• <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 ?

    基于約簡(jiǎn)策略與自適應(yīng)SVDD的無(wú)線(xiàn)傳感網(wǎng)絡(luò)離群檢測(cè)方法*

    2017-09-22 03:51:47李光輝
    傳感技術(shù)學(xué)報(bào) 2017年9期
    關(guān)鍵詞:數(shù)據(jù)分布離群約簡(jiǎn)

    魏 暢,李光輝

    (1.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇 無(wú)錫 214122;2.江蘇省無(wú)線(xiàn)傳感網(wǎng)高技術(shù)研究重點(diǎn)實(shí)驗(yàn)室,南京 210003;3.物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程技術(shù)研究中心,江蘇 無(wú)錫 214122)

    基于約簡(jiǎn)策略與自適應(yīng)SVDD的無(wú)線(xiàn)傳感網(wǎng)絡(luò)離群檢測(cè)方法*

    魏 暢1,3,李光輝1,2,3*

    (1.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇 無(wú)錫 214122;2.江蘇省無(wú)線(xiàn)傳感網(wǎng)高技術(shù)研究重點(diǎn)實(shí)驗(yàn)室,南京 210003;3.物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程技術(shù)研究中心,江蘇 無(wú)錫 214122)

    無(wú)線(xiàn)傳感網(wǎng)絡(luò)經(jīng)常被部署于條件惡劣、無(wú)人值守的環(huán)境中,受到惡劣天氣、軟硬件故障、能量不足或者惡意攻擊等因素的影響,傳感器節(jié)點(diǎn)感知數(shù)據(jù)的缺失或錯(cuò)誤難以避免。因此,傳感器數(shù)據(jù)流的離群檢測(cè)對(duì)于提高系統(tǒng)可用性至關(guān)重要。提出一種基于約簡(jiǎn)策略與自適應(yīng)SVDD(Support Vector Data Description)的離群檢測(cè)方法(RASVDD),該方法首先使用基于馬氏距離標(biāo)準(zhǔn)的方法約簡(jiǎn)數(shù)據(jù)集,有效地減少了訓(xùn)練樣本;然后利用基于數(shù)據(jù)分布密度準(zhǔn)則和數(shù)據(jù)流時(shí)間相關(guān)性自適應(yīng)更新決策模型。針對(duì)Intel Berkeley數(shù)據(jù)集及SensorScope System數(shù)據(jù)集的仿真實(shí)驗(yàn)表明,RASVDD的離群檢測(cè)正確率TPR(True Positive Rate)平均達(dá)98%,誤報(bào)率FPR(False Positive Rate)平均僅為1%,并且與傳統(tǒng)的SVDD算法相比,RASVDD 決策模型訓(xùn)練時(shí)間減少了20%以上。

    無(wú)線(xiàn)傳感網(wǎng)絡(luò);數(shù)據(jù)約簡(jiǎn);SVDD;離群檢測(cè);仿真

    21世紀(jì)電子信息和無(wú)線(xiàn)通信技術(shù)取得了巨大發(fā)展,使得由高靈敏且低能耗的傳感器節(jié)點(diǎn)組成的無(wú)線(xiàn)傳感網(wǎng)絡(luò)逐漸應(yīng)用于實(shí)際生活的各個(gè)領(lǐng)域。與傳統(tǒng)網(wǎng)絡(luò)相比,傳感器節(jié)點(diǎn)具有很強(qiáng)的資源限制,在能量、內(nèi)存、計(jì)算能力和通信帶寬方面都存在很大的局限性。傳感器網(wǎng)絡(luò)經(jīng)常被部署在惡劣環(huán)境下,傳感器數(shù)據(jù)流的質(zhì)量不可避免地受到惡劣天氣、軟硬件故障、能量不足或者惡意攻擊等因素的影響[1]。針對(duì)傳感器數(shù)據(jù)流進(jìn)行離群檢測(cè),不僅有助于對(duì)傳感器網(wǎng)絡(luò)健康狀況進(jìn)行檢測(cè)與故障修復(fù)[2],而且能夠及時(shí)有效地為用戶(hù)提供其感興趣的事件,這對(duì)于保證傳感器網(wǎng)絡(luò)的數(shù)據(jù)質(zhì)量和科學(xué)決策具有重要意義。

    在無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中,某些傳感器節(jié)點(diǎn)觀(guān)測(cè)值顯著偏離于正常模型或者預(yù)期結(jié)果,通常被稱(chēng)為離群(outlier)數(shù)據(jù)[3]。近年來(lái),國(guó)內(nèi)外學(xué)者對(duì)無(wú)線(xiàn)傳感網(wǎng)絡(luò)離群檢測(cè)方法進(jìn)行了深入研究[4-5],這些方法大致可分為基于統(tǒng)計(jì)的方法、基于最近鄰的方法、基于聚類(lèi)的方法、基于分類(lèi)的方法、基于譜分解的方法等類(lèi)型[6-7]。由于SVDD算法在二分類(lèi)方面的性能優(yōu)勢(shì),已被一些學(xué)者引入到傳感器網(wǎng)絡(luò)離群檢測(cè)領(lǐng)域。SVDD由Tax[8-9]等人首次提出,是對(duì)SVM(Support Vector Machine)進(jìn)行推廣的算法,其基本思想是尋找到一個(gè)最小圓使所有目標(biāo)類(lèi)均可以落入該圓內(nèi),該圓的邊界即為決策邊界,用于區(qū)分離群點(diǎn)和正常點(diǎn)。SVDD和SVM相似,需要求解二次優(yōu)化QP(Quadratic Programming)問(wèn)題,因此其時(shí)間復(fù)雜度為O(n3),空間復(fù)雜度為O(n2),這樣高的計(jì)算復(fù)雜度難以適用于資源受限的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)。因此,許多學(xué)者研究了如何優(yōu)化SVDD算法的性能,例如,孫文柱等[10]采用K-mean聚類(lèi)方法確定樣本聚類(lèi)中心,并對(duì)所有樣本依其聚類(lèi)中心距離排序,而后由外向內(nèi)等間隔依次選取樣本構(gòu)成約減核矩陣,對(duì)數(shù)據(jù)集進(jìn)行約簡(jiǎn)。Hu[11]利用鄰居節(jié)點(diǎn)間角度和密度的關(guān)系,實(shí)現(xiàn)尋找樣本模型的決策邊緣,以此來(lái)約簡(jiǎn)訓(xùn)練集樣本。梁錦錦[12]和謝迎新[13]考慮到?jīng)Q策邊界僅由少量分布在樣本集邊緣的數(shù)據(jù)決定,采用衡量中心點(diǎn)和其余點(diǎn)的歐氏距離,約減距離較大的樣本點(diǎn)。Platt[14]和Fan[15]提出SMO_SVDD思想,用來(lái)優(yōu)化訓(xùn)練規(guī)則,其利用違背KKT(Karush-Kuhn-Tucker condition)條件的Lagrange乘子兩兩進(jìn)行優(yōu)化,直到所有乘子都滿(mǎn)足KKT條件,此時(shí)所得乘子為QP問(wèn)題的最優(yōu)解。Liu[16]和周勝明[17]集中于尋找一個(gè)與決策模型相似的超球或超橢球替代決策函數(shù),有效地將決策復(fù)雜度降低為O(1),但該決策優(yōu)化方法對(duì)不規(guī)則模型的性能較差。對(duì)于無(wú)線(xiàn)傳感器網(wǎng)絡(luò),除需考慮上述問(wèn)題外,還需注意其隨時(shí)間不斷變化的數(shù)據(jù)流[1],若使用一次訓(xùn)練的方法,隨著數(shù)據(jù)流的變化,決策模型的準(zhǔn)確性會(huì)逐漸降低。針對(duì)以上問(wèn)題,本文提出了一種基于約簡(jiǎn)策略與自適應(yīng)SVDD的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)離群檢測(cè)方法(RASVDD),該方法不僅可以節(jié)省決策模型的訓(xùn)練時(shí)間,而且能夠有效提高離群檢測(cè)的準(zhǔn)確率。

