• <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 ?

    高效的半監(jiān)督多層次入侵檢測算法

    2019-09-04 10:14:27曹衛(wèi)東許志香
    計算機(jī)應(yīng)用 2019年7期
    關(guān)鍵詞:多層次入侵檢測

    曹衛(wèi)東 許志香

    摘 要:針對基于監(jiān)督學(xué)習(xí)的入侵檢測算法需要的大量有標(biāo)簽數(shù)據(jù)難以收集,無監(jiān)督學(xué)習(xí)算法準(zhǔn)確率不高,且對R2L及U2R兩類攻擊檢測率低等問題,提出一種高效的半監(jiān)督多層次入侵檢測算法。首先,利用Kd-tree的索引結(jié)構(gòu),利用加權(quán)密度在高密度樣本區(qū)選擇K-means算法的初始聚類中心;然后,將聚類之后的數(shù)據(jù)分為三個類簇,將無標(biāo)簽類簇和混合類簇借助Tri-training采用加權(quán)投票規(guī)則擴(kuò)充有標(biāo)簽數(shù)據(jù)集;最后,利用二叉樹形結(jié)構(gòu)設(shè)計層次化分類模型,在NSL-KDD數(shù)據(jù)集上進(jìn)行了實驗驗證。結(jié)果表明半監(jiān)督多層次入侵檢測模型能夠在利用少量有標(biāo)簽數(shù)據(jù)的情況下,對R2L及U2R的檢測率分別達(dá)到49.38%、81.14%,有效提高R2L及U2R兩類攻擊的檢測率,從而降低系統(tǒng)的漏報率。

    關(guān)鍵詞:入侵檢測;Kd-tree;Tri-training;半監(jiān)督;多層次

    Abstract: An efficient semi-supervised multi-level intrusion detection algorithm was proposed to solve the problems existing in present intrusion detection algorithms such as difficulty of collecting a lot of tagged data for supervised learning-based algorithms, low accuracy of unsupervised learning-based algorithms and low detection rate on R2L (Remote to Local) and U2L (User to Root) of both types of algorithms. Firstly, according to Kd-tree (K-dimension tree) index structure, weighted density was used to select initial clustering centers of K-means algorithm in high-density sample region. Secondly, the data after clustering were divided into three clusters. Then, weighted voting rule was utilized to expand the labeled dataset by means of Tri-training from the unlabeled clusters and mixed clusters. Finally, a hierarchical classification model with binary tree structure was designed and experimental verification was performed on NSL-KDD dataset. The results show that the semi-supervised multi-level intrusion detection model can effectively improve detection rate of R2L and U2R attacks by using small amount of tagged data, the detection rates of R2L and U2R attacks reach 49.38% and 81.14% respectively, thus reducing the systems false negative rate.

    Key words: intrusion detection; Kd-tree; Tri-training; semi-supervised; multi-level

    0 引言

    隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,計算機(jī)網(wǎng)絡(luò)給我們帶來巨大便利的同時也讓人們面臨一系列網(wǎng)絡(luò)攻擊事件,給個人、企業(yè)及國家?guī)砭薮髶p失。入侵檢測系統(tǒng)(Intrusion Detection System, IDS)自1978年Denning[1]提出至今一直備受關(guān)注,常用的檢測技術(shù)分為誤用和異常檢測兩類:誤用檢測假設(shè)所有網(wǎng)絡(luò)攻擊行為都具有一定的模式或特征,符合已知行為特征的活動就被稱為入侵[2];異常檢測是通過建立系統(tǒng)正常行為模式庫,凡是不符合模式庫中正常行為的活動就被稱為入侵活動。誤用檢測僅能檢測已知類型的攻擊,而異常檢測卻又出現(xiàn)誤報率與漏報率較高等問題。

    近年來,機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法廣泛應(yīng)用于此領(lǐng)域,文獻(xiàn)[3-6]利用深度學(xué)習(xí)中的深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)取得較高的檢測率,但模型在訓(xùn)練過程中需要大量的有標(biāo)簽數(shù)據(jù),忽略了有標(biāo)簽樣本難獲取的問題。文獻(xiàn)[7-9]中提出采用無監(jiān)督聚類算法識別網(wǎng)絡(luò)中的異常行為,避免了標(biāo)簽數(shù)據(jù)難獲取的問題,但檢測效率與檢測精度較低。文獻(xiàn)[10-11]中提出采用半監(jiān)督算法做入侵檢測,取得一定成效;但模型訓(xùn)練時間長,誤報率較高,尤其針對U2R(User to Root)和R2L(Remote to Local)兩類攻擊出現(xiàn)大量漏報情況,而這兩種類型的攻擊比拒絕服務(wù)(Denial of Service, DoS)和其他類型的攻擊造成的破壞更嚴(yán)重。

    針對上述問題,本文提出一種基于Kd-tree(K-dimension tree)選取初始聚類中心的半監(jiān)督多層次入侵檢測算法,首先根據(jù)少量有標(biāo)簽樣本和大量無標(biāo)簽樣本構(gòu)建Kd-tree,K-means算法的初始聚類中心在Kd-tree中樣本密度較高的區(qū)域選擇[12],從而大幅度縮短K-means在聚類過程中所需時間,訓(xùn)練樣本經(jīng)過第一層聚類處理之后根據(jù)有無標(biāo)簽形成三類數(shù)據(jù)子集(全部為有標(biāo)簽,混合、全部為無標(biāo)簽);第二層,利用Tri-training方法[13]對混合和無標(biāo)簽數(shù)據(jù)子集作進(jìn)一步處理,擴(kuò)充有標(biāo)簽數(shù)據(jù)子集;第三層,將擴(kuò)充后的有標(biāo)簽數(shù)據(jù)分層次劃分,得到DoS、Probe、U2R、R2L、Normal每種類型的概率預(yù)測值作為第四層的輸入;第四層綜合利用所有類型概率預(yù)測值作出最終決策判斷。經(jīng)實驗證明,此模型在利用少量有標(biāo)簽樣本的情況下,大幅度提高了U2R及R2L的檢測率,降低了系統(tǒng)的漏報率與誤報率,且模型的訓(xùn)練時間相比其他半監(jiān)督模型大幅度減少。

