• <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 ?

    基于支持向量回歸的軟件缺陷密度預(yù)測(cè)模型

    2017-03-27 05:49:49楊騰翔王欽釗馬振宇韓志賀
    關(guān)鍵詞:軟件缺陷度量向量

    楊騰翔, 萬(wàn) 琳, 王欽釗, 馬振宇,3, 韓志賀

    (1. 陸軍裝甲兵學(xué)院信息工程系, 北京 100072; 2. 陸軍裝甲兵學(xué)院控制工程系, 北京 100072;3. 陸軍裝甲兵學(xué)院技術(shù)保障工程系, 北京 100072; 4. 31689部隊(duì), 吉林 四平 136000)

    軟件缺陷預(yù)測(cè)主要用于判別軟件中是否包含缺陷,預(yù)測(cè)軟件中包含缺陷的數(shù)量或密度。預(yù)測(cè)過(guò)程屬于機(jī)器學(xué)習(xí)的范疇,依據(jù)不同方法構(gòu)建預(yù)測(cè)模型,完成軟件缺陷的預(yù)測(cè)工作。軟件缺陷預(yù)測(cè)[1-4]大致可分為靜態(tài)缺陷預(yù)測(cè)和動(dòng)態(tài)缺陷預(yù)測(cè),其中:靜態(tài)缺陷預(yù)測(cè)主要是依據(jù)軟件靜態(tài)屬性預(yù)測(cè)軟件中是否包含缺陷;動(dòng)態(tài)缺陷預(yù)測(cè)則是為了建立缺陷與相應(yīng)時(shí)間階段之間的規(guī)則聯(lián)系,記錄出現(xiàn)缺陷數(shù)量較多的時(shí)間段。目前,軟件缺陷預(yù)測(cè)模型主要有基于支持向量機(jī)(Support Vector Machine, SVM)的預(yù)測(cè)模型、基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型[5]和基于LASSO-SVM的預(yù)測(cè)模型[6]等。另外,研究者結(jié)合數(shù)據(jù)挖掘算法對(duì)模型的預(yù)測(cè)效果不斷進(jìn)行了改進(jìn),如:姜慧研等[7]提出了利用蟻群算法對(duì)軟件缺陷預(yù)測(cè)模型進(jìn)行改進(jìn);王男帥等[8]提出了利用遺傳算法優(yōu)化缺陷數(shù)據(jù)屬性和SVM參數(shù)的預(yù)測(cè)模型。

    現(xiàn)階段,雖然缺陷預(yù)測(cè)技術(shù)一定程度上取得了相應(yīng)進(jìn)展,但仍存在以下問(wèn)題:1)度量元的選擇并沒(méi)有得出系統(tǒng)的論證,缺陷的度量元有幾十種且相互關(guān)聯(lián),在預(yù)測(cè)過(guò)程中需選擇對(duì)缺陷預(yù)測(cè)影響較大的度量元;2)數(shù)據(jù)集對(duì)現(xiàn)有缺陷預(yù)測(cè)模型的影響較大,對(duì)一組數(shù)據(jù)預(yù)測(cè)結(jié)果較好的模型,換一組數(shù)據(jù)或許就達(dá)不到預(yù)測(cè)的效果;3)缺陷數(shù)據(jù)的預(yù)處理和模型參數(shù)的選擇對(duì)預(yù)測(cè)結(jié)果的影響也較大。

    針對(duì)上述問(wèn)題,筆者提出一種基于支持向量回歸(Support Vector Regression, SVR)的軟件缺陷密度預(yù)測(cè)模型。首先,考慮不同度量元對(duì)缺陷密度預(yù)測(cè)的影響,選擇與缺陷密度相關(guān)性較大的度量元,利用SVR構(gòu)建缺陷密度預(yù)測(cè)模型,并對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)

    行歸一化和隨機(jī)排序,以降低數(shù)據(jù)集對(duì)預(yù)測(cè)模型的影響;然后,選取徑向基核函數(shù)(Radial Basis Function,RBF),并利用網(wǎng)格搜索的方法對(duì)模型參數(shù)進(jìn)行優(yōu)化;最后,通過(guò)實(shí)驗(yàn)驗(yàn)證預(yù)測(cè)模型的有效性。

    1 軟件缺陷密度預(yù)測(cè)方法框架

    王青等[9]研究表明:缺陷的存在符合二八原則,即80%的缺陷往往存在于20%的程序模塊中。缺陷密度是對(duì)軟件、程序模塊或源文件中缺陷數(shù)量和代碼行數(shù)關(guān)系的度量,反映了該模塊包含缺陷的概率。度量元是對(duì)程序內(nèi)在屬性的一種直觀表示,反映了程序代碼的質(zhì)量和復(fù)雜度。筆者將度量元、缺陷密度分別作為預(yù)測(cè)過(guò)程的輸入、輸出,通過(guò)預(yù)測(cè)模型建立二者之間的關(guān)系,用于下一步的預(yù)測(cè)。圖1為軟件項(xiàng)目的缺陷密度預(yù)測(cè)模型。

    圖1 軟件項(xiàng)目的缺陷密度預(yù)測(cè)模型

    2 軟件缺陷密度預(yù)測(cè)模型

    2.1 度量元數(shù)據(jù)提取

    本文引入Spearman秩相關(guān)系數(shù)的分析方法,用于衡量度量元和缺陷密度之間的關(guān)系,從而提取對(duì)缺陷密度影響較大的度量元,去除冗余的度量元。