    1 預(yù)備知識(shí)

    1.1 SVDD算法原理

    給定一個(gè)包含n個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)集X={x1,x2,…,xn},SVDD的核心思想[8-9]是找到一個(gè)以a為圓心,R為半徑的最小圓,該圓能夠全部或盡可能多地包含X中的數(shù)據(jù)點(diǎn)。故該優(yōu)化問(wèn)題可以描述為:

    (1)

    式中:a為圓心;R為半徑;ξi≥0為松弛變量;C>0為懲罰因子,用于實(shí)現(xiàn)圓的大小和包含樣本數(shù)間的折中。SVDD的幾何模型如圖1所示,圖中黑色點(diǎn)為集合X中的數(shù)據(jù)樣本。

    圖1 SVDD幾何模型

    上述優(yōu)化問(wèn)題可通過(guò)Lagrange乘子法求解,構(gòu)建Lagrange方程:

    (2)

    式中:αi≥0,γi≥0,分別令L關(guān)于R,a,ξi的偏導(dǎo)數(shù)為零,可得:

    (3)

    將式(3)代入式(2)中得:

    (4)

    然而,該方法只對(duì)輸入空間為類(lèi)圓形的數(shù)據(jù)集具有較好的性能。當(dāng)輸入空間為非圓形分布時(shí),該方法不能達(dá)到理想的性能,故引入核函數(shù)來(lái)改善算法的適用性。找到一個(gè)合適的映射φ將輸入樣本xi映射到一個(gè)高維的特征空間φ(xi),在高維空間找到一個(gè)超球體盡可能多地包圍輸入空間的點(diǎn)。故式(4)中的內(nèi)積(xi·xj)可以使用核函數(shù)K(xi,xj)替換。本文選用高斯核函數(shù):

    (5)

    此時(shí),式(4)可以轉(zhuǎn)化為L(zhǎng)agrange對(duì)偶問(wèn)題:

    (6)

    式(6)為典型的二次優(yōu)化問(wèn)題,其目標(biāo)集合α=(α1,α2,…,αn)可以被分為三類(lèi):αi=0,落在圓內(nèi)的正常數(shù)據(jù)點(diǎn);0<αi

    f(xi)=sgn(‖φ(xi)-a‖2-R2)

    (7)

    由式(7)可得:當(dāng)f(xi)≤0時(shí),xi被分類(lèi)為正常數(shù)據(jù)點(diǎn);當(dāng)f(xi)>0時(shí),xi被分類(lèi)為離群數(shù)據(jù)點(diǎn)。

    1.2 基于SMO的SVDD算法原理

    SVDD算法需要求解二次優(yōu)化問(wèn)題,因此其時(shí)間復(fù)雜度為O(n3),空間復(fù)雜度為O(n2),難以適用于資源受限的無(wú)線(xiàn)傳感網(wǎng)絡(luò)。文獻(xiàn)[14-15]研究了SMO(Sequential Minimal Optimization)算法在SVM中的應(yīng)用,其基本思想是:如果所有Lagrange乘子都滿(mǎn)足此優(yōu)化問(wèn)題的KKT條件,則此時(shí)的乘子為問(wèn)題的最優(yōu)解,因?yàn)镵KT條件是Lagrange對(duì)偶問(wèn)題(6)的充分必要條件。否則,從樣本集中選擇兩個(gè)乘子,固定其余乘子,針對(duì)這兩個(gè)乘子構(gòu)建二次規(guī)劃問(wèn)題,該問(wèn)題可通過(guò)解析方法求解。SMO算法將原問(wèn)題不斷分解為子問(wèn)題并對(duì)子問(wèn)題求解,進(jìn)而達(dá)到求解原問(wèn)題的目的,如此能大大提高算法的計(jì)算速度。下面介紹SMO_SVDD算法工作集乘子選擇策略及Lagrange乘子優(yōu)化策略。

    1.2.1 工作集乘子的選擇策略

    根據(jù)KKT條件得:當(dāng)αi=0時(shí),‖a-φ(x)‖2R2。由上述情況可得:當(dāng)αi>0時(shí),‖a-φ(xi)2‖≥R2;當(dāng)αi0)≥(g(xi)|αi

    xs=argmax(‖c-φ(xi)‖2|αixt=argmin(‖c-φ(xi)‖2|αi>0)

    (8)

    若KKT條件成立,則有g(shù)(xt)≥g(xs),故在算法迭代過(guò)程中都有g(shù)(xs)>g(xt)+δ。

    1.2.2Lagrange乘子的優(yōu)化策略

    (9)

    令αt=ζ-αs,得:

    (10)

    對(duì)式(10)中的αs求二階導(dǎo)數(shù),得:

    (11)

    (12)

    2 基于約簡(jiǎn)策略與自適應(yīng)SVDD的無(wú)線(xiàn)傳感網(wǎng)絡(luò)離群檢測(cè)方法

    傳統(tǒng)的SVDD是一種優(yōu)秀的二分類(lèi)算法,但應(yīng)用于資源受限的無(wú)線(xiàn)傳感網(wǎng)絡(luò)時(shí),其計(jì)算復(fù)雜度偏高。為降低計(jì)算復(fù)雜度,提高離群檢測(cè)的準(zhǔn)確率,本文提出了一種基于約簡(jiǎn)策略和自適應(yīng)SVDD的傳感網(wǎng)絡(luò)離群檢測(cè)方法(RASVDD),該方法包括基于馬氏距離標(biāo)準(zhǔn)的訓(xùn)練集約簡(jiǎn)策略和基于數(shù)據(jù)分布密度的自適應(yīng)離群檢測(cè)機(jī)制,適用于低密度非均勻部署的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)。

    2.1 訓(xùn)練集的約簡(jiǎn)策略

    原Lagrange對(duì)偶問(wèn)題的解具有極大的稀疏性,因此有效并完整地選擇與邊界相關(guān)的子數(shù)據(jù)集,即求解α>0的點(diǎn),對(duì)于整體訓(xùn)練性能的提高非常關(guān)鍵。受文獻(xiàn)[12-13]的啟發(fā),本文采用基于馬氏距離標(biāo)準(zhǔn)的策略約簡(jiǎn)數(shù)據(jù)集,用以縮短決策模型訓(xùn)練時(shí)間。

    馬氏距離由印度統(tǒng)計(jì)學(xué)家Mahalanobis P C提出,是一種有效地計(jì)算兩個(gè)未知樣本集相似度的方法,由于其考慮了各屬性間的聯(lián)系,故相對(duì)歐式距離有明顯優(yōu)勢(shì)。另外,由于高斯核函數(shù)的映射過(guò)程很好地保留了鄰居間的相互關(guān)系,故約簡(jiǎn)數(shù)據(jù)集可在樣本空間進(jìn)行,不必映射到高維空間。

    對(duì)于給定的訓(xùn)練集Train={X1,X2,…,Xn},任一數(shù)據(jù)樣本Xi={Xi1,Xi2,…,Xid},其中d為樣本包含的屬性個(gè)數(shù)。μ={μ1,μ2,…,μd}為每個(gè)屬性的數(shù)學(xué)期望所構(gòu)成的向量,Σ為協(xié)方差矩陣。計(jì)算公式如下:

    μj=E(Xij)i=1,…,n;j=1,…,d.
    Σij=cov(Xi,Xj)=E[(Xi-μi)(Xj-μj)]

    (13)