    1 基于Kd-tree選取初始聚類中心

    傳統(tǒng)K-means算法隨機(jī)選取K個樣本點(diǎn)作為初始聚類中心,以所有樣本到聚類中心各維度間距離的平方和作為目標(biāo)函數(shù),通過不斷迭代使目標(biāo)函數(shù)最小化,更新聚類中心,從而得到優(yōu)化后的類簇;但這種方法得到的最終結(jié)果跟初始的聚類中心密切相關(guān),且模型計算量在高緯度大樣本時難以收斂,導(dǎo)致模型的訓(xùn)練時間很長。針對此問題,提出利用Kd-tree結(jié)構(gòu),在高密度樣本區(qū)選擇K-means的初始聚類中心,過濾掉異常樣本點(diǎn),因此又稱K-means過濾算法。

    1.1 Kd-tree概念

    Kd-tree本質(zhì)上是二叉查找樹,是一種高維索引樹形數(shù)據(jù)結(jié)構(gòu),實現(xiàn)對K維數(shù)據(jù)空間中數(shù)據(jù)對象存儲并加快檢索的功能[14]。Kd-tree中每個節(jié)點(diǎn)主要包含的數(shù)據(jù)結(jié)構(gòu)如表1所示。

    文獻(xiàn)[15]首次提出基于Kd-tree選取K-means初始聚類中心,在高密度樣本區(qū)選擇樣本作為初始種子聚類中心,該算法僅考慮具有高密度值的葉子節(jié)點(diǎn),低密度值葉子節(jié)點(diǎn)直接舍棄,由此導(dǎo)致最終輸出的候選聚類中心集聚在高密度區(qū),類簇間很難區(qū)分。

    文獻(xiàn)[16]中提到K-means過濾算法在每一次迭代過程中訪問節(jié)點(diǎn)所需時間復(fù)雜度為O(2dk log n+dn/ρ2),其中:d表示樣本維度,k代表聚類中心數(shù),n代表葉子節(jié)點(diǎn)數(shù)即樣本總數(shù), ρ代表類簇之間的分離度,這就表明K-means過濾算法迭代過程中所需時間與類簇之間的分離程度成反比,因此文獻(xiàn)[15]中的算法并不能有效地縮短模型的訓(xùn)練時間。

    1.2 基于Kd-tree的加權(quán)密度估計選取K-means初始聚類中心

    針對上述問題,提出基于Kd-tree加權(quán)密度估計選擇K-means初始聚類中心。首先根據(jù)已有數(shù)據(jù)集構(gòu)建Kd-tree,則第i個葉子節(jié)點(diǎn)的體積表示為:

    其中:ximax代表節(jié)點(diǎn)i在第j維上投影坐標(biāo)最大值,ximin代表節(jié)點(diǎn)i在第j維上投影坐標(biāo)最小值。另Ni表示第i個葉子節(jié)點(diǎn)內(nèi)包含的樣本點(diǎn)數(shù),第i個葉子節(jié)點(diǎn)的密度估計δi=Ni/Vi。葉節(jié)點(diǎn)加權(quán)密度估計值為:

    模型訓(xùn)練開始時,選密度權(quán)重最大的葉子節(jié)點(diǎn)的均值作為第一個種子中心[17],剩下的種子通過計算葉節(jié)點(diǎn)的距離估計來確定,葉節(jié)點(diǎn)距離估計值是與其相距最近的聚類中心的距離,并在每計算完一個新的聚類中心后更新,假設(shè)t個聚類中心已確定,在第t+1輪迭代時,第i個葉子的距離估計值為:

    2 半監(jiān)督多層次入侵檢測模型

    半監(jiān)督分類方法是考慮到當(dāng)有標(biāo)簽樣本不足時,如何利用大量無標(biāo)簽樣本輔助分類器訓(xùn)練。當(dāng)前網(wǎng)絡(luò)環(huán)境中,充斥大量無標(biāo)簽樣數(shù)據(jù),人工加標(biāo)簽費(fèi)時費(fèi)力,鑒于此提出采用半監(jiān)督方法作入侵檢測。

    Tri-training算法利用Dlabeled訓(xùn)練三個不同的分類器,假設(shè)分別為H1,H2,H3,x是Dunlabeled內(nèi)任意一個樣本點(diǎn),若H2(x)與H3(x)得到的結(jié)果相同,則可將x標(biāo)記為H2(x),并將其并入H1的訓(xùn)練集。同理,相同的方法用于擴(kuò)充H2和H3的訓(xùn)練集,三個訓(xùn)練器重新訓(xùn)練,不斷迭代直至三個訓(xùn)練器都沒有變化,由此實現(xiàn)有標(biāo)簽數(shù)據(jù)集的擴(kuò)充。

    2.2 Tri-training擴(kuò)充有標(biāo)簽數(shù)據(jù)集

    通過改進(jìn)K-means對少量有標(biāo)簽樣本和大量無標(biāo)簽數(shù)據(jù)集聚類,聚類之后的數(shù)據(jù)可分為三個類簇[18]:有標(biāo)簽、混合、無標(biāo)簽三種。每個類簇的類分布函數(shù)計算公式為:

    則稱這個類簇為原子類簇(atomic)[18],否則稱之為非原子類簇(non-atomic),原子類簇保留其標(biāo)簽。針對全部為無標(biāo)簽樣本的類簇,根據(jù)近鄰規(guī)則找到距離其最近的有標(biāo)簽類簇合并,形成新的混合類簇。

    混合類簇則通過Tri-training方法進(jìn)行訓(xùn)練,通過不斷迭代給無標(biāo)簽樣本打標(biāo)簽,最終形成一個全部有標(biāo)簽的樣本數(shù)據(jù)集。文獻(xiàn)[13]中打標(biāo)簽時采用多數(shù)投票規(guī)則,這一規(guī)則在樣本類別數(shù)大于2時,準(zhǔn)確率會受到影響,因此提出一種加權(quán)的投票規(guī)則進(jìn)行類別標(biāo)記,三個分類器的權(quán)值分別由在初始有標(biāo)簽樣本數(shù)據(jù)集上的分類準(zhǔn)確率Ai(Dlabeled)確定,權(quán)值計算公式如下:

    2.3 層次化分類設(shè)計

    現(xiàn)有的入侵檢測算法大多針對總樣本檢測準(zhǔn)確率,忽略了U2R、R2L兩種類型的檢測,導(dǎo)致系統(tǒng)誤報率和漏報率很高。原因是這兩類攻擊在原始數(shù)據(jù)集中數(shù)據(jù)量很小,且KDD99中有大量基于連接的統(tǒng)計數(shù)據(jù)淹沒了這兩類數(shù)據(jù)的特點(diǎn),由此導(dǎo)致針對這兩類攻擊的檢測率很低。