    給定軟件項(xiàng)目某度量元X和缺陷密度Y的n組數(shù)據(jù),可表示為X(X1,…,Xk,…,Xn)和Y(y1,…,yk,…,yn)。其中:Xk為第k個(gè)軟件項(xiàng)目的度量元;yk為第k個(gè)軟件項(xiàng)目的缺陷密度。

    為分析度量元X和缺陷密度Y之間的相關(guān)程度,首先將X和Y中數(shù)據(jù)進(jìn)行配對(duì),得到數(shù)據(jù)組(X1,y1),…,(Xk,yk),…,(Xn,yn);然后將Xk和yk分別按照大小排序,獲得Xk和yk在2個(gè)順序樣本中的排名(即秩),記作Rk和Sk。由此可以得到數(shù)據(jù)組的n對(duì)秩,即(R1,S1),…,(Rk,Sk),…,(Rn,Sn)。利用Spearman秩相關(guān)系數(shù)衡量X和Y之間的相關(guān)程度,可表示為

    (1)

    式中:

    (2)

    (3)

    dk=Rk-Sk。

    (4)

    注:1)r的取值范圍為[-1,1];2)當(dāng)r>0時(shí),表明X和Y正相關(guān),當(dāng)r<0時(shí),表明X和Y負(fù)相關(guān);3)|r|越大,說(shuō)明X和Y的相關(guān)程度越高;4)當(dāng)r=1時(shí),則X和Y完全正相關(guān),當(dāng)r=-1時(shí),則X和Y完全負(fù)相關(guān)。

    2.2 數(shù)據(jù)預(yù)處理

    為了避免在數(shù)據(jù)處理過(guò)程中因某個(gè)或某些度量元數(shù)值差別過(guò)大而影響計(jì)算的精度,加快程序的收斂速度,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。歸一化就是將度量元屬性數(shù)值規(guī)范到 [0,1]的過(guò)程,不影響原始數(shù)據(jù)屬性對(duì)回歸模型的預(yù)測(cè)。本文將單個(gè)維度下的度量元數(shù)據(jù)分別進(jìn)行歸一化,即

    (5)

    另外,樣本的排序?qū)?shí)驗(yàn)結(jié)果必然產(chǎn)生一定的影響,本文利用隨機(jī)抽樣的方法對(duì)數(shù)據(jù)順序進(jìn)行重新排列,避免因?yàn)橛?xùn)練集和測(cè)試集中個(gè)別實(shí)驗(yàn)數(shù)據(jù)異常而影響回歸預(yù)測(cè)的整體效果,從而找出擬合度較高的回歸模型。

    2.3 缺陷密度預(yù)測(cè)模型構(gòu)建

    給定數(shù)據(jù)樣本集合{(x1,y1),…,(xi,yi),…,(xl,yl)},其中,xi(i=1,2,…,l)為第i個(gè)軟件項(xiàng)目的度量元向量,yi為第i個(gè)軟件項(xiàng)目的缺陷密度,xi∈Rn,yi∈R。尋找Rn上的一個(gè)模型f(x)來(lái)擬合這些點(diǎn),以便用該模型推斷任一輸入x所對(duì)應(yīng)的y值。其中,

    f(x)=w·x+b,

    (6)

    式中:w為超平面的法向量;b為常數(shù)。

    回歸預(yù)測(cè)的過(guò)程就是尋找一個(gè)最優(yōu)超平面,使所有的樣本點(diǎn)距離超平面的“總偏差”較小,因此采用一個(gè)正則化的誤差函數(shù)進(jìn)行度量,即

    (7)

    式中:f(xi)為第i個(gè)軟件項(xiàng)目缺陷密度的預(yù)測(cè)值。

    則原問(wèn)題可轉(zhuǎn)化為最優(yōu)化問(wèn)題:

    (8)

    (9)

    式中:C為懲罰因子;ε為允許的范圍誤差;ν為支持向量的個(gè)數(shù);ξi、ξi*分別為訓(xùn)練樣本對(duì)于超平面的上、下偏差。

    引入拉格朗日乘子αi,得到對(duì)偶形式:

    (10)

    (11)

    式中:K(xi,xj)為核函數(shù)。

    最終建立的SVR預(yù)測(cè)模型為

    (12)

    通過(guò)上述方法構(gòu)建出軟件缺陷密度預(yù)測(cè)模型,給定任一輸入的度量元向量x,則能夠預(yù)測(cè)出軟件項(xiàng)目所對(duì)應(yīng)的缺陷密度y。

    2.4 核函數(shù)的選擇

    為了提高模型對(duì)缺陷密度預(yù)測(cè)的效果,首先需要對(duì)模型中的核函數(shù)進(jìn)行選擇。合適的核函數(shù)能夠較好地將低維空間的非線性問(wèn)題轉(zhuǎn)化為高維空間的線性問(wèn)題,在高維空間中尋找回歸問(wèn)題的最優(yōu)超平面,解決了傳統(tǒng)方法在轉(zhuǎn)化過(guò)程中出現(xiàn)的計(jì)算量劇增的問(wèn)題。

    在缺陷密度的回歸預(yù)測(cè)過(guò)程中,核函數(shù)的作用可表示為:首先,把度量元所表示的向量x轉(zhuǎn)化到高維空間的向量x′,并計(jì)算出高維空間中回歸模型的w′和b′;然后,通過(guò)f(x′)=w′·x′+b′進(jìn)一步得到回歸結(jié)果。核函數(shù)的目的就是建立數(shù)據(jù)從低維到高維轉(zhuǎn)換的映射關(guān)系,當(dāng)給定低維空間的w和x時(shí),可直接輸出確定的f(x′)。