    定義1樣本點(diǎn)與訓(xùn)練數(shù)據(jù)集數(shù)學(xué)期望間的馬氏距離MD(Xi):

    (14)

    本文使用定義1作為衡量標(biāo)準(zhǔn),約簡(jiǎn)訓(xùn)練集中與決策邊界無(wú)關(guān)的樣本點(diǎn),約簡(jiǎn)策略算法如表1所示。

    表1 基于馬氏距離標(biāo)準(zhǔn)的約簡(jiǎn)策略算法

    2.2 自適應(yīng)檢測(cè)機(jī)制

    考慮到真實(shí)部署的無(wú)線(xiàn)傳感網(wǎng)絡(luò)受自然環(huán)境影響較大,其數(shù)據(jù)流的演變過(guò)程具有一定的隨機(jī)性,若采用一次訓(xùn)練的方法進(jìn)行離群檢測(cè),決策模型的魯棒性和泛化能力將會(huì)隨著時(shí)間的推移逐漸退化。為了解決該問(wèn)題,本文提出了一種基于數(shù)據(jù)分布密度的自適應(yīng)離群檢測(cè)機(jī)制(ASVDD),使其能夠隨著傳感器數(shù)據(jù)流的演變過(guò)程自動(dòng)更新決策模型,從而提高傳感網(wǎng)絡(luò)離群檢測(cè)的準(zhǔn)確率。

    2.2.1 數(shù)據(jù)流的滑動(dòng)窗口模型

    ASVDD使用滑動(dòng)窗口模型處理傳感器數(shù)據(jù)流[18],其特點(diǎn)在于處理數(shù)據(jù)窗口的大小固定,滑動(dòng)窗口的終點(diǎn)始終為當(dāng)前時(shí)刻,即加入新數(shù)據(jù)的同時(shí)移除舊數(shù)據(jù)?;瑒?dòng)窗口可以保證模型訓(xùn)練一直使用最新的傳感數(shù)據(jù),使得決策模型與當(dāng)前數(shù)據(jù)分布情況保持高度一致,能夠有效提高檢測(cè)效率。

    如圖2所示的滑動(dòng)窗口模型,其中窗口大小為n,即滑動(dòng)窗口buffer中存儲(chǔ)有n個(gè)數(shù)據(jù)。若在t-1時(shí)刻buffer中存儲(chǔ)數(shù)據(jù){Xt-n,Xt-n+1,…,Xt-1},則在當(dāng)前時(shí)刻t時(shí),buffer中將移除Xt-n,并加入當(dāng)前時(shí)刻數(shù)據(jù)Xt,此時(shí)buffer中存儲(chǔ)數(shù)據(jù){Xt-n+1,…,Xt-1,Xt}。在本算法中,對(duì)于離群值采用直接移除不加入滑動(dòng)窗口的方式。

    圖2 滑動(dòng)窗口模型

    2.2.2 基于數(shù)據(jù)分布密度的決策模型更新準(zhǔn)則

    決策模型更新準(zhǔn)則是有效提高檢測(cè)效率的關(guān)鍵,Zhang[7]論文中采用基于離群點(diǎn)的更新準(zhǔn)則,即當(dāng)出現(xiàn)離群點(diǎn)則更新決策模型,但該算法僅考慮離群點(diǎn)的出現(xiàn)不能充分說(shuō)明決策模型更新的需要。故本文提出基于數(shù)據(jù)分布密度的更新準(zhǔn)則,依據(jù)數(shù)據(jù)分布密度判斷決策模型是否需要更新,保證算法更新及時(shí)有效。

    如圖3所示,為SensorScopeSystem數(shù)據(jù)集2號(hào)節(jié)點(diǎn)2007年9月15日歸一化后的溫度和濕度數(shù)據(jù),采樣周期為2min,其中紅色點(diǎn)為6點(diǎn)到9點(diǎn)的數(shù)據(jù)分布情況,藍(lán)色點(diǎn)為18點(diǎn)到21點(diǎn)的數(shù)據(jù)分布情況。圖3(b)為圖3(a)投影到Y(jié)(溫度)軸和Z(濕度)軸后的圖像,由圖3(b)可以清楚的看到在該時(shí)間區(qū)間樣本點(diǎn)的空間分布情況。

    定義2空間域Ω的數(shù)據(jù)分布密度ρ是指Ω中包含的數(shù)據(jù)樣本個(gè)數(shù)Num與Ω的面積S之比:

    ρ=Num/S

    (15)

    圖3 不同時(shí)間段數(shù)據(jù)分布情況

    將上述數(shù)據(jù)空間劃分為4個(gè)子空間域section1~section4,各個(gè)子空間域在時(shí)間段6點(diǎn)到9點(diǎn)和18點(diǎn)到21點(diǎn)的數(shù)據(jù)分布密度如表2所示。

    表2 不同時(shí)間段數(shù)據(jù)分布密度

    ASVDD更新準(zhǔn)則為:當(dāng)Δρ超過(guò)閾值τ時(shí)應(yīng)更新決策模型使其與當(dāng)前時(shí)刻正常數(shù)據(jù)流分布情況保持一致。故構(gòu)建一個(gè)隨數(shù)據(jù)分布密度特征變化的SVDD分類(lèi)面,即能夠有效地完成決策模型的自適應(yīng)更新,ASVDD算法步驟如下:

    Step 1 將數(shù)據(jù)空間劃分為m個(gè)子空間域,即section(1),section(2),…,section(m);

    Step 2 計(jì)算訓(xùn)練集樣本在各個(gè)子空間域中的數(shù)據(jù)分布密度,記為ρ_old;

    Step 3 計(jì)算當(dāng)前時(shí)刻數(shù)據(jù)所屬子空間域section(i),i=1,2,…,m,更新數(shù)據(jù)分布密度,記為ρ_new;

    Step 4 計(jì)算Δρ=|ρ_new-ρ_old|;

    Step 5 若Δρ≥τ,則使用當(dāng)前滑動(dòng)窗口buffer中的數(shù)據(jù)更新決策模型,并把此時(shí)的ρ_old更新為ρ_new,繼續(xù)執(zhí)行step3;若Δρ<τ,繼續(xù)執(zhí)行step 3。

    綜上所述,本文提出的RASVDD離群檢測(cè)算法如表3所示。

    3 仿真結(jié)果及其分析

    為了驗(yàn)證本文提出的RASVDD算法性能,使用國(guó)際通用的無(wú)線(xiàn)傳感網(wǎng)絡(luò)數(shù)據(jù)集Intel Berkeley及SensorScope System完成了仿真實(shí)驗(yàn)。實(shí)驗(yàn)是在Intel(R)corei3雙核CPU,主頻3.6 GHz,內(nèi)存4G,操作系統(tǒng)Window 7環(huán)境下進(jìn)行的,編程語(yǔ)言采用MATLAB 2014a。在相同的實(shí)驗(yàn)環(huán)境下,分別實(shí)現(xiàn)了RASVDD算法、基于SMO的SVDD算法(以下簡(jiǎn)稱(chēng)為SVDD),以及Zhang[7]的AOD算法,并進(jìn)行了實(shí)驗(yàn)結(jié)果的比較。

