• <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
    狠狠精品人妻久久久久久综合| 高清欧美精品videossex| 欧美日韩av久久| 妹子高潮喷水视频| 久久久精品免费免费高清| 女性生殖器流出的白浆| 街头女战士在线观看网站| 欧美中文综合在线视频| 亚洲,一卡二卡三卡| 一本久久精品| 欧美成人午夜精品| 国产免费又黄又爽又色| 亚洲精品日韩在线中文字幕| av片东京热男人的天堂| 亚洲av电影在线观看一区二区三区| 国语对白做爰xxxⅹ性视频网站| 国产精品久久久久久久久免| 国产又色又爽无遮挡免| 免费观看av网站的网址| 亚洲欧美成人综合另类久久久| www.精华液| 观看美女的网站| 久久精品久久精品一区二区三区| www.熟女人妻精品国产| 十分钟在线观看高清视频www| 如日韩欧美国产精品一区二区三区| 又粗又硬又长又爽又黄的视频| 91精品伊人久久大香线蕉| 999精品在线视频| 宅男免费午夜| 中文天堂在线官网| 成年女人毛片免费观看观看9 | 亚洲人成77777在线视频| 一区在线观看完整版| 久久影院123| 亚洲欧美日韩另类电影网站| 男女午夜视频在线观看| 免费看不卡的av| 亚洲少妇的诱惑av| 国产精品久久久久久久久免| 久热久热在线精品观看| 一级a爱视频在线免费观看| 老司机影院成人| 最近2019中文字幕mv第一页| 丝袜脚勾引网站| 黄色视频在线播放观看不卡| 曰老女人黄片| 亚洲国产色片| 三级国产精品片| 精品少妇一区二区三区视频日本电影 | 亚洲久久久国产精品| 免费高清在线观看视频在线观看| 亚洲精品国产一区二区精华液| 又黄又粗又硬又大视频| av线在线观看网站| 五月开心婷婷网| av免费观看日本| 日韩成人av中文字幕在线观看| 婷婷成人精品国产| 国产伦理片在线播放av一区| 婷婷色麻豆天堂久久| 日韩av免费高清视频| 亚洲av免费高清在线观看| 午夜福利视频在线观看免费| 中文字幕人妻丝袜制服| 桃花免费在线播放| 一区二区三区乱码不卡18| 久久精品国产鲁丝片午夜精品| 久久久久久久久久人人人人人人| 国产麻豆69| 性色avwww在线观看| 乱人伦中国视频| 国产精品.久久久| 最新中文字幕久久久久| 久久 成人 亚洲| 中文字幕亚洲精品专区| 久久久久国产网址| 亚洲av中文av极速乱| 国产精品无大码| 黄色一级大片看看| 亚洲视频免费观看视频| 高清视频免费观看一区二区| 欧美日韩av久久| 国产成人av激情在线播放| 久久韩国三级中文字幕| 丰满少妇做爰视频| 97人妻天天添夜夜摸| 国产精品久久久久久精品古装| 乱人伦中国视频| 亚洲,欧美,日韩| 亚洲男人天堂网一区| 久久久a久久爽久久v久久| 午夜精品国产一区二区电影| 国产亚洲精品第一综合不卡| 自线自在国产av| 一个人免费看片子| 久久久久久久亚洲中文字幕| 精品国产露脸久久av麻豆| 十分钟在线观看高清视频www| 欧美人与性动交α欧美软件| 亚洲欧美色中文字幕在线| 国产成人精品久久二区二区91 | 一边亲一边摸免费视频| 黄色视频在线播放观看不卡| 亚洲欧美成人精品一区二区| 国产精品成人在线| 久久青草综合色| 中文字幕亚洲精品专区| 波野结衣二区三区在线| 十分钟在线观看高清视频www| 在现免费观看毛片| 久久婷婷青草| 亚洲精品自拍成人| www.