    模型中最常用的核函數(shù)主要有線性核函數(shù)、多項(xiàng)式核函數(shù)和RBF核函數(shù)[8-9]。其中,RBF核函數(shù)是某種沿徑向?qū)ΨQ的標(biāo)量函數(shù),能夠?qū)?shù)據(jù)映射到無(wú)窮維,同時(shí)能夠逼近任意非線性函數(shù),具有良好的泛化能力,收斂速度較快。因此,本文采用RBF核函數(shù)構(gòu)建軟件缺陷密度預(yù)測(cè)模型,其表達(dá)式為

    (13)

    式中:xj為RBF核函數(shù)的中心;σ為RBF核函數(shù)的寬度系數(shù),決定著核函數(shù)的徑向作用范圍。

    2.5 參數(shù)優(yōu)化

    雖然SVR模型中存在默認(rèn)參數(shù),但在實(shí)際問(wèn)題中并不能適用于所有問(wèn)題的最優(yōu)解,因此在研究具體問(wèn)題時(shí)需要優(yōu)化參數(shù)。參數(shù)優(yōu)化包括懲罰因子C和g參數(shù)[10]的設(shè)置,其中:懲罰因子C在確定的特征空間中控制回歸曲線的平滑度并折中經(jīng)驗(yàn)風(fēng)險(xiǎn);g參數(shù)用來(lái)調(diào)節(jié)RBF核函數(shù)中的σ,決定著RBF核函數(shù)的性能[11]。對(duì)于C、g這2個(gè)參數(shù),國(guó)際上并沒(méi)有給出公認(rèn)統(tǒng)一的設(shè)置方法,需要根據(jù)具體研究對(duì)象和樣本數(shù)據(jù)特點(diǎn)進(jìn)行優(yōu)化。

    網(wǎng)格搜索法是一種遍歷搜索的優(yōu)化方法,其優(yōu)化過(guò)程是依據(jù)步距將數(shù)值范圍劃分成網(wǎng)格,將所有數(shù)值分組并不斷取任何可能的值。

    參數(shù)優(yōu)化的實(shí)質(zhì)是針對(duì)不同的研究對(duì)象選擇合適的(C,g)數(shù)據(jù)對(duì)。在缺陷密度的預(yù)測(cè)模型中設(shè)置C、g的數(shù)值范圍,根據(jù)搜索步長(zhǎng)將C、g分別劃分為n1、n2組數(shù)值,然后將這些數(shù)值進(jìn)行配對(duì),共有n1·n2組(C,g)數(shù)據(jù)對(duì)。網(wǎng)格搜索就是對(duì)n1·n2組參數(shù)進(jìn)行遍歷搜索,通過(guò)驗(yàn)證選擇出預(yù)測(cè)精度較高的(C,g)數(shù)據(jù)對(duì)作為最優(yōu)參數(shù)。

    驗(yàn)證過(guò)程采用十折交叉檢驗(yàn)的方法,其主要過(guò)程是將所有的數(shù)據(jù)樣本劃分為10個(gè)子集,每個(gè)子集都將被其余數(shù)據(jù)訓(xùn)練后作為測(cè)試集。整個(gè)過(guò)程需要進(jìn)行10次,直到每個(gè)子集都被當(dāng)作一次測(cè)試集,最后將10次的平均交叉驗(yàn)證誤差作為最終結(jié)果。網(wǎng)格搜索法通過(guò)設(shè)置搜索步長(zhǎng)對(duì)參數(shù)進(jìn)行全面搜索,與其他啟發(fā)式或逼近的優(yōu)化方法相比,搜索的范圍更全面。由于每個(gè)(C,g)對(duì)是相互獨(dú)立的,因此運(yùn)算時(shí)可并行性高,能夠節(jié)省一定的時(shí)間開(kāi)銷。

    3 實(shí)驗(yàn)結(jié)果及分析

    為驗(yàn)證基于SVR軟件缺陷密度預(yù)測(cè)模型的效果,筆者基于MATLAB2016a、VS2010平臺(tái)C++編譯環(huán)境以及LibSVM工具包進(jìn)行測(cè)試。實(shí)驗(yàn)采用我國(guó)特種車輛軟件評(píng)測(cè)中心以及通用裝備保障軟件評(píng)測(cè)中心的33組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試。首先利用軟件靜態(tài)分析工具LogiScope對(duì)軟件項(xiàng)目進(jìn)行度量,采集44個(gè)軟件缺陷度量元,通過(guò)Spearman相關(guān)系數(shù)分析法選擇對(duì)缺陷密度影響較大的5種缺陷度量元進(jìn)行回歸預(yù)測(cè),分別是耦合因子(ap_cof)、違反結(jié)構(gòu)化編程數(shù)量(struc_pg)、使用某個(gè)類的類數(shù)量(cu_cdusers)、某個(gè)類使用的類數(shù)量(cu_cdused)和子類數(shù)量(in_noc)。然后與Bagging、LinearRegression、Gaussian processes、IBK、MultilayerPerceptron五種機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比實(shí)驗(yàn)分析,5種機(jī)器學(xué)習(xí)算法分別基于不同的原理構(gòu)建預(yù)測(cè)模型,分析輸入和輸出之間的關(guān)系,算法具體描述如表1所示。

    表1 機(jī)器學(xué)習(xí)算法描述

    通過(guò)隨機(jī)抽樣的方法對(duì)33組數(shù)據(jù)進(jìn)行重新排序后,分析預(yù)測(cè)結(jié)果,搜索預(yù)測(cè)結(jié)果較好的數(shù)據(jù)序列進(jìn)行預(yù)測(cè)分析。將最優(yōu)數(shù)據(jù)序列的前22組作為訓(xùn)練集,后11組數(shù)據(jù)作為測(cè)試集,驗(yàn)證網(wǎng)格搜索后預(yù)測(cè)模型的可行性和有效性。筆者采用均方根誤差、平均絕對(duì)誤差、相對(duì)平方根誤差和相對(duì)絕對(duì)誤差4個(gè)指標(biāo),分析預(yù)測(cè)的缺陷密度值和實(shí)際缺陷密度值之間的誤差,各個(gè)指標(biāo)的表達(dá)式如下:

    均方根誤差:

    (14)

    平均絕對(duì)誤差:

    (15)

    相對(duì)平方誤差:

    (16)

    相對(duì)絕對(duì)誤差:

    (17)

    另外,通過(guò)相關(guān)系數(shù)衡量預(yù)測(cè)模型中度量元數(shù)據(jù)和缺陷密度的相關(guān)程度,相關(guān)系數(shù)越大,說(shuō)明構(gòu)建的預(yù)測(cè)模型效果越好。

    支持向量回歸共有ε-SVR和ν-SVR兩種類型。下面通過(guò)實(shí)驗(yàn)分析采用ε-SVR和ν-SVR的不同預(yù)測(cè)效果,結(jié)果對(duì)比如表2所示。可知:支持向量回歸中ν-SVR模型預(yù)測(cè)效果較好,這是因?yàn)棣?SVR模型在預(yù)測(cè)過(guò)程中能夠自動(dòng)將允許的范圍誤差ε最小化,而且能夠控制支持向量的個(gè)數(shù)ν,支持向量的個(gè)數(shù)直接決定預(yù)測(cè)的效果。

    表2 不同SVR類型預(yù)測(cè)結(jié)果對(duì)比

    因此,筆者選取ν-SVR模型進(jìn)行實(shí)驗(yàn),并將參數(shù)優(yōu)化后的SVR預(yù)測(cè)模型與5種機(jī)器學(xué)習(xí)算法的預(yù)測(cè)模型進(jìn)行對(duì)比分析,其缺陷密度預(yù)測(cè)結(jié)果對(duì)比如表3所示。

    表3 不同預(yù)測(cè)模型缺陷密度預(yù)測(cè)結(jié)果對(duì)比

    由表3可見(jiàn):與基于5種機(jī)器學(xué)習(xí)算法構(gòu)建的預(yù)測(cè)模型相比,本文的SVR預(yù)測(cè)模型得到的缺陷密度預(yù)測(cè)誤差較小,度量元數(shù)據(jù)和缺陷密度的相關(guān)系數(shù)較大,表明該模型的預(yù)測(cè)效果較好。

    通過(guò)網(wǎng)格搜索法對(duì)SVR預(yù)測(cè)模型參數(shù)尋優(yōu)后,得到C的最優(yōu)值為8,g的最優(yōu)值為0.5,結(jié)果如圖2所示。

    測(cè)試集模型的預(yù)測(cè)結(jié)果如圖3所示,可以看出:

    圖2 SVR參數(shù)尋優(yōu)結(jié)果

    圖3 測(cè)試集模型的預(yù)測(cè)結(jié)果

    缺陷密度回歸預(yù)測(cè)值基本能夠擬合實(shí)際缺陷密度值,誤差在合理范圍之內(nèi)。

    4 結(jié)論

    筆者通過(guò)Spearman相關(guān)系數(shù)提取對(duì)缺陷密度影響較大的缺陷度量元數(shù)據(jù),利用SVR構(gòu)建軟件缺陷密度預(yù)測(cè)模型,并采用網(wǎng)格搜索法對(duì)模型中參數(shù)(C,g)進(jìn)行優(yōu)化,一定程度上提高了回歸預(yù)測(cè)的效果,最后與5種機(jī)器學(xué)習(xí)算法進(jìn)行了對(duì)比實(shí)驗(yàn),結(jié)果表明:所建立的SVR預(yù)測(cè)模型是有效的,能較好地預(yù)測(cè)軟件缺陷。

    [1] 陳翔,顧慶,劉望舒,等. 靜態(tài)軟件缺陷預(yù)測(cè)方法研究[J].軟件學(xué)報(bào),2016(1):1-25.

    [2] AGARWAL S,TOMAR D,Prediction of software defects using twin support vector machine[C]∥International conference on information systems and computer networks.Mattura:IEEE,2014:128-132.

    [3] SUFFIAN M D M,IBRAHIM S.A prediction model for system testing defects using regression analysis[J].International journal of soft computing & software engineering,2012,2(7):55-68.

    [4] OKUTAN A,YILDIZ O T.Software defect prediction using Baye-sian networks[J]. Empirical software engineering,2014,19(1):154-181.

    [5] 王李進(jìn),吳保國(guó),鄭德祥.基于人工神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)價(jià)[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(12):133-134,150.

    [6] 吳曉萍,趙學(xué)靖,喬輝,等.基于LASSO-SVM的軟件缺陷預(yù)測(cè)模型研究[J].計(jì)算機(jī)應(yīng)用研究,2013,30(9):2748-2751,2754.

    [7] 姜慧研,宗茂,劉相瑩.基于ACO-SVM的軟件缺陷預(yù)測(cè)模型的研究[J].計(jì)算機(jī)學(xué)報(bào),2011,34(6):1148-1154.

    [8] 王男帥,薛靜鋒,胡昌振,等.基于遺傳優(yōu)化支持向量機(jī)的軟件缺陷預(yù)測(cè)模型[J].中國(guó)科技論文,2015(2):159-163.

    [9] 王青,伍書(shū)劍,李明樹(shù).軟件缺陷預(yù)測(cè)技術(shù)[J].軟件學(xué)報(bào),2008(7):1565-1580.