    3.1 數(shù)據(jù)集

    Intel Berkeley數(shù)據(jù)集來(lái)自于部署在Intel Berkeley實(shí)驗(yàn)室中的無(wú)線(xiàn)傳感器網(wǎng)絡(luò),該網(wǎng)絡(luò)包含54個(gè)MICA2傳感器節(jié)點(diǎn),采樣周期為30 s,運(yùn)行周期為2004年2月28日到2004年4月5日,每個(gè)節(jié)點(diǎn)采集的數(shù)據(jù)包括溫度(Temperature)、濕度(Humidity)、光照(light)及電壓(voltage)4個(gè)屬性。本文選取1號(hào)傳感器節(jié)點(diǎn)2004年2月28日到2004年3月2日全天的溫度、濕度采樣數(shù)據(jù)作為本實(shí)驗(yàn)數(shù)據(jù)集。SensorScope System數(shù)據(jù)集來(lái)自于部署在瑞士和意大利之間Grand-St-Bernard山峰的2 400 m處的無(wú)線(xiàn)傳感器網(wǎng)絡(luò),數(shù)據(jù)從2007年9月開(kāi)始采集。每個(gè)節(jié)點(diǎn)采集的數(shù)據(jù)包括環(huán)境溫度(Ambient Temperature)、地表溫度(Surface Temperature)、日光照射(Solar Radiation)、相對(duì)濕度(Relative Humidity)等屬性。本文選取2號(hào)傳感器節(jié)點(diǎn)2007年9月15日到2007年9月18日的環(huán)境溫度和地表溫度采樣數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。表4列出了本文實(shí)驗(yàn)所用的4個(gè)數(shù)據(jù)集。

    表4 實(shí)驗(yàn)所用數(shù)據(jù)集

    3.2 性能評(píng)價(jià)指標(biāo)

    對(duì)于二分類(lèi)問(wèn)題,可將樣本根據(jù)其真實(shí)類(lèi)別和決策模型檢測(cè)類(lèi)別的組合劃分成真正例(true positive,TP)、假正例(false positive,FP)、真反例(true negative,TN)、假反例(false negative,FN)4種情形,其可用“混淆矩陣”來(lái)說(shuō)明[19],如表5所示。

    表5 分類(lèi)結(jié)果混淆矩陣

    本文利用TPR(True Positive Rate)、TNR(True Negative Rate)、FPR(False Positive Rate)、FNR(False Negative Rate)作為衡量著指標(biāo),其計(jì)算公式如下:

    (16)

    (17)

    (18)

    (19)

    3.3 約簡(jiǎn)策略的對(duì)比試驗(yàn)

    為驗(yàn)證本文提出的基于馬氏距離標(biāo)準(zhǔn)的約簡(jiǎn)策略在決策模型訓(xùn)練時(shí)間上的性能,分別使用SVDD算法和RASVDD算法在不同規(guī)模數(shù)據(jù)集上做訓(xùn)練,并用訓(xùn)練時(shí)間即決策模型形成所用時(shí)間作為衡量指標(biāo),結(jié)果如圖4所示。由圖4可得,RASVDD算法在訓(xùn)練時(shí)間方面有明顯優(yōu)勢(shì),相對(duì)SVDD算法訓(xùn)練時(shí)間總體減少20%以上,在訓(xùn)練數(shù)據(jù)樣本增多時(shí),優(yōu)勢(shì)更為明顯。這是由于RASVDD算法利用馬氏距離的標(biāo)準(zhǔn)有效地刪減了訓(xùn)練集中與決策無(wú)關(guān)的冗余數(shù)據(jù),故RASVDD算法在訓(xùn)練決策模型時(shí),省去了訓(xùn)練冗余數(shù)據(jù)的時(shí)間,提高了決策模型的訓(xùn)練速度。

    圖4 SVDD算法和RASVDD算法在不同規(guī)模訓(xùn)練集上的訓(xùn)練時(shí)間

    3.4 離群檢測(cè)算法性能的對(duì)比試驗(yàn)

    為驗(yàn)證RASVDD算法性能,分別在上述4個(gè)數(shù)據(jù)集上對(duì)算法進(jìn)行對(duì)比,由表6~表9可得,RASVDD算法考慮了自然環(huán)境的多變性,采用基于數(shù)據(jù)分布密度的自適應(yīng)檢測(cè)機(jī)制,在數(shù)據(jù)流發(fā)生變化時(shí)通過(guò)更新準(zhǔn)則及時(shí)有效地更新了決策模型,其TPR平均達(dá)98.52%,FPR平均僅為0.61%,而SVDD算法的TPR平均僅為59.68%,而FPR平均高達(dá)35.8%,由此可得RASVDD有效改善了SVDD不能自適應(yīng)更新的問(wèn)題,表現(xiàn)出了優(yōu)于SVDD的良好檢測(cè)性能。由表6~表8可得AOD算法在數(shù)據(jù)集Ⅰ,Ⅱ,Ⅲ上均表現(xiàn)出良好的檢測(cè)性能,TPR達(dá)97%以上,但由表9可得其在數(shù)據(jù)集Ⅳ上TPR大幅下降,僅為18%,這是由于數(shù)據(jù)集Ⅳ在數(shù)據(jù)流未出現(xiàn)離群點(diǎn)前數(shù)據(jù)分布便發(fā)生了變化,AOD算法更新準(zhǔn)則沒(méi)有檢測(cè)到數(shù)據(jù)流變化未及時(shí)更新決策模型,而RASVDD算法更新準(zhǔn)則是基于數(shù)據(jù)分布密度,故在數(shù)據(jù)集Ⅳ上也保持了良好的檢測(cè)性能。綜上,對(duì)比AOD算法和SVDD算法,RASVDD具有更好的離群檢測(cè)性能。

    表6 IBRL_1數(shù)據(jù)集性能測(cè)試結(jié)果

    表7 SensorScope_1數(shù)據(jù)集下性能測(cè)試結(jié)果

    表8 SensorScope_2數(shù)據(jù)集下性能測(cè)試結(jié)果

    表9 IBRL_2數(shù)據(jù)集下性能測(cè)試結(jié)果

    圖5 SVDD算法和RASVDD算法的ROC曲線(xiàn)

    圖5為ROC(Receiver Operating Characteristic)曲線(xiàn),其縱軸為T(mén)PR,該值越高越好,橫軸為FPR,該值越低越好。這兩個(gè)指標(biāo)相互制約,若算法對(duì)離群數(shù)據(jù)敏感,則TPR會(huì)較高,但FPR也會(huì)相應(yīng)地升高。在理想情況下,當(dāng)所有的離群樣本均被檢測(cè)為離群,正常樣本均被檢測(cè)為正常,此時(shí)TPR為1,FPR為0;在TPR達(dá)到1時(shí),算法對(duì)離群數(shù)據(jù)靈敏性的提升只能導(dǎo)致正常樣本被檢測(cè)為離群,此時(shí)TPR為1,FPR不斷增大;在最極端情況下,全部樣本均被檢測(cè)為離群,此時(shí)TPR為1,FPR也為1。在對(duì)不同算法性能進(jìn)行比較時(shí)較為合理的判斷依據(jù)是比較ROC曲線(xiàn)下的面積[19],即AUC(Area Under ROC Curve)。圖5為SVDD和RASVDD的ROC曲線(xiàn),由圖可以明顯看出SVDD的ROC曲線(xiàn)被RASVDD的曲線(xiàn)完全包住,因此RASVDD擁有更大的AUC,故RASVDD的性能優(yōu)于SVDD。

    圖6給出了訓(xùn)練集樣本取值為[100,300,500,700,900,1100]時(shí),RASVDD、SVDD訓(xùn)練集樣本數(shù)和TPR、FPR的關(guān)系。