    針對上述問題,提出一種層次化分類設(shè)計,第一層設(shè)計為具有二叉樹形式的樹形分類器,樹形分類器分四級,為提高分類效率及準(zhǔn)確率,每一級都設(shè)置為二分類器[19],每一個二分類器輸出樣本所屬類別的概率:二分類器的輸出值為每一個測試樣本所屬類別的概率預(yù)測值:此句不通順

    level1 原始數(shù)據(jù)集中DoS攻擊類型最多,因此將擴(kuò)充后的有標(biāo)簽數(shù)據(jù)集分在此分為DoS和C2兩類因此將擴(kuò)充后的有標(biāo)簽數(shù)據(jù)集在本層分為DOS和C2兩類此句不通順;

    第二層同樣采用二分類法,以第一層所有樣本輸出概率值probab()作為輸入,為增強(qiáng)最終分類器的泛化能力,首先將各級分類器的輸出值按照算法1[19]作進(jìn)一步處理,層次化分類結(jié)構(gòu)如圖2所示。

    算法1具體可表述為,第一層的二分類器處理最初訓(xùn)練數(shù)據(jù)集,若DoS的概率預(yù)測值大于C2,則將C2的概率預(yù)測值置為0,并將C2中的數(shù)據(jù)作為第二層分類器的輸入數(shù)據(jù);第二層的二分類器處理C2,若Probe的概率預(yù)測值大于C3,則將C3的概率預(yù)測值置為0,并將C3中的數(shù)據(jù)作為第三層分類器的輸入數(shù)據(jù),第三層及第四層同理。偽代碼如下:

    3 實驗與結(jié)果分析

    3.1 實驗數(shù)據(jù)

    入侵檢測數(shù)據(jù)集采用NSL-KDD[20],它是對原KDDcup99數(shù)據(jù)集的改進(jìn),去掉了原數(shù)據(jù)集中大量重復(fù)記錄。數(shù)據(jù)集有41個屬性,其中有3個符號性變量,38個數(shù)值型變量,類標(biāo)簽分為5類:DoS、Probe、U2R、R2L、Normal。NSL-KDD的訓(xùn)練集和測試集各攻擊類型詳細(xì)信息如表2所示,表3則提供每種類型在訓(xùn)練集和測試集中的分布信息。

    由表2及表3可知,U2R和R2L兩種類型在測試集中出現(xiàn)一些新的攻擊子類型,但是由于總數(shù)據(jù)量遠(yuǎn)小于其他攻擊類型數(shù)據(jù)量,因此這兩種攻擊類型的特有屬性常被“覆蓋”,新出現(xiàn)的攻擊類型容易被系統(tǒng)誤判為正常數(shù)據(jù),由此導(dǎo)致系統(tǒng)的漏報率很高。

    由于DoS和Normal兩種類型的數(shù)據(jù)量遠(yuǎn)大于其他類型,因此為了平衡各數(shù)據(jù)間的分布,將Training-dataset中Probe、R2L、U2R數(shù)據(jù)全部保留加入到訓(xùn)練集中,隨機(jī)從DoS和Normal中選擇若干數(shù)據(jù)構(gòu)成訓(xùn)練集,將Test-dataset的全部樣本作為測試集。本實驗采用的訓(xùn)練集樣本分布如表4所示。

    3.2 數(shù)據(jù)預(yù)處理

    NSL-KDD中屬性“protocal_type”“service”“flag”為符號性變量,其他屬性多為統(tǒng)計性數(shù)據(jù),各個維度之間差異度較大難以聚類,因此在實驗前要先對數(shù)據(jù)進(jìn)行預(yù)處理以方便數(shù)據(jù)聚類。

    1)數(shù)值化。

    預(yù)處理的第一步就是對原訓(xùn)練集進(jìn)行數(shù)值化處理。采用統(tǒng)計信息,將各屬性中不同值出現(xiàn)的頻次替代原屬性值,這樣做可以避免替換時同一屬性不同值之間距離不均衡,從而導(dǎo)致錯誤聚類的問題[7]。

    2)歸一化。

    NSL-KDD中23~31維屬性是基于時間的統(tǒng)計屬性,32~41維屬性是基于連接的統(tǒng)計屬性,這就導(dǎo)致各維數(shù)據(jù)間差異較大,因此要將數(shù)值化處理后的數(shù)據(jù)作歸一化處理:

    其中:x′代表歸一化處理之后的數(shù)據(jù),Mmax代表某一維中最大的數(shù),Mmin代表某一維中最小的數(shù)。

    3.3 實驗分析

    本實驗在Intel CPU 1.70GHz、4GB內(nèi)存、64b硬件環(huán)境和Windows 7操作系統(tǒng),使用Python3.5作為編碼工具。實驗所用的評價指標(biāo)為準(zhǔn)確率(ACcuracy rate, AC)、檢測率(Detection Rate, DR)、誤報率(False Alarm Rate, FAR),定義如下:

    其中:TP(True Positive)代表正確識別的Normal類數(shù)量,TN(True Negative)代表正確識別的攻擊類數(shù)量,F(xiàn)P(False Positive)代表誤判為Normal類的數(shù)據(jù)量,F(xiàn)N(False Negative)誤判為攻擊類型的數(shù)據(jù)量。

    在實驗1中為驗證利用Kd-tree的加權(quán)密度估計對K-means聚類效率的影響,將傳統(tǒng)K-means算法及文獻(xiàn)[15]中基于Kd-tree的密度選擇初始聚類中心算法作比較,比較模型運(yùn)行時間及準(zhǔn)確率,訓(xùn)練數(shù)據(jù)集為Training-dataset。實驗結(jié)果如表5所示。

    由表5可以得出,本文所提算法檢測準(zhǔn)確率比傳統(tǒng)K-means算法提高1.86從表5中,未看出是2個百分點(diǎn),而是1.86個百分點(diǎn),此處是否應(yīng)該改為這個數(shù)值個百分點(diǎn),但模型的運(yùn)行時間卻大幅度縮短,這是由于傳統(tǒng)K-means在鄰近最終的聚類中心時,算法很難收斂,導(dǎo)致模型的訓(xùn)練時間過長。文獻(xiàn)[15]的算法準(zhǔn)確率雖與本文算法近似,但運(yùn)行時間卻較長,而網(wǎng)絡(luò)中的入侵行為需被及時檢測并給予響應(yīng)。AN-SVM(請補(bǔ)充AN-SVM的英文全稱)[6]采用的基于檢測率雖高于本文算法,不通順,且表5中沒有這個算法?請作者調(diào)整因此綜合考慮,本文算法更具實用性。