    [10] RYU D,CHOI O,BAIK J.Value-cognitive boosting with a support vector machine for cross-project defect prediction[J].Empirical software engineering,2016,21(1):43-71.

    [11] SHAN C,ZHU H J,HU C Z,et al.Software defect prediction model based on improved LLE-SVM[C]∥International Confe-rence on Computer Science and Network Technology.Harbin:IEEE,2015:530-535.

    猜你喜歡
    軟件缺陷度量向量
    有趣的度量
    向量的分解
    模糊度量空間的強(qiáng)嵌入
    聚焦“向量與三角”創(chuàng)新題
    基于源文件可疑度的靜態(tài)軟件缺陷檢測(cè)方法研究
    迷向表示分為6個(gè)不可約直和的旗流形上不變愛(ài)因斯坦度量
    基于NPE-SVM的軟件缺陷預(yù)測(cè)模型
    開(kāi)源程序的軟件缺陷分布特征的量化分析研究
    向量垂直在解析幾何中的應(yīng)用
    地質(zhì)異常的奇異性度量與隱伏源致礦異常識(shí)別
    欧美xxxx黑人xx丫x性爽| 中文在线观看免费www的网站| 一进一出抽搐动态| 制服丝袜大香蕉在线| 97超视频在线观看视频| 又粗又爽又猛毛片免费看| 999久久久精品免费观看国产| 亚洲最大成人中文| 久久伊人香网站| 午夜福利视频1000在线观看| 亚洲精品中文字幕一二三四区| 亚洲精品国产精品久久久不卡| 亚洲国产看品久久| 国产精品亚洲一级av第二区| 成人高潮视频无遮挡免费网站| 国产伦精品一区二区三区四那| 国产综合懂色| 国产精品女同一区二区软件 | 黄色日韩在线| netflix在线观看网站| 日日夜夜操网爽| 国内久久婷婷六月综合欲色啪| xxxwww97欧美| 女警被强在线播放| tocl精华| 十八禁人妻一区二区| 亚洲av熟女| 国产精品女同一区二区软件 | 嫩草影院精品99| 亚洲中文av在线| 国产精品一区二区三区四区久久| 女人高潮潮喷娇喘18禁视频| 日韩人妻高清精品专区| 国产99白浆流出| 免费av不卡在线播放| 亚洲色图av天堂| 网址你懂的国产日韩在线| 不卡av一区二区三区| 美女被艹到高潮喷水动态| 亚洲国产日韩欧美精品在线观看 | 真实男女啪啪啪动态图| 99久久成人亚洲精品观看| 两个人看的免费小视频| 国产精品久久电影中文字幕| 国产在线精品亚洲第一网站| www国产在线视频色| 亚洲欧美精品综合久久99| 99久国产av精品| 成年女人毛片免费观看观看9| 非洲黑人性xxxx精品又粗又长| 欧美丝袜亚洲另类 | 欧美丝袜亚洲另类 | 狂野欧美激情性xxxx| 欧美日韩乱码在线| 亚洲av五月六月丁香网| 亚洲精品一区av在线观看| 日韩三级视频一区二区三区| 我要搜黄色片| 国产成人一区二区三区免费视频网站| 午夜久久久久精精品| 91老司机精品| 精品午夜福利视频在线观看一区| 精品国产乱子伦一区二区三区| 欧美乱色亚洲激情| 亚洲专区中文字幕在线| 香蕉av资源在线| 国产精品女同一区二区软件 | 嫩草影院入口| 在线免费观看不下载黄p国产 | 精品久久久久久久久久久久久| 窝窝影院91人妻| 超碰成人久久| 老汉色∧v一级毛片| 国产精品久久久av美女十八| 免费高清视频大片| 欧美zozozo另类| 一本一本综合久久| 亚洲精品456在线播放app | 日本黄色片子视频| 色综合欧美亚洲国产小说| 丰满人妻熟妇乱又伦精品不卡| 国产伦精品一区二区三区四那| 曰老女人黄片| 久久欧美精品欧美久久欧美| 91av网一区二区| 综合色av麻豆| 男人的好看免费观看在线视频| 少妇的丰满在线观看| 亚洲在线观看片| 中文字幕av在线有码专区| 亚洲中文字幕日韩| 亚洲成人精品中文字幕电影| 长腿黑丝高跟| 精品久久久久久久末码| 欧美成狂野欧美在线观看| 在线免费观看不下载黄p国产 | 国产又色又爽无遮挡免费看| 婷婷精品国产亚洲av在线| 国产男靠女视频免费网站| 成人国产一区最新在线观看| 国产精品久久久久久精品电影| 嫩草影院精品99| 最新中文字幕久久久久 | 中文字幕熟女人妻在线| 黄色视频,在线免费观看| 欧美乱妇无乱码| 国产97色在线日韩免费| 国内久久婷婷六月综合欲色啪| 欧美日韩瑟瑟在线播放| 夜夜看夜夜爽夜夜摸| 成人国产一区最新在线观看| 午夜福利欧美成人| 免费观看人在逋| 亚洲人成伊人成综合网2020| 