观看视频| 国产高清视频在线观看网站| 大又大粗又爽又黄少妇毛片口| 国产一区二区激情短视频| 中文字幕高清在线视频| 制服丝袜大香蕉在线| 色综合色国产| 久久午夜福利片| 国产精品1区2区在线观看.| 最后的刺客免费高清国语| 成人特级黄色片久久久久久久| 欧美色视频一区免费| 老熟妇仑乱视频hdxx| 97超级碰碰碰精品色视频在线观看| 国产三级在线视频| 欧美另类亚洲清纯唯美| 色综合亚洲欧美另类图片| 十八禁国产超污无遮挡网站| 免费高清视频大片| 看片在线看免费视频| 日韩强制内射视频| 色5月婷婷丁香| 国产精品女同一区二区软件 | 国产av不卡久久| 窝窝影院91人妻| 日韩强制内射视频| 91狼人影院| 欧美成人性av电影在线观看| 黄色一级大片看看| 一个人观看的视频www高清免费观看| 国语自产精品视频在线第100页| 国产精品久久视频播放| 国产亚洲精品久久久久久毛片| 美女cb高潮喷水在线观看| 我的老师免费观看完整版| 麻豆成人午夜福利视频| 此物有八面人人有两片| 成人鲁丝片一二三区免费| 乱人视频在线观看| 亚洲性久久影院| 成人午夜高清在线视频| 免费av不卡在线播放| 久9热在线精品视频| 一a级毛片在线观看| a级一级毛片免费在线观看| 色播亚洲综合网| av在线蜜桃| 欧美极品一区二区三区四区| 国产一区二区亚洲精品在线观看| 免费无遮挡裸体视频| 狂野欧美白嫩少妇大欣赏| 他把我摸到了高潮在线观看| 欧美日韩国产亚洲二区| 成年人黄色毛片网站| 18禁黄网站禁片免费观看直播| 联通29元200g的流量卡| 国产精品久久久久久av不卡| av天堂在线播放| 又黄又爽又刺激的免费视频.| 亚洲av一区综合| av在线蜜桃| 内地一区二区视频在线| 综合色av麻豆| 亚洲电影在线观看av| 99久国产av精品| 国国产精品蜜臀av免费| 国产精品亚洲一级av第二区| 男人狂女人下面高潮的视频| 少妇的逼好多水| 精品福利观看| 免费在线观看成人毛片| 亚洲精品色激情综合| 国产毛片a区久久久久| 欧美xxxx性猛交bbbb| 色综合亚洲欧美另类图片| 国产精品亚洲美女久久久| 最近在线观看免费完整版| 午夜a级毛片| 欧美日本视频| 亚洲欧美日韩高清专用| 一a级毛片在线观看| 亚洲精华国产精华液的使用体验 | 亚洲欧美日韩卡通动漫| 此物有八面人人有两片| 十八禁国产超污无遮挡网站| 亚洲av熟女| 神马国产精品三级电影在线观看| 国产在线精品亚洲第一网站| 日韩av在线大香蕉| 波多野结衣高清无吗| 国产成人a区在线观看| 99久久无色码亚洲精品果冻| 人人妻人人澡欧美一区二区| 精品一区二区三区av网在线观看| 99国产精品一区二区蜜桃av| 日韩精品青青久久久久久| 九色国产91popny在线|