    圖6 訓(xùn)練集樣本數(shù)對(duì)檢測(cè)算法性能的影響

    從圖6(a)可以看出,SVDD的TPR存在很大的波動(dòng)性,隨著樣本數(shù)的增加,其TPR會(huì)逐漸降低。這是由于在訓(xùn)練樣本較多時(shí),SVDD算法將訓(xùn)練集內(nèi)的數(shù)據(jù)全部判斷為正常。例如:訓(xùn)練集樣本包含全天所有時(shí)刻的數(shù)據(jù),進(jìn)行在線(xiàn)檢測(cè)時(shí),若在凌晨時(shí)刻出現(xiàn)正午時(shí)刻的數(shù)據(jù),其應(yīng)該被判斷為離群。但由于SVDD決策模型中含有全天候的數(shù)據(jù),而且檢測(cè)算法沒(méi)有使用自適應(yīng)更新機(jī)制,SVDD算法通常會(huì)將該離群數(shù)據(jù)判斷為正常數(shù)據(jù),即造成誤判,故在樣本數(shù)增加時(shí),其TPR會(huì)降低,而RASVDD根據(jù)數(shù)據(jù)分布密度自適應(yīng)更新了決策模型,故其TPR對(duì)訓(xùn)練樣本數(shù)變化不敏感。從圖6(b)可得SVDD在訓(xùn)練集樣本小于300時(shí)FPR高達(dá)45%以上,而RASVDD的FPR始終低于20%。這是由于在訓(xùn)練集樣本較少時(shí),SVDD算法將訓(xùn)練集以外的數(shù)據(jù)全部判斷為離群點(diǎn)。例如:訓(xùn)練集中只含有凌晨時(shí)間段的數(shù)據(jù),SVDD決策模型會(huì)將正午時(shí)刻的正常數(shù)據(jù)全部判斷為離群點(diǎn),而RASVDD更新準(zhǔn)則會(huì)根據(jù)數(shù)據(jù)分布密度的變化情況,及時(shí)更新決策模型,所以訓(xùn)練集樣本數(shù)的變化對(duì)RASVDD的FPR影響較小。

    4 結(jié)論

    本文針對(duì)無(wú)線(xiàn)傳感網(wǎng)絡(luò)離群檢測(cè)提出了RASVDD算法,其主要特點(diǎn)有:利用基于馬氏距離標(biāo)準(zhǔn)的方法對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行約簡(jiǎn),刪減了與決策無(wú)關(guān)的數(shù)據(jù)樣本,使訓(xùn)練時(shí)間減少的前提下,避免了準(zhǔn)確率的損失;針對(duì)無(wú)線(xiàn)傳感網(wǎng)絡(luò)數(shù)據(jù)流會(huì)隨時(shí)間發(fā)生不定變化,本文使用了基于數(shù)據(jù)分布密度的自適應(yīng)決策模型更新機(jī)制,使決策模型隨數(shù)據(jù)流變化自適應(yīng)更新,提高了離群檢測(cè)算法的準(zhǔn)確率。在真實(shí)數(shù)據(jù)集下的仿真實(shí)驗(yàn)證明了RASVDD與以往同類(lèi)算法相比,對(duì)無(wú)線(xiàn)傳感網(wǎng)絡(luò)離群檢測(cè)有更好的分類(lèi)效果。本文算法是針對(duì)非均勻部署的低密度無(wú)線(xiàn)傳感網(wǎng)絡(luò)而設(shè)計(jì)的,著重利用節(jié)點(diǎn)數(shù)據(jù)流自身的時(shí)間相關(guān)性進(jìn)行離群檢測(cè)。在今后的算法研究中將考慮同時(shí)利用節(jié)點(diǎn)間的時(shí)空相關(guān)性,以便進(jìn)一步提高檢測(cè)精度,并降低算法復(fù)雜度。

    [1] Zhang Y,Meratnia N,Havinga P. Outlier Detection Techniques for Wireless Sensor Networks:A Survey[J]. IEEE Communications Surveys and Tutorials,2010,12(2):159-170.

    [2] 單亞峰,湯月,任仁,等. 基于鄰域粗糙集與支持向量極端學(xué)習(xí)機(jī)的瓦斯傳感器故障診斷[J]. 傳感技術(shù)學(xué)報(bào),2016,29(9):1400-1404.

    [3] Chandola V,Banerjee A,Kumar V. Anomaly Detection:A Survey[J]. ACM Computing Surveys,2009,41(3):1-58.

    [4] Zhang Y,Hamm N A S,Meratnia N,et al. Statistics-Based Outlier Detection for Wireless Sensor Networks[J]. International Journal of Geographical Information Science,2012,26(8):1373-1392.

    [5] 任倩倩,李建中,程思瑤. 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中可容錯(cuò)的事件監(jiān)測(cè)算法[J]. 計(jì)算機(jī)學(xué)報(bào),2012,35(3):581-590.

    [6] Zhang Y,Meratnia N,Havinga P J M. Distributed Online Outlier Detection in Wireless Sensor Networks Using Ellipsoidal Support Vector Machine[J]. Ad Hoc Networks,2013,11(3):1062-1074.

    [7] Zhang Y,Meratnia N,Havinga P J M. Ensuring High Sensor Data Quality Through Use of Online Outlier Detection Techniques[J]. International Journal of Sensor Networks,2010,7(3):141-151.

    [8] Tax D M J,Duin R P W. Support Vector Domain Description[J]. Pattern Recognition Letters,1999,20(11-13):1191-1199.

    [9] Tax D M J,Duin R P W. Support Vector Data Description[J]. Machine Learning,2004,54(1):45-66.

    [10] 孫文柱,曲建嶺,袁濤,等. 基于改進(jìn)SVDD的飛參數(shù)據(jù)新異檢測(cè)方法[J]. 儀器儀表學(xué)報(bào),2014,35(4):932-939.

    [11] Hu C,Zhou B,Hu J. Fast Support Vector Data Description Training Using Edge Detection on Large Datasets[C]//International Joint Conference on Neural Networks. IEEE,2014:2176-2182.

    [12] 梁錦錦,劉三陽(yáng),吳德. 一種約減支持向量域描述算法RSVDD[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,35(5):927-931.

    [13] 謝迎新,陳祥光,余向明,等. 基于快速SVDD的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)Outlier檢測(cè)[J]. 儀器儀表學(xué)報(bào),2011,32(1):46-51.

    [14] Platt J C. Fast Training of Support Vector Machines Using Sequential Minimal Optimization[M]. MIT Press,1999:185-208.

    [15] Fan R E,Chen P H,Lin C J. Working Set Selection Using Second Order Information for Training Support Vector Machines[J]. Journal of Machine Learning Research,2005,6(4):1889-1918.

    [16] Liu Y H,Liu Y C,Chen Y J. Fast Support Vector Data Descriptions for Novelty Detection.[J]. IEEE Transactions on Neural Networks,2010,21(8):1296-313.

    [17] 周勝明,曲建嶺,高峰,等. 基于HE-SVDD的航空發(fā)動(dòng)機(jī)工作狀態(tài)識(shí)別[J]. 儀器儀表學(xué)報(bào),2016,37(2):308-315.

    [18] 金澈清,錢(qián)衛(wèi)寧,周傲英. 流數(shù)據(jù)分析與管理綜述[J]. 軟件學(xué)報(bào),2004,15(8):1172-1181.

    [19] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京:清華大學(xué)出版社,2016:33-35.