国产人伦9x9x在线观看| 国产成+人综合+亚洲专区| 精品电影一区二区在线| 99热只有精品国产| 国产精品日韩av在线免费观看| 天天躁日日操中文字幕| aaaaa片日本免费| 99热这里只有精品一区 | 中文在线观看免费www的网站| 日韩欧美国产在线观看| 亚洲天堂国产精品一区在线| 99热精品在线国产| 国产伦一二天堂av在线观看| 三级国产精品欧美在线观看 | 老鸭窝网址在线观看| 国产精品免费一区二区三区在线| 亚洲欧美一区二区三区黑人| 午夜精品在线福利| 国产97色在线日韩免费| 精品国内亚洲2022精品成人| 在线a可以看的网站| 亚洲成人中文字幕在线播放| 黄片小视频在线播放| 欧美性猛交黑人性爽| 性色avwww在线观看| 午夜福利成人在线免费观看| 一级毛片女人18水好多| 一个人看视频在线观看www免费 | 9191精品国产免费久久| 精品国产亚洲在线| 久久精品aⅴ一区二区三区四区| 国产亚洲欧美在线一区二区| 性色avwww在线观看| 91麻豆av在线| 不卡av一区二区三区| 又黄又爽又免费观看的视频| 亚洲午夜精品一区,二区,三区| 国产亚洲精品久久久久久毛片| 美女大奶头视频| 亚洲熟妇中文字幕五十中出| 一二三四社区在线视频社区8| 久久久国产精品麻豆| 久久久久国内视频| 成人鲁丝片一二三区免费| 久久伊人香网站| 国产伦精品一区二区三区四那| 婷婷亚洲欧美| 国产av在哪里看| 十八禁网站免费在线| 国产精品美女特级片免费视频播放器 | 特级一级黄色大片| 他把我摸到了高潮在线观看| 99热6这里只有精品| 岛国在线观看网站| 90打野战视频偷拍视频| 精品久久蜜臀av无| 欧美三级亚洲精品| 我要搜黄色片| 欧美一级a爱片免费观看看| 日韩欧美 国产精品| 制服丝袜大香蕉在线| 美女扒开内裤让男人捅视频| 精品国产超薄肉色丝袜足j| a级毛片a级免费在线| 欧美日韩亚洲国产一区二区在线观看| 老熟妇仑乱视频hdxx| 黄频高清免费视频| 国产探花在线观看一区二区| 久久精品国产亚洲av香蕉五月| 午夜精品在线福利| 熟妇人妻久久中文字幕3abv| 黄片小视频在线播放| 久99久视频精品免费| 亚洲国产精品合色在线| 亚洲av免费在线观看| 国产成人av教育| 老熟妇乱子伦视频在线观看| 90打野战视频偷拍视频| 两个人看的免费小视频| 国产不卡一卡二| 亚洲国产色片| 女同久久另类99精品国产91| 久久久久久大精品| 亚洲男人的天堂狠狠| 老汉色∧v一级毛片| 国产伦人伦偷精品视频| 亚洲第一欧美日韩一区二区三区| 国产精品亚洲美女久久久| 岛国在线观看网站| 曰老女人黄片| 女人高潮潮喷娇喘18禁视频| 国产亚洲欧美在线一区二区| 中国美女看黄片| 三级毛片av免费| 成人18禁在线播放| 国产亚洲精品一区二区www| 亚洲成人久久性| 国产精品久久久人人做人人爽| 在线观看美女被高潮喷水网站 | 亚洲一区二区三区不卡视频| 老司机在亚洲福利影院| 国产爱豆传媒在线观看| 村上凉子中文字幕在线| 97超视频在线观看视频| 91在线精品国自产拍蜜月 | 亚洲av五月六月丁香网| 欧美性猛交╳xxx乱大交人| 天堂影院成人在线观看| 美女午夜性视频免费| 欧美色视频一区免费| 久久精品国产综合久久久| 欧美午夜高清在线| 色av中文字幕| 女人高潮潮喷娇喘18禁视频| 久99久视频精品免费| 网址你懂的国产日韩在线| 久久久久久大精品| 国产探花在线观看一区二区| 国产91精品成人一区二区三区| 在线免费观看不下载黄p国产 | 中文字幕精品亚洲无线码一区| 在线观看66精品国产| 国产一区二区三区在线臀色熟女| 啦啦啦观看免费观看视频高清| 97人妻精品一区二区三区麻豆| 久久性视频一级片| 亚洲自偷自拍图片 自拍| 亚洲18禁久久av| 欧美中文日本在线观看视频| 日韩人妻高清精品专区| 中国美女看黄片| 香蕉久久夜色| 九九热线精品视视频播放| www.精华液| 伊人久久大香线蕉亚洲五| 在线观看午夜福利视频| 特级一级黄色大片| 天天添夜夜摸| 国产伦精品一区二区三区四那| 久久久成人免费电影| 国产视频内射| 日韩精品青青久久久久久| 十八禁人妻一区二区| 两性午夜刺激爽爽歪歪视频在线观看| 床上黄色一级片| www.