熟女人妻精品国产| 另类精品久久| 免费大片黄手机在线观看| 国产极品粉嫩免费观看在线| 精品国产国语对白av| 久久久国产欧美日韩av| 亚洲av日韩在线播放| 又粗又硬又长又爽又黄的视频| 少妇猛男粗大的猛烈进出视频| 又黄又粗又硬又大视频| 激情视频va一区二区三区| tube8黄色片| 黄片小视频在线播放| 国产成人精品福利久久| 成人亚洲欧美一区二区av| 男女下面插进去视频免费观看| 纵有疾风起免费观看全集完整版| 欧美bdsm另类| 99热网站在线观看| 伦理电影免费视频| 精品国产国语对白av| 飞空精品影院首页| 欧美精品高潮呻吟av久久| 亚洲人成网站在线观看播放| 国产高清不卡午夜福利| 国产黄色免费在线视频| 男女国产视频网站| 亚洲av综合色区一区| 精品酒店卫生间| 99热网站在线观看| 97人妻天天添夜夜摸| 99国产精品免费福利视频| 精品国产一区二区久久| 高清欧美精品videossex| 成人午夜精彩视频在线观看| 中文欧美无线码| 啦啦啦中文免费视频观看日本| 国产乱人偷精品视频| 男女免费视频国产| 熟女少妇亚洲综合色aaa.| 久久人人爽人人片av| 日韩,欧美,国产一区二区三区| 国产一区二区在线观看av| 99久久精品国产国产毛片| 成年动漫av网址| 国产极品天堂在线| 国产精品香港三级国产av潘金莲 | 老司机亚洲免费影院| 青春草亚洲视频在线观看| 高清不卡的av网站| 狂野欧美激情性bbbbbb| 国产精品蜜桃在线观看| 国产伦理片在线播放av一区| 男女免费视频国产| 亚洲美女黄色视频免费看| 搡女人真爽免费视频火全软件| 可以免费在线观看a视频的电影网站 | 免费人妻精品一区二区三区视频| 国产亚洲欧美精品永久| av在线观看视频网站免费| 久久女婷五月综合色啪小说| 成年动漫av网址| 午夜影院在线不卡| 久热这里只有精品99| 蜜桃在线观看..| 午夜精品国产一区二区电影| 美女视频免费永久观看网站| 欧美成人午夜免费资源| 伊人久久国产一区二区| 久久精品国产a三级三级三级| a级片在线免费高清观看视频| 深夜精品福利| 天堂中文最新版在线下载| 国产极品天堂在线| 一区二区av电影网| 超色免费av| 男女免费视频国产| 欧美激情高清一区二区三区 | 久久毛片免费看一区二区三区| 2021少妇久久久久久久久久久| 午夜免费鲁丝| 色播在线永久视频| 国产乱来视频区| 国产亚洲av片在线观看秒播厂| 日日啪夜夜爽| 亚洲美女搞黄在线观看| 男人添女人高潮全过程视频| videos熟女内射| 亚洲精品一二三| 亚洲精品日韩在线中文字幕| 中文天堂在线官网| 麻豆av在线久日| 国产成人91sexporn| 亚洲第一区二区三区不卡| 久久久久久久久久人人人人人人| 观看av在线不卡| 成人国产麻豆网| 日本vs欧美在线观看视频| 亚洲婷婷狠狠爱综合网| 欧美精品亚洲一区二区| 极品少妇高潮喷水抽搐| 深夜精品福利| 亚洲精品视频女| 伊人亚洲综合成人网| 国产成人免费无遮挡视频| 久久精品aⅴ一区二区三区四区 | 黄网站色视频无遮挡免费观看| 精品国产露脸久久av麻豆| 9色porny在线观看| 免费少妇av软件| 成人黄色视频免费在线看| 我要看黄色一级片免费的| a级片在线免费高清观看视频| 色吧在线观看| 九色亚洲精品在线播放| 久久久久久久久久人人人人人人| 制服人妻中文乱码| 欧美av亚洲av综合av国产av | av在线播放精品| 久久这里有精品视频免费| 精品国产乱码久久久久久小说| 日韩 亚洲 欧美在线| 伦精品一区二区三区| 日韩制服骚丝袜av| 婷婷色综合www| 久久精品国产亚洲av涩爱| 国产精品人妻久久久影院| 激情视频va一区二区三区| 国产免费福利视频在线观看| 2018国产大陆天天弄谢| 精品国产超薄肉色丝袜足j| 男女免费视频国产| 亚洲成人手机| 18+在线观看网站| 一本—道久久a久久精品蜜桃钙片| 日韩中文字幕欧美一区二区 | 亚洲成色77777| 久久影院123| 巨乳人妻的诱惑在线观看| 国产欧美日韩综合在线一区二区| 黄色视频在线播放观看不卡| 人体艺术视频欧美日本| www.