    魏暢(1993-),女,江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院碩士研究生,主要研究方向?yàn)闊o(wú)線(xiàn)傳感網(wǎng)絡(luò)離群檢測(cè),weichang92@126.com;

    李光輝(1970-),男,通信作者,教授,博士,博士生導(dǎo)師,主要研究方向?yàn)闊o(wú)線(xiàn)傳感器網(wǎng)絡(luò)、無(wú)損檢測(cè)技術(shù)等,ghli@jiangnan.edu.cn。

    OutlierDetectioninWirelessSensorNetworksBasedonReductionStrategyandAdaptiveSVDD*

    WEIChang1,3,LIGuanghui1,2,3*

    (1.School of IoT Engineering,Jiangnan University,Wuxi Jiangsu 214122,China; 2.Jiangsu High Technology Research Key Laboratory for Wireless Sensor Networks,Nanjing 210003,China; 3.Research Center of IoT Technology Application Engineering(MOE),Wuxi Jiangsu 214122 China)

    Wireless sensor networks are often deployed in the harsh and unattended environment,and the sensor data loss or error usually happens for the sake of bad weather,hardware or software fault,energy dissipation or the adverse attack. Outlier detection of the sensor data streams is critical for improving the system’s availability. In this paper,an outlier detection method(RASVDD)based on the data reduction and adaptive SVDD is proposed. RASVDD uses the Mahalanobis distance criterion to reduce the data set and the training samples,and then the data distribution density criterion and the temporal correlation of data stream are applied to update the training model adaptively. The simulation results for the Intel Berkeley dataset and the SensorScope System dataset showed that,RASVDD had an average true positive rate of 98% and an average false positive rate of 1%,and reduced the model training time more than 20% compared to traditional SVDD.

    wireless sensor network;data reduction;SVDD;outlier detection;simulation

    項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(61472368,61174023);江蘇省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(BE2016627)