熟女人妻精品国产| 国产精品香港三级国产av潘金莲| 久久精品国产99精品国产亚洲性色| 两个人的视频大全免费| 久久性视频一级片| 女同久久另类99精品国产91| 母亲3免费完整高清在线观看| 国产欧美日韩精品一区二区| 深夜精品福利| 国产aⅴ精品一区二区三区波| 精品久久久久久,| 成年人黄色毛片网站| 欧美日韩瑟瑟在线播放| 观看美女的网站| 91老司机精品| 香蕉av资源在线| 少妇的丰满在线观看| 亚洲成人久久性| 嫩草影院入口| 在线十欧美十亚洲十日本专区| 琪琪午夜伦伦电影理论片6080| 精品久久久久久久久久久久久| 亚洲国产精品sss在线观看| 免费看十八禁软件| 日本熟妇午夜| 国产一区二区在线av高清观看| 日本在线视频免费播放| 亚洲国产看品久久| 91麻豆av在线| 一级a爱片免费观看的视频| 99精品久久久久人妻精品| 99视频精品全部免费 在线 | 成人av一区二区三区在线看| 欧美乱妇无乱码| av天堂中文字幕网| 色精品久久人妻99蜜桃| 国产黄片美女视频| 母亲3免费完整高清在线观看| 国产精品99久久久久久久久| 99国产综合亚洲精品| 看免费av毛片| АⅤ资源中文在线天堂| 国内精品久久久久精免费| 国产免费av片在线观看野外av| 国产97色在线日韩免费| 午夜影院日韩av| 99久久国产精品久久久| 18禁观看日本| 黄色片一级片一级黄色片| 精品国产亚洲在线| 久久九九热精品免费| 国产精品国产高清国产av| 听说在线观看完整版免费高清| 可以在线观看毛片的网站| 亚洲,欧美精品.| 亚洲avbb在线观看| 久久精品aⅴ一区二区三区四区| 成年女人毛片免费观看观看9| 亚洲真实伦在线观看| 亚洲人与动物交配视频| 男人舔女人的私密视频| 99久久国产精品久久久| 日韩精品青青久久久久久| 在线观看日韩欧美| 每晚都被弄得嗷嗷叫到高潮| 麻豆国产av国片精品| 又紧又爽又黄一区二区| 性色avwww在线观看| 亚洲精品一卡2卡三卡4卡5卡| 国产成人精品久久二区二区91| 波多野结衣巨乳人妻| 国产高清视频在线观看网站| 日韩大尺度精品在线看网址| 美女黄网站色视频| 九色国产91popny在线| 久久这里只有精品中国| 桃色一区二区三区在线观看| 悠悠久久av| 久久久色成人| 免费在线观看影片大全网站| 99精品久久久久人妻精品| av在线蜜桃| 免费观看的影片在线观看| 又紧又爽又黄一区二区| 桃红色精品国产亚洲av| 九九在线视频观看精品| 欧美成人一区二区免费高清观看 | 欧美成人一区二区免费高清观看 | 日韩有码中文字幕| 此物有八面人人有两片| 夜夜夜夜夜久久久久| 久久久久久九九精品二区国产| 两性夫妻黄色片| 一区二区三区激情视频| a在线观看视频网站| 日本成人三级电影网站| 18禁裸乳无遮挡免费网站照片| 一二三四在线观看免费中文在| 日日干狠狠操夜夜爽| 在线十欧美十亚洲十日本专区| 性色av乱码一区二区三区2| 成人永久免费在线观看视频| а√天堂www在线а√下载| 香蕉久久夜色| 91在线精品国自产拍蜜月 | 午夜a级毛片| 成人亚洲精品av一区二区| 国产一区在线观看成人免费| 国产精品 欧美亚洲| 国产伦精品一区二区三区视频9 | 国产亚洲精品av在线| a级毛片a级免费在线| 在线国产一区二区在线| 舔av片在线| 国产亚洲精品综合一区在线观看| 亚洲国产欧美人成| 亚洲午夜理论影院| 国产精品爽爽va在线观看网站| 人人妻人人看人人澡| 欧美日韩中文字幕国产精品一区二区三区| 少妇的逼水好多| 床上黄色一级片| 国产精品野战在线观看| 天天添夜夜摸| 成人高潮视频无遮挡免费网站| 亚洲av熟女| 国产乱人伦免费视频| 国产精品久久视频播放| 精品国产超薄肉色丝袜足j| 国产亚洲av嫩草精品影院| 成人特级黄色片久久久久久久| 丝袜人妻中文字幕| 亚洲精品在线美女| 国产成人aa在线观看| 巨乳人妻的诱惑在线观看| 成人鲁丝片一二三区免费| 久久人人精品亚洲av| 性欧美人与动物交配| 少妇人妻一区二区三区视频| 亚洲avbb在线观看| 美女黄网站色视频| 高潮久久久久久久久久久不卡| АⅤ资源中文在线天堂| 99久久99久久久精品蜜桃| a级毛片a级免费在线| 中文资源天堂在线| 国产成人精品久久二区二区91| 欧美日韩精品网址| 国产成人影院久久av| 不卡一级毛片| 很黄的视频免费| 无遮挡黄片免费观看| 久久草成人影院| 少妇丰满av| 在线播放国产精品三级| 国产成年人精品一区二区| 窝窝影院91人妻| or卡值多少钱| 岛国在线观看网站| 一本久久中文字幕| 18禁观看日本| 国产成人欧美在线观看| 久久婷婷人人爽人人干人人爱| av黄色大香蕉| 国产av不卡久久| 免费一级毛片在线播放高清视频| 免费看美女性在线毛片视频| www日本在线高清视频| 天天躁日日操中文字幕| 色哟哟哟哟哟哟| 精品熟女少妇八av免费久了| 午夜福利18| 人妻久久中文字幕网| 日韩欧美一区二区三区在线观看| 午夜精品一区二区三区免费看| 国产精品日韩av在线免费观看| 亚洲国产日韩欧美精品在线观看 | 亚洲一区高清亚洲精品| 少妇丰满av| 一本精品99久久精品77| 国产黄a三级三级三级人| 亚洲成av人片在线播放无| 18禁美女被吸乳视频| 亚洲精品一卡2卡三卡4卡5卡| 青草久久国产| 嫩草影视91久久| 亚洲精品456在线播放app | 小蜜桃在线观看免费完整版高清| 国产黄色小视频在线观看| h日本视频在线播放| 