熟女人妻精品国产| 国产成人免费无遮挡视频| 国产精品国产av在线观看| 成人国语在线视频| 久久久久久免费高清国产稀缺| 成人毛片60女人毛片免费| 嫩草影院入口| 亚洲成av片中文字幕在线观看 | 亚洲图色成人| 亚洲美女黄色视频免费看| 亚洲国产色片| 精品国产一区二区三区久久久樱花| 观看美女的网站| 久热这里只有精品99| 亚洲一级一片aⅴ在线观看| 国产欧美日韩一区二区三区在线| 91午夜精品亚洲一区二区三区| 王馨瑶露胸无遮挡在线观看| 免费在线观看完整版高清| av网站在线播放免费| 日韩中文字幕欧美一区二区 | 色94色欧美一区二区| 欧美另类一区| 波多野结衣av一区二区av| 中文字幕人妻熟女乱码| 亚洲精品第二区| 中文字幕人妻丝袜制服| 中文字幕最新亚洲高清| 成年人午夜在线观看视频| 国产视频首页在线观看| 亚洲欧美中文字幕日韩二区| 国产又爽黄色视频| 免费少妇av软件| 人体艺术视频欧美日本| av片东京热男人的天堂| 丝袜脚勾引网站| 宅男免费午夜| 视频区图区小说| 色哟哟·www| 亚洲国产精品成人久久小说| 久久久欧美国产精品| 久久精品亚洲av国产电影网| 青青草视频在线视频观看| 妹子高潮喷水视频| 丝袜美腿诱惑在线| 日韩大片免费观看网站| 久久99热这里只频精品6学生| 亚洲美女搞黄在线观看| 中文欧美无线码| 日韩欧美精品免费久久| 日韩电影二区| 免费播放大片免费观看视频在线观看| 亚洲国产精品成人久久小说| 亚洲,欧美精品.| 国产欧美日韩综合在线一区二区| 日韩 亚洲 欧美在线| 国产熟女欧美一区二区| 国产男女内射视频| 亚洲国产精品国产精品| 亚洲精品,欧美精品| 精品卡一卡二卡四卡免费| 人妻 亚洲 视频| 国产一区二区在线观看av| 韩国av在线不卡| 亚洲经典国产精华液单| 欧美精品av麻豆av| 亚洲第一av免费看| 亚洲欧洲国产日韩| 女性被躁到高潮视频| 久久精品aⅴ一区二区三区四区 | 男女免费视频国产| 国产极品粉嫩免费观看在线| 日韩 亚洲 欧美在线| 亚洲,欧美,日韩| 欧美日韩精品成人综合77777| 国产免费视频播放在线视频| kizo精华| 午夜激情久久久久久久| 亚洲精品中文字幕在线视频| 色网站视频免费| 免费观看无遮挡的男女| 国产日韩欧美在线精品| 满18在线观看网站| 日日摸夜夜添夜夜爱| 一个人免费看片子| 国产熟女午夜一区二区三区| 久久韩国三级中文字幕| 亚洲男人天堂网一区| 夫妻午夜视频| 久久精品国产a三级三级三级| 亚洲色图 男人天堂 中文字幕| 丝袜脚勾引网站| 国产精品一区二区在线观看99| 美女国产视频在线观看| 在线观看www视频免费| 亚洲成人av在线免费| 亚洲精品久久午夜乱码| 精品国产一区二区三区四区第35| 免费观看a级毛片全部| 成年人午夜在线观看视频| 欧美日韩综合久久久久久| 日日爽夜夜爽网站| 午夜福利一区二区在线看| 性少妇av在线| 97人妻天天添夜夜摸| 性高湖久久久久久久久免费观看| 国产精品人妻久久久影院| 丝瓜视频免费看黄片| 麻豆av在线久日| videossex国产| 久久久久精品人妻al黑| 激情五月婷婷亚洲| 老汉色∧v一级毛片| 永久免费av网站大全| 春色校园在线视频观看| 午夜福利在线免费观看网站| 欧美另类一区| 久久久久久久国产电影| 亚洲一区二区三区欧美精品| 女性被躁到高潮视频| 精品酒店卫生间| 黄色怎么调成土黄色| 少妇被粗大的猛进出69影院| 精品国产一区二区久久| 超碰97精品在线观看| 