    實驗2中,為驗證Tri-training中提出的加權(quán)投票規(guī)則對無標(biāo)簽樣本打標(biāo)簽準(zhǔn)確率的有效性,將傳統(tǒng)Tri-training算法與本文算法對各類型數(shù)據(jù)檢測率作比較,實驗結(jié)果如圖3所示。

    由圖4可知,隨著有標(biāo)簽數(shù)據(jù)量的增加,各算法的準(zhǔn)確率都有提升,本文所提算法相比其他模型在有標(biāo)簽數(shù)據(jù)量相同時,檢測準(zhǔn)確率較高,特別是當(dāng)有標(biāo)簽數(shù)據(jù)量占據(jù)訓(xùn)練集一半時,檢測準(zhǔn)確率已達(dá)到94.07%,說明半監(jiān)督思想能夠應(yīng)用于入侵檢測模型中,由此可以避免人工打標(biāo)簽。

    為進(jìn)一步驗證層次化分類模型對U2R和R2L兩類攻擊的檢測率,特與其他算法作對比,有標(biāo)簽數(shù)據(jù)集占訓(xùn)練集的70%,實驗結(jié)果如圖5所示。

    由圖5得知,本文提出的半監(jiān)督多層次分類模型與其他半監(jiān)督算法總體檢測率與準(zhǔn)確率相差不大,但R2L及U2R兩種類型的檢測率卻有較大提升,對R2L及U2R的檢測率分別達(dá)到41.38%49.38%與81.14%,能夠有效檢測出這兩種類型攻擊,降低系統(tǒng)的漏報率。

    為進(jìn)一步驗證本文所提半監(jiān)督算法的有效性,與近年來基于半監(jiān)督的入侵檢測算法作對比,其中有標(biāo)簽數(shù)據(jù)集占訓(xùn)練樣本的50%,對比實驗結(jié)果如表6所示。

    由表6可知,本文所提算法對所有樣本點(diǎn)的檢測率優(yōu)于其他半監(jiān)督算法,誤報率確雖高于文獻(xiàn)[22]中所提的算法,但針對入侵檢測系統(tǒng)來說,更加關(guān)注系統(tǒng)對異常數(shù)據(jù)的檢測率,因為漏檢一條數(shù)據(jù)都可能對系統(tǒng)造成致命影響,因此本文所提算法比其他算法更具實用性。

    4 結(jié)語

    本文針對現(xiàn)有入侵檢測算法多針對總體的檢測率和準(zhǔn)確率,而忽略R2L、U2R兩種攻擊類型檢測率,導(dǎo)致系統(tǒng)誤報率較高;且現(xiàn)實網(wǎng)絡(luò)流量中多為無標(biāo)簽數(shù)據(jù),采用有標(biāo)簽數(shù)據(jù)做訓(xùn)練集需要耗費(fèi)大量人力物力的現(xiàn)狀,提出一種基于Kd-tree選擇初始聚類中心的半監(jiān)督分層次入侵檢測模型,首先利用Kd-tree結(jié)構(gòu),提出一種加權(quán)密度方法加快K-means的聚類過程;其次,利用改進(jìn)的Tri-training方法擴(kuò)充有標(biāo)簽數(shù)據(jù)集,充分利用大量無標(biāo)簽數(shù)據(jù)輔助模型進(jìn)行學(xué)習(xí)作出判斷;最后,利用分層次模型,采用二叉樹形結(jié)構(gòu)對每種類型作出判斷,進(jìn)而提高R2L及U2R兩種攻擊類型的檢測率。

    參考文獻(xiàn) (References)

    [1] DENNING D E. An intrusion-detection model[J]. IEEE Transactions on Software Engineering, 2006, SE-13(2): 222-232.

    [2] 孔令智.基于網(wǎng)絡(luò)異常的入侵檢測算法研究[D].北京:北京交通大學(xué),2017:15-16.(KONG L Z. Research on intrusion detection algorithm based on network anomaly[D]. BeiJing: Beijing Jiaotong University, 2017: 15-16.)

    [3] 沈?qū)W利,覃淑娟.基于SMOTE和深度信念網(wǎng)絡(luò)的異常檢測[J].計算機(jī)應(yīng)用,2018,38(7):1941-1945.(SHEN X L, QIN S J. Anomaly detection based on synthetic minority oversampling technique and deep belief network[J]. Journal of Computer Applications, 2018, 38(7): 1941-1945.)

    [4] YADAV S, SUBRAMANIAN S. Detection of application layer DDoS attack by feature learning using stacked autoencoder [C]// ICCTICT 2016: Proceedings of the 2016 International Conference on Computational Techniques in Information and Communication Technologies. Piscataway, NJ: IEEE, 2016: 361-366.

    [5] 方圓,李明,王萍,等.基于混合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的入侵檢測模型[J].計算機(jī)應(yīng)用,2018,38(10):2903-2907.(FANG Y, LI M, WANG P, et al. Intrusion detection model based on hybrid convolutional neural network and recurrent neural network[J]. Journal of Computer Applications, 2018, 38(10): 2903-2907.)

    [6] 高妮,高嶺,賀毅岳,等.基于自編碼網(wǎng)絡(luò)特征降維的輕量級入侵檢測模型[J].電子學(xué)報,2017,45(3):730-739.(GAO N, GAO L, HE Y Y, et al. A lightweight intrusion detection model based on autoencoder network with feature reduction[J]. Acta Electronica Sinica, 2017, 45(3): 730-739.)

    [7] 賈凡,嚴(yán)妍,張家琪.基于K-means聚類特征消減的網(wǎng)絡(luò)異常檢測[J].清華大學(xué)學(xué)報(自然科學(xué)版),2018,58(2):137-142.(JIA F, YAN Y, ZHANG J Q. K-means based feature reduction for network anomaly detection[J]. Journal of Tsinghua University (Natural Science Edition), 2018, 58(2): 137-142.)

    [8] PENG K, LEUNG V C M, HUANG Q. Clustering approach based on mini batch Kmeans for intrusion detection system over big data[J]. IEEE Access, 2018, 6(99): 11897-11906.