    2017-03-19修改日期:2017-05-15

    TP274.2

    :A

    :1004-1699(2017)09-1388-08

    10.3969/j.issn.1004-1699.2017.09.015

    猜你喜歡
    數(shù)據(jù)分布離群約簡(jiǎn)
    改進(jìn)的云存儲(chǔ)系統(tǒng)數(shù)據(jù)分布策略
    基于二進(jìn)制鏈表的粗糙集屬性約簡(jiǎn)
    實(shí)值多變量維數(shù)約簡(jiǎn):綜述
    基于模糊貼近度的屬性約簡(jiǎn)
    一種基于給定標(biāo)準(zhǔn)對(duì)數(shù)據(jù)進(jìn)行正態(tài)修正的算法
    試論大數(shù)據(jù)之“大”
    離群數(shù)據(jù)挖掘在發(fā)現(xiàn)房產(chǎn)銷(xiāo)售潛在客戶(hù)中的應(yīng)用
    離群的小雞
    對(duì)數(shù)據(jù)分布特征測(cè)度的分析
    應(yīng)用相似度測(cè)量的圖離群點(diǎn)檢測(cè)方法
    精品一区二区三区视频在线| 日本免费在线观看一区| 国产精品伦人一区二区| 久久久久人妻精品一区果冻| 亚洲美女视频黄频| 国产av一区二区精品久久 | 一级毛片 在线播放| 99久久精品一区二区三区| 久久精品夜色国产| 在线观看美女被高潮喷水网站| 欧美精品人与动牲交sv欧美| 国产无遮挡羞羞视频在线观看| 噜噜噜噜噜久久久久久91| 亚洲真实伦在线观看| 黄色一级大片看看| 啦啦啦视频在线资源免费观看| 91aial.com中文字幕在线观看| 久久久欧美国产精品| 欧美xxxx黑人xx丫x性爽| 免费观看a级毛片全部| 在线精品无人区一区二区三 | 成年女人在线观看亚洲视频| 亚洲va在线va天堂va国产| 亚洲激情五月婷婷啪啪| 联通29元200g的流量卡| 一本久久精品| 国产精品国产三级国产av玫瑰| 99视频精品全部免费 在线| 国产日韩欧美亚洲二区| 国产精品熟女久久久久浪| 亚洲国产精品专区欧美| 亚洲中文av在线| 国产深夜福利视频在线观看| 久久午夜福利片| 男女下面进入的视频免费午夜| 久久这里有精品视频免费| 国产视频内射| 国国产精品蜜臀av免费| 亚洲一区二区三区欧美精品| 人妻制服诱惑在线中文字幕| av黄色大香蕉| 中文乱码字字幕精品一区二区三区| 亚洲自偷自拍三级| 国产高潮美女av| 一级毛片aaaaaa免费看小| 亚洲精品第二区| 精品少妇久久久久久888优播| 中文字幕av成人在线电影| 国产精品人妻久久久久久| 国产精品久久久久久精品古装| 国产亚洲最大av| 99热国产这里只有精品6| 色网站视频免费| 中文字幕久久专区| 欧美xxxx性猛交bbbb| 美女福利国产在线 | 我要看日韩黄色一级片| 亚洲经典国产精华液单| 久久精品国产a三级三级三级| 性色avwww在线观看| 看非洲黑人一级黄片| 欧美激情极品国产一区二区三区 | 最近最新中文字幕免费大全7| 你懂的网址亚洲精品在线观看| 欧美3d第一页| 中国国产av一级| 免费播放大片免费观看视频在线观看| 久久久欧美国产精品| 中文字幕亚洲精品专区| 国产在视频线精品| 夫妻午夜视频| 交换朋友夫妻互换小说| 久久这里有精品视频免费| 99久久综合免费| 欧美日韩在线观看h| 国产伦理片在线播放av一区| 国产69精品久久久久777片| 18禁在线无遮挡免费观看视频| 国产精品秋霞免费鲁丝片| 美女主播在线视频| 亚洲天堂av无毛| 中国美白少妇内射xxxbb| 色吧在线观看| 久久久精品免费免费高清| 国产人妻一区二区三区在| 能在线免费看毛片的网站| 精华霜和精华液先用哪个| 99re6热这里在线精品视频| av黄色大香蕉| 一级黄片播放器| 嫩草影院入口| 又粗又硬又长又爽又黄的视频| 国产黄色免费在线视频| 岛国毛片在线播放| 精品视频人人做人人爽| 亚洲av不卡在线观看| 亚洲欧美清纯卡通| 精品人妻视频免费看| 少妇高潮的动态图| 极品教师在线视频| 国语对白做爰xxxⅹ性视频网站| 午夜激情久久久久久久| 深夜a级毛片| 日本免费在线观看一区| 国产在线男女| 最近的中文字幕免费完整| 国产综合精华液| 一边亲一边摸免费视频| 黄片无遮挡物在线观看| 国产av码专区亚洲av| 免费人成在线观看视频色| 香蕉精品网在线| 亚洲精品第二区| 亚洲va在线va天堂va国产| 又粗又硬又长又爽又黄的视频| 永久免费av网站大全| 国产毛片在线视频| 国产日韩欧美亚洲二区| 99热6这里只有精品| 免费观看性生交大片5| 午夜福利在线在线| 亚洲久久久国产精品| 亚洲av成人精品一区久久| 大片免费播放器 马上看| 国产男女内射视频| 高清黄色对白视频在线免费看 | 亚洲精品日本国产第一区| 美女xxoo啪啪120秒动态图| 久久久久视频综合| 3wmmmm亚洲av在线观看| 在线看a的网站| 亚洲av二区三区四区| 人妻 亚洲 视频| 久久精品熟女亚洲av麻豆精品| 国产日韩欧美在线精品| 欧美极品一区二区三区四区| 亚洲av二区三区四区| 人人妻人人看人人澡| 国产 一区 欧美 日韩| 蜜桃久久精品国产亚洲av| 99热这里只有是精品在线观看| 最近手机中文字幕大全| 日韩成人av中文字幕在线观看| 美女国产视频在线观看| 亚洲天堂av无毛| 街头女战士在线观看网站| 男女边摸边吃奶| 免费观看av网站的网址| 高清视频免费观看一区二区| 欧美变态另类bdsm刘玥| 97超碰精品成人国产| 中文字幕人妻熟人妻熟丝袜美| 99热6这里只有精品| 免费观看性生交大片5| 我要看日韩黄色一级片| xxx大片免费视频| 久久精品人妻少妇| 九草在线视频观看| 亚洲精品一二三| 在线精品无人区一区二区三 | 亚洲av.av天堂| 精品少妇久久久久久888优播| 高清欧美精品videossex| 日韩亚洲欧美综合| 毛片女人毛片| 国产成人免费无遮挡视频| 丰满迷人的少妇在线观看| 久久久精品94久久精品| 亚洲精品色激情综合| 国产成人精品婷婷| 亚洲精品乱久久久久久| 亚洲av.av天堂| www.色视频.com| www.色视频.com| 99热国产这里只有精品6| 亚洲成人中文字幕在线播放| 免费高清在线观看视频在线观看| 日本黄大片高清| 看十八女毛片水多多多| 伊人久久精品亚洲午夜| 蜜桃在线观看..| 大又大粗又爽又黄少妇毛片口| 亚洲人成网站在线播| 亚洲欧美清纯卡通| 91久久精品国产一区二区成人| 美女xxoo啪啪120秒动态图| 免费av中文字幕在线| 视频区图区小说| 成人黄色视频免费在线看| 精品人妻偷拍中文字幕| 99精国产麻豆久久婷婷| 中文字幕av成人在线电影| 欧美亚洲 丝袜 人妻 在线| 亚洲av欧美aⅴ国产| 国产av精品麻豆| 夫妻性生交免费视频一级片| 黄色一级大片看看| 亚洲第一区二区三区不卡| 精品国产一区二区三区久久久樱花 | 视频中文字幕在线观看| 女人十人毛片免费观看3o分钟| 久久国产亚洲av麻豆专区| 亚洲综合精品二区| 成人无遮挡网站| 久久久色成人| 51国产日韩欧美| 狂野欧美白嫩少妇大欣赏| 少妇 在线观看| 色视频www国产| 亚洲精品国产av蜜桃| 国产v大片淫在线免费观看| 精品人妻一区二区三区麻豆| 观看免费一级毛片| 联通29元200g的流量卡| 高清视频免费观看一区二区| 久久av网站| 国产精品一区二区三区四区免费观看| 国产熟女欧美一区二区| 夜夜看夜夜爽夜夜摸| 亚洲第一区二区三区不卡| 大话2 男鬼变身卡| 我的老师免费观看完整版| 两个人的视频大全免费| 汤姆久久久久久久影院中文字幕| 国内少妇人妻偷人精品xxx网站| 亚洲精品aⅴ在线观看| 这个男人来自地球电影免费观看 | 久久精品人妻少妇| 久久久午夜欧美精品| 美女主播在线视频| 亚洲精品色激情综合| 国产高清国产精品国产三级 | 日本欧美视频一区| 亚洲精华国产精华液的使用体验| 亚洲久久久国产精品| 国产av精品麻豆| 只有这里有精品99| 亚洲一级一片aⅴ在线观看| 97在线视频观看| 亚洲国产精品一区三区| 91精品伊人久久大香线蕉| av不卡在线播放| 韩国高清视频一区二区三区| 妹子高潮喷水视频| 老师上课跳d突然被开到最大视频| 伊人久久国产一区二区| 亚洲国产精品国产精品| 国产色婷婷99| 九草在线视频观看| 精品人妻偷拍中文字幕| 亚洲精品,欧美精品| 久久久成人免费电影| 久久影院123| 99久久综合免费| 亚洲欧美日韩另类电影网站 | 中文字幕久久专区| 亚洲经典国产精华液单| 日韩精品有码人妻一区| 视频中文字幕在线观看| 春色校园在线视频观看| 韩国av在线不卡| 99热这里只有精品一区| 国产高清三级在线| 国产精品不卡视频一区二区| 日日摸夜夜添夜夜添av毛片| av天堂中文字幕网| 边亲边吃奶的免费视频| 国产黄频视频在线观看| 国产一区亚洲一区在线观看| 综合色丁香网| 丰满少妇做爰视频| 久久99热6这里只有精品| 晚上一个人看的免费电影| 亚洲人成网站高清观看| 日韩欧美一区视频在线观看 | 99久久人妻综合| 人人妻人人看人人澡| 国产高清不卡午夜福利| 久久99精品国语久久久| 五月玫瑰六月丁香| 免费大片18禁| 插阴视频在线观看视频| 韩国av在线不卡| 国产亚洲av片在线观看秒播厂| 熟女av电影| 人妻夜夜爽99麻豆av| 精品久久久久久久久亚洲| 欧美少妇被猛烈插入视频| av国产精品久久久久影院| 亚洲精品成人av观看孕妇| 亚洲三级黄色毛片| 人妻制服诱惑在线中文字幕| 午夜福利网站1000一区二区三区| 成人国产麻豆网| 欧美性感艳星| 国产在视频线精品| 高清毛片免费看| 亚洲人成网站在线观看播放| 一级毛片黄色毛片免费观看视频| 国产精品偷伦视频观看了| 久久人人爽人人爽人人片va| 精品久久久久久久末码| 日韩一区二区三区影片| 又黄又爽又刺激的免费视频.