国产亚洲av嫩草精品影院| 18禁观看日本| 欧美成人免费av一区二区三区| 他把我摸到了高潮在线观看| 国产精品野战在线观看| 特大巨黑吊av在线直播| 91av网一区二区| 丰满人妻熟妇乱又伦精品不卡| 亚洲18禁久久av| 亚洲国产欧美网| 成人午夜高清在线视频| 精品一区二区三区视频在线观看免费| 国内精品久久久久久久电影| 久久精品夜夜夜夜夜久久蜜豆| 国产aⅴ精品一区二区三区波| 亚洲精品粉嫩美女一区| 又黄又粗又硬又大视频| 又大又爽又粗| 国产爱豆传媒在线观看| 久久久久国产一级毛片高清牌| 国产精品久久久人人做人人爽| 看免费av毛片| 国产黄色小视频在线观看| 精品不卡国产一区二区三区| 欧美日韩一级在线毛片| 亚洲自拍偷在线| 日韩欧美在线二视频| 一二三四社区在线视频社区8| 久久久久久久久中文| av视频在线观看入口| 亚洲电影在线观看av| 后天国语完整版免费观看| 免费看a级黄色片| 欧美日韩亚洲国产一区二区在线观看| 亚洲18禁久久av| 搡老熟女国产l中国老女人| a级毛片在线看网站| 日本黄大片高清| 桃色一区二区三区在线观看| 免费av毛片视频| 国产激情欧美一区二区| 亚洲欧美一区二区三区黑人| 国产极品精品免费视频能看的| 日本撒尿小便嘘嘘汇集6| 国产又色又爽无遮挡免费看| 中文字幕久久专区| 亚洲精品中文字幕一二三四区| 全区人妻精品视频| 久久久久性生活片| 久久99热这里只有精品18| 国产精品野战在线观看| 欧美在线一区亚洲| 午夜视频精品福利| 精品午夜福利视频在线观看一区| 天堂动漫精品| 国产精品乱码一区二三区的特点| 午夜福利视频1000在线观看| 欧美日本亚洲视频在线播放| 国产综合懂色| 亚洲九九香蕉| 亚洲中文字幕日韩| 日本黄色片子视频| 日韩欧美三级三区| netflix在线观看网站| 日本 欧美在线| 国内少妇人妻偷人精品xxx网站 | 中文字幕人妻丝袜一区二区| 特级一级黄色大片| 成年人黄色毛片网站| 亚洲成人精品中文字幕电影| 黑人欧美特级aaaaaa片| 我要搜黄色片| 999久久久精品免费观看国产| 国产69精品久久久久777片 | 91九色精品人成在线观看| 成人无遮挡网站| 男人舔奶头视频| 欧洲精品卡2卡3卡4卡5卡区| 视频区欧美日本亚洲| 国语自产精品视频在线第100页| 欧美色视频一区免费| 18禁黄网站禁片免费观看直播| 国产综合懂色| 在线观看美女被高潮喷水网站 | 日韩大尺度精品在线看网址| 国产高清有码在线观看视频| 午夜视频精品福利| 国产精品久久电影中文字幕| 欧美日韩中文字幕国产精品一区二区三区| 一个人看的www免费观看视频| bbb黄色大片| 亚洲片人在线观看| 看黄色毛片网站| 欧美xxxx黑人xx丫x性爽| www.自偷自拍.com| 国产人伦9x9x在线观看| 久久中文字幕人妻熟女| 熟女电影av网| 久久精品国产99精品国产亚洲性色| 美女高潮喷水抽搐中文字幕| 亚洲一区二区三区不卡视频| 久久午夜亚洲精品久久| 一级a爱片免费观看的视频| 一级毛片女人18水好多| 色播亚洲综合网| www.自偷自拍.com| 久久午夜综合久久蜜桃| 日本免费a在线| 色哟哟哟哟哟哟| 欧美另类亚洲清纯唯美| 亚洲av日韩精品久久久久久密| av天堂中文字幕网| 国产亚洲欧美98| 免费电影在线观看免费观看| 超碰成人久久| 亚洲人成电影免费在线| 久久久成人免费电影| 欧美乱码精品一区二区三区| 欧美乱妇无乱码| 国产又色又爽无遮挡免费看| 一区二区三区国产精品乱码| a在线观看视频网站| 少妇人妻一区二区三区视频| 成人一区二区视频在线观看| 老鸭窝网址在线观看| 午夜免费成人在线视频| 精品一区二区三区av网在线观看| 欧美zozozo另类| 97碰自拍视频| 日本一本二区三区精品| 欧美zozozo另类| 97碰自拍视频| 国产精品一区二区免费欧美| 欧美激情在线99| 国产精品久久久久久亚洲av鲁大| 久久国产精品人妻蜜桃| 亚洲av熟女| 波多野结衣高清无吗| 亚洲天堂国产精品一区在线| 18禁美女被吸乳视频| 日韩人妻高清精品专区| 欧美大码av| 国产高清有码在线观看视频| 嫩草影视91久久| 国产精品一区二区免费欧美| cao死你这个sao货| 日本五十路高清| 高潮久久久久久久久久久不卡| 欧美黑人巨大hd| 人人妻人人澡欧美一区二区| 亚洲欧美日韩高清在线视频| 国产精品久久久久久人妻精品电影| 又粗又爽又猛毛片免费看| 久久热在线av| 亚洲黑人精品在线| 女人高潮潮喷娇喘18禁视频| 亚洲精品乱码久久久v下载方式 | 中出人妻视频一区二区| 国产亚洲欧美在线一区二区| 夜夜看夜夜爽夜夜摸| 校园春色视频在线观看| 舔av片在线| 每晚都被弄得嗷嗷叫到高潮| 国产av一区在线观看免费| 少妇裸体淫交视频免费看高清| 99久久综合精品五月天人人|