    [9] PATHAK V, ANANTHANARAYANA V S. A novel multi-threaded K-means clustering approach for intrusion detection[C]// Proceedings of the 2012 IEEE International Conference on Computer Science and Automation Engineering. Piscataway, NJ: IEEE, 2012: 757-760.

    [10] FITRIANI S, MANDALA S, MURTI M A. Review of semi-supervised method for intrusion detection system[C]// Proceedings of the 2016 Asia Pacific Conference on Multimedia and Broadcasting. Piscataway, NJ: IEEE, 2016: 36-41.

    [11] HAWELIYA J, NIGAM B. Network intrusion detection using semi supervised support vector machine[J]. International Journal of Computer Applications, 2014, 85(9): 27-31.

    [12] KUMAR K M, REDDY A R M. A fast DBSCAN clustering algorithm by accelerating neighbor searching using Groups method[J]. Pattern Recognition, 2016, 58: 39-48.

    [13] ZHOU Z H, LI M. Tri-training: exploiting unlabeled data using three classifiers[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(11): 1529-1541.

    [14] 劉開云.基于KD-Tree的KNN沙塵孤立點(diǎn)監(jiān)測算法的研究與應(yīng)用[D].開封:河南大學(xué),2018:22-24.(LIU K Y. Research and application of KNN sand-dust isolated point monitoring algorithm based on KD-Tree[D]. Kaifeng: Henan University, 2018: 22-24.)

    [15] REDMOND S J, HENEGHAN C. A method for initialising the K-means clustering algorithm using kd-trees [J]. Pattern Recognition Letters, 2007, 28(8): 965-973.

    [16] KANUNGO T, MOUNT D M, NETANYAHU N S, et al. The analysis of a simple K-means clustering algorithm[C]// Proceedings of the Sixteenth Annual Symposium on Computational Geometry. New York: ACM, 2000: 100-109.

    [17] KUMAR K M, REDDY A R M. An efficient K-means clustering filtering algorithm using density based initial cluster centers[J]. Information Sciences, 2017, 418/419: 286-301.

    [18] AL-JARRAH O Y, AL-HAMMDI Y, YOO P D, et al. Semi-supervised multi-layered clustering model for intrusion detection[J]. Digital Communications and Networks, 2018, 4(4): 277-286.

    [19] AHMIM A, DERDOUR M, FERRAG M A. An intrusion detection system based on combining probability predictions of a tree of classifiers[J]. International Journal of Communication Systems, 2018, 31(9): e3457.

    [20] TAVALLAEE M, BAGHERI E, LU W, et al. A detailed analysis of the KDD CUP 99 data set[C]// Proceedings of the 2009 IEEE Symposium on Computational Intelligence for Security and Defense Applications. Piscataway, NJ: IEEE, 2009: 1-6.

    [21] ZHANG X F, ZHU P D, TIAN J W, et al. An effective semi-supervised model for intrusion detection using feature selection based LapSVM [C]// CITS 2017: Proceedings of the 2017 International Conference on Computer, Information and Telecommunication Systems. Piscataway, NJ: IEEE, 2017: 283-286.

    [22] ASHFAQ R A R, WANG X Z, HUANG J Z, et al. Fuzziness based semi-supervised learning approach for intrusion detection system[J]. Information Sciences, 2017, 378: 484-497.

    [23] CATALTEPE Z, EKMEKI U, CATALTEPE T, et al. Online feature selected semi-supervised decision trees for network intrusion detection[C]// NOMS 2016: Proceedings of the 2016 IEEE/IFIP Network Operations and Management Symposium. Piscataway, NJ: IEEE, 2016: 1085-1088.