| 国产精品99久久久久久久久| 身体一侧抽搐| 深夜a级毛片| 日韩强制内射视频| 五月天丁香电影| 久久精品国产a三级三级三级| h视频一区二区三区| 成人免费观看视频高清| 看十八女毛片水多多多| 久久久亚洲精品成人影院| 亚洲第一区二区三区不卡| 亚洲无线观看免费| 免费在线观看成人毛片| 舔av片在线| av在线观看视频网站免费| 日韩电影二区| 一区二区三区免费毛片| 免费观看性生交大片5| 亚洲国产最新在线播放| 少妇人妻精品综合一区二区| 国产乱人偷精品视频| 国产精品不卡视频一区二区| 在线看a的网站| 视频区图区小说| 久久久久人妻精品一区果冻| 老司机影院成人| 国产91av在线免费观看| 91狼人影院| 这个男人来自地球电影免费观看 | 下体分泌物呈黄色| 如何舔出高潮| 亚洲丝袜综合中文字幕| 寂寞人妻少妇视频99o| 亚洲一级一片aⅴ在线观看| 美女福利国产在线 | 一个人免费看片子| 三级经典国产精品| 观看av在线不卡| 国产亚洲午夜精品一区二区久久| 一本一本综合久久| 高清毛片免费看| 国产黄片美女视频| 26uuu在线亚洲综合色| 久久影院123| 亚洲精品第二区| 秋霞伦理黄片| 国产免费一级a男人的天堂| 大码成人一级视频| 中文字幕精品免费在线观看视频 | 97超视频在线观看视频| 亚洲av电影在线观看一区二区三区| 亚洲av欧美aⅴ国产| 又黄又爽又刺激的免费视频.| 男女国产视频网站| 黄片wwwwww| 一区二区三区精品91| 在线精品无人区一区二区三 | 久久精品熟女亚洲av麻豆精品| 国内精品宾馆在线| 丰满少妇做爰视频| 欧美一区二区亚洲| 大话2 男鬼变身卡| 亚洲精品aⅴ在线观看| www.av在线官网国产| 高清视频免费观看一区二区| 大香蕉久久网| 大香蕉久久网| 亚洲精品亚洲一区二区| 国产免费福利视频在线观看| av.在线天堂| 黄色日韩在线| 一级毛片黄色毛片免费观看视频| 一区二区三区精品91| 国产欧美另类精品又又久久亚洲欧美| 观看美女的网站| 亚洲欧美一区二区三区国产| 97超碰精品成人国产| 国产 一区精品| 美女xxoo啪啪120秒动态图| 亚洲va在线va天堂va国产| 一区二区三区四区激情视频| 啦啦啦中文免费视频观看日本| 搡老乐熟女国产| 青青草视频在线视频观看| 我要看日韩黄色一级片| 97在线视频观看| 亚洲国产欧美人成| 亚洲国产精品一区三区| 国产亚洲午夜精品一区二区久久| 久久久久久伊人网av| 一本色道久久久久久精品综合| 国产国拍精品亚洲av在线观看| 国产国拍精品亚洲av在线观看| 久久人人爽人人爽人人片va| 黑人高潮一二区| 亚洲人与动物交配视频| 在线精品无人区一区二区三 | 热99国产精品久久久久久7| 久久亚洲国产成人精品v| 亚洲熟女精品中文字幕| 久久人人爽av亚洲精品天堂 | 精品国产一区二区三区久久久樱花 | 国产人妻一区二区三区在| 国产淫语在线视频| 国产爱豆传媒在线观看| 一级毛片电影观看| av女优亚洲男人天堂| 欧美一级a爱片免费观看看| 高清黄色对白视频在线免费看 | 街头女战士在线观看网站| 视频中文字幕在线观看| 久热久热在线精品观看| 人妻 亚洲 视频| 看十八女毛片水多多多| 国产精品无大码| 久久久精品94久久精品| 一本久久精品| 欧美变态另类bdsm刘玥| 久久久午夜欧美精品| 舔av片在线| 欧美丝袜亚洲另类| 熟妇人妻不卡中文字幕| 熟女av电影| 亚洲精品,欧美精品| 中国国产av一级| 亚洲欧美中文字幕日韩二区| 成年女人在线观看亚洲视频| 91午夜精品亚洲一区二区三区| 在线观看美女被高潮喷水网站| 久久久久久人妻| 日韩欧美 国产精品| 99久久中文字幕三级久久日本| av在线播放精品| 新久久久久国产一级毛片| 91午夜精品亚洲一区二区三区| 六月丁香七月| 国产午夜精品一二区理论片| 美女国产视频在线观看| 秋霞在线观看毛片| 国产av码专区亚洲av| 欧美国产精品一级二级三级 | 免费观看无遮挡的男女| 极品少妇高潮喷水抽搐| 天天躁夜夜躁狠狠久久av| 青春草亚洲视频在线观看| 免费黄网站久久成人精品| 免费人妻精品一区二区三区视频| 王馨瑶露胸无遮挡在线观看| 久久婷婷青草| 自拍偷自拍亚洲精品老妇| 丰满少妇做爰视频| 免费人成在线观看视频色| 高清黄色对白视频在线免费看 | 在线播放无遮挡| 亚洲欧美一区二区三区黑人 | 国产精品人妻久久久影院| 欧美 日韩 精品 国产| 国产乱人视频| av国产久精品久网站免费入址| 久久精品国产亚洲av涩爱| 亚洲三级黄色毛片| 99久久中文字幕三级久久日本| 欧美成人午夜免费资源| 观看av在线不卡| 久久精品国产a三级三级三级| 爱豆传媒免费全集在线观看| 国产成人午夜福利电影在线观看| 国产成人免费无遮挡视频| 美女脱内裤让男人舔精品视频| 国产片特级美女逼逼视频| 国产精品国产三级专区第一集| 国产精品蜜桃在线观看| 国产精品一及| 一级毛片aaaaaa免费看小| 国产精品免费大片| 国产成人freesex在线| 97热精品久久久久久| 身体一侧抽搐| 久久精品久久久久久久性| 久久99热这里只有精品18| 久久国产精品男人的天堂亚洲 | 欧美最新免费一区二区三区| 色婷婷久久久亚洲欧美| 在线观看免费日韩欧美大片 | 啦啦啦啦在线视频资源| 菩萨蛮人人尽说江南好唐韦庄| 中文字幕久久专区| 青青草视频在线视频观看| 成人亚洲欧美一区二区av| 简卡轻食公司| 免费观看a级毛片全部| 97在线人人人人妻| 欧美国产精品一级二级三级 | 搡女人真爽免费视频火全软件| 亚洲av成人精品一区久久| 亚洲精品国产成人久久av| 少妇高潮的动态图| 国产精品久久久久久精品电影小说 | 91久久精品国产一区二区成人| 日本-黄色视频高清免费观看| 亚洲欧美日韩另类电影网站 | 亚洲成人一二三区av| 我的女老师完整版在线观看| 亚洲人成网站在线观看播放| 久久韩国三级中文字幕| av在线蜜桃| 亚洲成人一二三区av| 最近最新中文字幕免费大全7| 亚洲精品一二三| 久久精品久久精品一区二区三区| 国产成人freesex在线| 午夜福利视频精品| 夫妻性生交免费视频一级片| 超碰av人人做人人爽久久| 久久久久精品性色| 国产熟女欧美一区二区| 嫩草影院入口| 国产免费一级a男人的天堂| 97精品久久久久久久久久精品| 亚洲av中文av极速乱| 国产精品久久久久久精品古装| 国产精品无大码| 午夜精品国产一区二区电影| 99热网站在线观看| 成年女人在线观看亚洲视频| 一级毛片电影观看| 中文资源天堂在线| 欧美一区二区亚洲| 免费大片黄手机在线观看| 欧美xxxx黑人xx丫x性爽| 国产精品久久久久久久电影| 一级毛片我不卡| av网站免费在线观看视频| 韩国av在线不卡| 3wmmmm亚洲av在线观看| 亚洲精品一区蜜桃| 国产亚洲91精品色在线| 亚洲欧美成人精品一区二区| 国产成人免费无遮挡视频| 黄色配什么色好看| 亚洲综合精品二区| 永久免费av网站大全| 韩国av在线不卡| 日本av免费视频播放| 亚洲图色成人| 午夜激情久久久久久久| 99久久精品一区二区三区| 国产精品精品国产色婷婷| 亚洲国产日韩一区二区| videossex国产| 欧美精品一区二区大全| 天堂俺去俺来也www色官网| av免费观看日本| 亚洲国产精品国产精品| 午夜激情久久久久久久| 人人妻人人爽人人添夜夜欢视频 | 在线观看一区二区三区| 久久精品国产亚洲av天美| 亚洲av男天堂| 精品视频人人做人人爽| 偷拍熟女少妇极品色| 国产精品一区二区在线观看99| 大香蕉97超碰在线| 欧美精品人与动牲交sv欧美| 超碰97精品在线观看| 黄片无遮挡物在线观看| 成年av动漫网址| 国产精品人妻久久久影院| 亚洲人成网站在线观看播放| 久久6这里有精品| 插逼视频在线观看| 精品一区二区三区视频在线| 亚洲一区二区三区欧美精品| 麻豆精品久久久久久蜜桃| 国产精品福利在线免费观看| 亚洲精品国产av蜜桃| 国产成人免费观看mmmm| 男女无遮挡免费网站观看| 激情 狠狠 欧美| 久久精品国产亚洲av涩爱| 久久午夜福利片| 国产免费福利视频在线观看| 99热6这里只有精品| 亚洲天堂av无毛| 亚洲av在线观看美女高潮| 亚洲av福利一区| 人人妻人人看人人澡| 国产av国产精品国产| 日本免费在线观看一区| 国产老妇伦熟女老妇高清| 午夜日本视频在线| 久热久热在线精品观看| 日日撸夜夜添| 久久这里有精品视频免费| 日韩成人av中文字幕在线观看| 性高湖久久久久久久久免费观看| 大香蕉97超碰在线| 免费播放大片免费观看视频在线观看| 18+在线观看网站| 中文字幕精品免费在线观看视频 | 国产成人精品一,二区| 国产免费视频播放在线视频| 国产亚洲5aaaaa淫片| 成人美女网站在线观看视频| 卡戴珊不雅视频在线播放| 日日啪夜夜撸| 亚洲三级黄色毛片| 欧美日韩国产mv在线观看视频 | 国产免费又黄又爽又色| 卡戴珊不雅视频在线播放| av播播在线观看一区|