    猜你喜歡
    多層次入侵檢測
    多Agent的創(chuàng)新網(wǎng)絡(luò)入侵檢測方法仿真研究
    基于入侵檢測的數(shù)據(jù)流挖掘和識別技術(shù)應(yīng)用
    藝術(shù)類院校高效存儲系統(tǒng)的設(shè)計
    基于網(wǎng)絡(luò)規(guī)劃識別的入侵檢測結(jié)構(gòu)
    構(gòu)建多層次外語實驗教學(xué)體系的探索與實踐
    亞太教育(2016年33期)2016-12-19 03:45:41
    多層次案例教學(xué)法在獨(dú)立學(xué)院統(tǒng)計學(xué)教學(xué)中的實踐
    基于關(guān)聯(lián)規(guī)則的計算機(jī)入侵檢測方法
    新能源材料與器件專業(yè)多層次實驗教學(xué)模式的探索
    科技視界(2016年6期)2016-07-12 08:49:44
    淺析新時期下高中語文新課堂
    考試周刊(2016年42期)2016-06-18 19:30:05
    對高校運(yùn)動訓(xùn)練課程改革的探討
    考試周刊(2016年26期)2016-05-26 19:06:04
    国产爱豆传媒在线观看| 成年免费大片在线观看| 欧美老熟妇乱子伦牲交| 永久免费av网站大全| 久久久精品欧美日韩精品| 精品久久久精品久久久| 香蕉精品网在线| 国产精品人妻久久久久久| 亚洲第一区二区三区不卡| 五月伊人婷婷丁香| 一区二区三区四区激情视频| 久久人人爽人人片av| 大又大粗又爽又黄少妇毛片口| 99精国产麻豆久久婷婷| 中国三级夫妇交换| 卡戴珊不雅视频在线播放| 黄色视频在线播放观看不卡| 欧美潮喷喷水| 插逼视频在线观看| 草草在线视频免费看| 亚洲精品久久午夜乱码| 国产美女午夜福利| 久久久精品免费免费高清| 欧美日韩一区二区视频在线观看视频在线 | 久久精品人妻少妇| 国产精品爽爽va在线观看网站| 简卡轻食公司| 18+在线观看网站| 三级男女做爰猛烈吃奶摸视频| 美女主播在线视频| 国产综合精华液| 秋霞在线观看毛片| 国产精品99久久久久久久久| 国产一区二区三区av在线| 亚洲av电影在线观看一区二区三区 | 特级一级黄色大片| 91aial.com中文字幕在线观看| 成人特级av手机在线观看| 在线免费十八禁| 国产成人a区在线观看| 国产熟女欧美一区二区| 日韩三级伦理在线观看| 男人爽女人下面视频在线观看| 又黄又爽又刺激的免费视频.| 亚洲欧美成人精品一区二区| 人人妻人人澡人人爽人人夜夜| 久久久久久九九精品二区国产| 一本色道久久久久久精品综合| 午夜免费鲁丝| 精品久久久久久久末码| 日日摸夜夜添夜夜爱| 大话2 男鬼变身卡| 两个人的视频大全免费| 只有这里有精品99| 美女主播在线视频| 日日撸夜夜添| 精品一区在线观看国产| 欧美激情在线99| 国产老妇伦熟女老妇高清| 亚洲精品456在线播放app| 老师上课跳d突然被开到最大视频| 久久久欧美国产精品| 看十八女毛片水多多多| 1000部很黄的大片| 精品久久久久久久久亚洲| 五月玫瑰六月丁香| 超碰av人人做人人爽久久| 日韩欧美精品免费久久| 18禁在线无遮挡免费观看视频| 美女主播在线视频| 国产精品爽爽va在线观看网站| 亚洲四区av| 涩涩av久久男人的天堂| 人人妻人人爽人人添夜夜欢视频 | 九九久久精品国产亚洲av麻豆| 亚洲精品久久午夜乱码| 国产老妇伦熟女老妇高清| 99久久人妻综合| 久久精品国产亚洲av涩爱| 男的添女的下面高潮视频| 黑人高潮一二区| 一二三四中文在线观看免费高清| 人妻系列 视频| 久久久久久久亚洲中文字幕| 最近中文字幕2019免费版| 只有这里有精品99| 国产成人福利小说| 精品久久久久久久末码| 久久99热6这里只有精品| 如何舔出高潮| 男女那种视频在线观看| 可以在线观看毛片的网站| 五月开心婷婷网| 亚洲精品aⅴ在线观看| 免费播放大片免费观看视频在线观看| 久久久久久久午夜电影| 成人无遮挡网站| a级毛色黄片| 日本一本二区三区精品| 搞女人的毛片| 91久久精品电影网| 26uuu在线亚洲综合色| av一本久久久久| 亚洲欧美清纯卡通| 亚洲av成人精品一区久久| 免费观看av网站的网址| 国产成人精品婷婷| 色视频www国产| 在线精品无人区一区二区三 | 日韩成人av中文字幕在线观看| 亚洲精品456在线播放app| 国产成人精品福利久久| 亚洲av福利一区| 亚洲国产色片| 内射极品少妇av片p| 欧美bdsm另类| 中文乱码字字幕精品一区二区三区| 赤兔流量卡办理| 国产黄频视频在线观看| videossex国产| 天堂网av新在线| 老司机影院毛片| 亚洲伊人久久精品综合| 亚洲欧美清纯卡通| 国产精品麻豆人妻色哟哟久久| 日本-黄色视频高清免费观看| 少妇的逼好多水| 免费黄色在线免费观看| 看十八女毛片水多多多| 亚洲国产欧美人成| 欧美 日韩 精品 国产| h日本视频在线播放| 日日撸夜夜添| 韩国高清视频一区二区三区| 黄色一级大片看看| 爱豆传媒免费全集在线观看| 国产片特级美女逼逼视频| 国产又色又爽无遮挡免| av国产免费在线观看| 天天躁日日操中文字幕| 国产色婷婷99| 99热国产这里只有精品6| 精品久久久精品久久久| 人妻一区二区av| 国产一区二区在线观看日韩| 国产片特级美女逼逼视频| 久久亚洲国产成人精品v| 精品久久久久久久久亚洲| 亚洲va在线va天堂va国产| 国产免费又黄又爽又色| 免费看av在线观看网站| 91精品一卡2卡3卡4卡| 国产真实伦视频高清在线观看| 国产成人免费无遮挡视频| 老师上课跳d突然被开到最大视频| 国产高潮美女av| 视频中文字幕在线观看| 欧美一级a爱片免费观看看| av网站免费在线观看视频| 国产成人福利小说| 亚洲av在线观看美女高潮| 国内精品美女久久久久久| 亚洲最大成人av| 午夜精品国产一区二区电影 | 日本爱情动作片www.在线观看| 99久久人妻综合| 中文天堂在线官网| 免费观看性生交大片5| 97在线人人人人妻| 在线观看av片永久免费下载| 91精品伊人久久大香线蕉| 精品久久久噜噜| 日日啪夜夜撸| 亚洲精品国产av成人精品| 可以在线观看毛片的网站| 亚洲天堂av无毛| 一区二区三区免费毛片| a级一级毛片免费在线观看| 日韩中字成人| 午夜福利视频1000在线观看| 人妻制服诱惑在线中文字幕| 亚洲国产欧美人成| 涩涩av久久男人的天堂| 亚洲一区二区三区欧美精品 | 三级国产精品欧美在线观看| 国产av国产精品国产| av在线老鸭窝| 久久精品久久久久久噜噜老黄| 大片免费播放器 马上看| 精品视频人人做人人爽| 精品久久久久久电影网| 少妇熟女欧美另类| 黄色日韩在线| 18禁在线播放成人免费| 久久久久久久久久久丰满| 亚洲精品亚洲一区二区| 亚洲国产最新在线播放| a级一级毛片免费在线观看| 日韩伦理黄色片| 色婷婷久久久亚洲欧美| 一个人看视频在线观看www免费| 亚洲av男天堂| 如何舔出高潮| 欧美精品人与动牲交sv欧美| 能在线免费看毛片的网站| 看黄色毛片网站| 亚洲欧美成人综合另类久久久| 久久久久精品性色| 美女脱内裤让男人舔精品视频| 成人特级av手机在线观看| 丝瓜视频免费看黄片| av网站免费在线观看视频| 日日摸夜夜添夜夜爱| 美女被艹到高潮喷水动态| 国产一区二区在线观看日韩| 国产精品国产三级国产专区5o| 国产一区二区三区综合在线观看 | 亚洲成人精品中文字幕电影| 中文精品一卡2卡3卡4更新| 日韩亚洲欧美综合| 久久精品国产亚洲av天美| 熟女电影av网| 有码 亚洲区| 少妇 在线观看| 久久久久久久久久成人| 又大又黄又爽视频免费| 插阴视频在线观看视频| 极品少妇高潮喷水抽搐| 成人亚洲欧美一区二区av| 日韩不卡一区二区三区视频在线| 一二三四中文在线观看免费高清| 一级av片app| 高清视频免费观看一区二区| 3wmmmm亚洲av在线观看| 能在线免费看毛片的网站| 黄色欧美视频在线观看| 午夜福利在线观看免费完整高清在| 久久久成人免费电影| 欧美激情在线99| 欧美成人精品欧美一级黄| 成年版毛片免费区| 2021天堂中文幕一二区在线观| 国产成人免费观看mmmm| 男插女下体视频免费在线播放| 国产日韩欧美亚洲二区| 国产精品久久久久久久电影| 日韩精品有码人妻一区| 亚洲四区av| 熟女av电影| 日韩欧美 国产精品| 777米奇影视久久| 欧美成人a在线观看| 国产日韩欧美在线精品| 日本黄大片高清| 又粗又硬又长又爽又黄的视频| 好男人在线观看高清免费视频| 熟女av电影| av在线蜜桃| 国产成人一区二区在线| 国产成人一区二区在线| 日本与韩国留学比较| 久久ye,这里只有精品| 人妻少妇偷人精品九色| 一个人看视频在线观看www免费| av国产免费在线观看| 女人十人毛片免费观看3o分钟| 免费看日本二区| 一个人看的www免费观看视频| 亚洲美女视频黄频| 久久韩国三级中文字幕| 亚洲精品乱码久久久v下载方式| 全区人妻精品视频| 亚洲av男天堂| 美女内射精品一级片tv| 亚洲av不卡在线观看| 亚洲色图av天堂| 精品久久久久久久久亚洲| av在线天堂中文字幕| 午夜精品国产一区二区电影 | 26uuu在线亚洲综合色| 午夜福利视频精品| 国产 一区 欧美 日韩| 亚洲精品aⅴ在线观看| 亚洲精品色激情综合| 在线免费十八禁| 成人美女网站在线观看视频| 成人毛片60女人毛片免费| 色吧在线观看| 嫩草影院新地址| 国产综合懂色| 美女脱内裤让男人舔精品视频| 国产成人免费观看mmmm| 秋霞在线观看毛片| 看免费成人av毛片| eeuss影院久久| 女人十人毛片免费观看3o分钟| av黄色大香蕉| 人体艺术视频欧美日本| 国产精品国产三级国产av玫瑰| 美女高潮的动态| 亚洲国产高清在线一区二区三| 国产亚洲91精品色在线| 少妇人妻精品综合一区二区| 亚洲国产日韩一区二区| 精品久久久久久电影网| 精品一区二区三区视频在线| 亚洲在久久综合| 国产成人91sexporn| 国产精品久久久久久精品电影小说 | 日韩欧美精品免费久久| 成人欧美大片| 亚洲天堂av无毛| 午夜老司机福利剧场| 亚洲精品乱码久久久v下载方式| 国产老妇女一区| 亚洲国产欧美在线一区| 男人狂女人下面高潮的视频| 欧美精品一区二区大全| 激情 狠狠 欧美| 超碰97精品在线观看| 久久久久久久久久成人| 国产成人91sexporn| 美女高潮的动态| 亚洲第一区二区三区不卡| 丰满乱子伦码专区| 国产精品久久久久久久久免| 成人毛片60女人毛片免费| 日韩强制内射视频| 内地一区二区视频在线| 日韩av在线免费看完整版不卡| 一区二区三区乱码不卡18| 亚洲av中文字字幕乱码综合| 国产真实伦视频高清在线观看| 在线观看免费高清a一片| 欧美丝袜亚洲另类| 高清在线视频一区二区三区| 成人高潮视频无遮挡免费网站| 久久99热这里只有精品18| 一个人观看的视频www高清免费观看| 极品教师在线视频| av在线蜜桃| 偷拍熟女少妇极品色| 尤物成人国产欧美一区二区三区| 22中文网久久字幕| 麻豆国产97在线/欧美| 天堂俺去俺来也www色官网| 黄色一级大片看看| 精品久久久久久久久av| 极品少妇高潮喷水抽搐| 亚洲激情五月婷婷啪啪| 卡戴珊不雅视频在线播放| 波多野结衣巨乳人妻| 中国三级夫妇交换| 亚洲人与动物交配视频| 永久网站在线| 欧美性猛交╳xxx乱大交人| 欧美97在线视频| 蜜臀久久99精品久久宅男| 亚洲欧美日韩卡通动漫| 久久这里有精品视频免费| 最新中文字幕久久久久| av女优亚洲男人天堂| 亚洲,欧美,日韩| 精品午夜福利在线看| 欧美成人精品欧美一级黄| h日本视频在线播放| 夫妻午夜视频| 久热久热在线精品观看| 91午夜精品亚洲一区二区三区| 国产免费视频播放在线视频| 午夜免费观看性视频| 亚洲欧洲国产日韩| 久久人人爽人人片av| 精品少妇黑人巨大在线播放| 亚洲精品色激情综合| 日本三级黄在线观看| freevideosex欧美| 高清午夜精品一区二区三区| 99久久中文字幕三级久久日本| 热re99久久精品国产66热6| 身体一侧抽搐| av卡一久久| 免费看不卡的av| 午夜激情久久久久久久| 高清在线视频一区二区三区| 在线观看av片永久免费下载| 视频中文字幕在线观看| 内地一区二区视频在线| 国产精品久久久久久久电影| 国产黄片视频在线免费观看| 秋霞伦理黄片| www.色视频.com| 97精品久久久久久久久久精品| 亚洲在久久综合| 狂野欧美激情性xxxx在线观看| 国产91av在线免费观看| 国产永久视频网站| 久久97久久精品| 看黄色毛片网站| av免费在线看不卡| 国产成人aa在线观看| 黄色日韩在线| 少妇裸体淫交视频免费看高清| av专区在线播放| 777米奇影视久久| 亚洲综合精品二区| 男人和女人高潮做爰伦理| 91狼人影院| 男女边吃奶边做爰视频| 欧美日韩亚洲高清精品| 亚洲欧美一区二区三区黑人 | 男人和女人高潮做爰伦理| 岛国毛片在线播放| 大片电影免费在线观看免费| 中文字幕亚洲精品专区| 中文字幕av成人在线电影| 亚洲va在线va天堂va国产| 成人免费观看视频高清| 校园人妻丝袜中文字幕| 久热这里只有精品99| 亚洲一级一片aⅴ在线观看| 成年免费大片在线观看| 国产成人精品久久久久久| 亚洲精品影视一区二区三区av| 国产精品.久久久| 欧美日韩视频高清一区二区三区二| 午夜视频国产福利| 亚洲av免费在线观看| 亚洲美女搞黄在线观看| 亚洲av国产av综合av卡| 国产在视频线精品| 国产成人freesex在线| 99九九线精品视频在线观看视频| 波多野结衣巨乳人妻| 丰满乱子伦码专区| 又黄又爽又刺激的免费视频.| 免费播放大片免费观看视频在线观看| 少妇熟女欧美另类| 亚洲激情五月婷婷啪啪| 熟女人妻精品中文字幕| 三级国产精品欧美在线观看| 一级毛片我不卡| 在线精品无人区一区二区三 | 六月丁香七月| 看免费成人av毛片| 免费大片18禁| 欧美高清成人免费视频www| av国产免费在线观看| eeuss影院久久| 天堂俺去俺来也www色官网| 男女边摸边吃奶| 一级毛片久久久久久久久女| 亚洲欧美日韩卡通动漫| 国产精品国产av在线观看| av一本久久久久| 秋霞伦理黄片| 国产男女超爽视频在线观看| 大码成人一级视频| 又爽又黄a免费视频| 美女国产视频在线观看| 少妇的逼水好多| 亚洲激情五月婷婷啪啪| 国产精品一区www在线观看| 22中文网久久字幕| 中文乱码字字幕精品一区二区三区| 在线a可以看的网站| a级毛片免费高清观看在线播放| 久久久a久久爽久久v久久| 97人妻精品一区二区三区麻豆| 少妇人妻精品综合一区二区| 国产乱人视频| 老司机影院成人| 精品国产露脸久久av麻豆| 国模一区二区三区四区视频| 美女脱内裤让男人舔精品视频| 亚洲欧美清纯卡通| 亚洲经典国产精华液单| 免费观看性生交大片5| 色5月婷婷丁香| 舔av片在线| 搞女人的毛片| 国产精品女同一区二区软件| 国产欧美日韩精品一区二区| 高清av免费在线| 日韩电影二区| av一本久久久久| 午夜精品一区二区三区免费看| 亚洲av.av天堂| 国产日韩欧美亚洲二区| 国产欧美另类精品又又久久亚洲欧美| 中文字幕人妻熟人妻熟丝袜美| 久久精品国产自在天天线| 亚洲av不卡在线观看| 亚洲精品日韩av片在线观看| 热re99久久精品国产66热6| 两个人的视频大全免费| 亚洲av免费高清在线观看| 三级国产精品欧美在线观看| av女优亚洲男人天堂| 成人毛片60女人毛片免费| 久久久久网色| 国产免费一级a男人的天堂| 亚洲欧美清纯卡通| 国产高清不卡午夜福利| 日本一二三区视频观看| 欧美精品一区二区大全| 久久精品国产亚洲网站| 国产精品无大码| 国产爽快片一区二区三区| av免费在线看不卡| 精品视频人人做人人爽| 亚洲最大成人av| 日韩,欧美,国产一区二区三区| 美女内射精品一级片tv| 国产av码专区亚洲av| 91精品伊人久久大香线蕉| 看十八女毛片水多多多| 欧美成人一区二区免费高清观看| 看十八女毛片水多多多| 久久韩国三级中文字幕| 亚洲色图av天堂| 18禁在线无遮挡免费观看视频| 成人亚洲欧美一区二区av| 精品久久久精品久久久| 免费观看av网站的网址| 久久久色成人| 国内少妇人妻偷人精品xxx网站| 最近2019中文字幕mv第一页| 亚洲激情五月婷婷啪啪| 国产乱来视频区| 国产精品福利在线免费观看| 嘟嘟电影网在线观看| 日本午夜av视频| 熟妇人妻不卡中文字幕| 亚洲av成人精品一二三区| 尤物成人国产欧美一区二区三区| av免费在线看不卡| 亚洲在线观看片| 亚洲欧洲日产国产| 国产精品国产av在线观看| 国产精品精品国产色婷婷| 欧美激情国产日韩精品一区| 啦啦啦中文免费视频观看日本| 不卡视频在线观看欧美| 少妇猛男粗大的猛烈进出视频 | 日韩成人av中文字幕在线观看| 内射极品少妇av片p| 国产综合精华液| 亚洲av一区综合| 80岁老熟妇乱子伦牲交| 激情 狠狠 欧美| 99久久九九国产精品国产免费| 18禁裸乳无遮挡免费网站照片| 免费观看在线日韩| 热99国产精品久久久久久7| 人体艺术视频欧美日本| 一本一本综合久久| 肉色欧美久久久久久久蜜桃 | 国产午夜福利久久久久久| 欧美xxxx性猛交bbbb| 亚洲成人中文字幕在线播放| 在线亚洲精品国产二区图片欧美 | 最后的刺客免费高清国语| 插逼视频在线观看| 国产精品嫩草影院av在线观看| 国产爱豆传媒在线观看| 性色av一级| 亚洲欧美成人综合另类久久久| av在线app专区| 日本猛色少妇xxxxx猛交久久| 熟女av电影| 青青草视频在线视频观看| 中国美白少妇内射xxxbb| 亚洲色图综合在线观看| 国产高清不卡午夜福利| 男插女下体视频免费在线播放| 日本-黄色视频高清免费观看| 亚洲人与动物交配视频| 只有这里有精品99| 成年av动漫网址| 亚洲精品色激情综合| 久久久精品免费免费高清| 国产男女内射视频| a级一级毛片免费在线观看| 激情 狠狠 欧美| 国产一区二区三区综合在线观看 | 色吧在线观看| 亚洲av中文字字幕乱码综合| 一级毛片久久久久久久久女| 三级经典国产精品| 热99国产精品久久久久久7| 亚洲精品亚洲一区二区| 极品教师在线视频| 99久久中文字幕三级久久日本| 成人欧美大片| 色视频在线一区二区三区| av天堂中文字幕网| 国产精品久久久久久精品电影小说 | 国产午夜精品一二区理论片| 亚洲综合精品二区| 欧美日韩精品成人综合77777| 看黄色毛片网站| 久久国内精品自在自线图片| 在线观看一区二区三区| 欧美日本视频| 日本欧美国产在线视频| 在线观看一区二区三区| 日日摸夜夜添夜夜添av毛片| 久久久久网色| 菩萨蛮人人尽说江南好唐韦庄| 搞女人的毛片| 少妇人妻精品综合一区二区| 国产一区亚洲一区在线观看| 五月开心婷婷网| 日本黄色片子视频|