黄频高清免费视频| 日韩中文字幕视频在线看片| 日韩中文字幕欧美一区二区 | 2021少妇久久久久久久久久久| 少妇被粗大的猛进出69影院| 欧美日韩精品成人综合77777| 欧美人与性动交α欧美软件| 欧美激情 高清一区二区三区| 久久精品国产自在天天线| 老司机影院成人| 午夜免费观看性视频| 亚洲精品视频女| 精品少妇内射三级| 在线观看一区二区三区激情| 汤姆久久久久久久影院中文字幕| 婷婷色综合www| 国产精品二区激情视频| 自拍欧美九色日韩亚洲蝌蚪91| 中文字幕制服av| 亚洲精品aⅴ在线观看| 亚洲国产欧美网| 深夜精品福利| 精品久久久久久电影网| 18禁动态无遮挡网站| 少妇被粗大猛烈的视频| 熟妇人妻不卡中文字幕| 国产成人91sexporn| 热re99久久精品国产66热6| 亚洲精品久久久久久婷婷小说| 少妇熟女欧美另类| 在线观看免费日韩欧美大片| 国产无遮挡羞羞视频在线观看| 一区二区三区精品91| 成人二区视频| 日韩伦理黄色片| 三上悠亚av全集在线观看| 免费人妻精品一区二区三区视频| 国产精品一二三区在线看| 欧美亚洲 丝袜 人妻 在线| 热re99久久精品国产66热6| 亚洲熟女精品中文字幕| 黑人巨大精品欧美一区二区蜜桃| 日韩不卡一区二区三区视频在线| 久久人人97超碰香蕉20202| 欧美日韩视频精品一区| 黄色 视频免费看| 久久精品久久久久久噜噜老黄| 精品亚洲乱码少妇综合久久| 一本色道久久久久久精品综合| 精品视频人人做人人爽| 亚洲精品国产色婷婷电影| 宅男免费午夜| 久久 成人 亚洲| 国产男女超爽视频在线观看| 国产精品嫩草影院av在线观看| 精品福利永久在线观看| 久久久精品区二区三区| 欧美bdsm另类| 少妇熟女欧美另类| av免费观看日本| 亚洲国产精品国产精品| 又粗又硬又长又爽又黄的视频| 久久精品aⅴ一区二区三区四区 | av视频免费观看在线观看| 丰满乱子伦码专区| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 精品亚洲乱码少妇综合久久| 国产精品人妻久久久影院| h视频一区二区三区| 国产精品欧美亚洲77777| 午夜免费观看性视频| 中国国产av一级| av有码第一页| 夜夜骑夜夜射夜夜干| 你懂的网址亚洲精品在线观看| 国产 精品1| 如日韩欧美国产精品一区二区三区| 亚洲av.av天堂| 日本欧美国产在线视频| 一级,二级,三级黄色视频| 日韩中文字幕欧美一区二区 | 久久精品亚洲av国产电影网| 纯流量卡能插随身wifi吗| 精品一区二区免费观看| 国产精品久久久av美女十八| av一本久久久久| 久久av网站| 国产1区2区3区精品| 色网站视频免费| 我要看黄色一级片免费的| 老鸭窝网址在线观看| 国产精品一二三区在线看| 少妇被粗大猛烈的视频| videos熟女内射| 国产亚洲欧美精品永久| 国产探花极品一区二区| 一本大道久久a久久精品| 成人毛片a级毛片在线播放| 麻豆乱淫一区二区| 91aial.com中文字幕在线观看| 一边摸一边做爽爽视频免费| 人成视频在线观看免费观看| 免费在线观看视频国产中文字幕亚洲 | 在线观看一区二区三区激情| av片东京热男人的天堂| 熟妇人妻不卡中文字幕| 一区在线观看完整版| 丰满饥渴人妻一区二区三| 亚洲一区二区三区欧美精品| 曰老女人黄片| 久久精品国产亚洲av高清一级| 一区二区三区乱码不卡18| 亚洲av电影在线进入| 色播在线永久视频| 成人免费观看视频高清| 色视频在线一区二区三区| 亚洲人成网站在线观看播放| 中文精品一卡2卡3卡4更新| tube8黄色片| 国产一区二区三区av在线| 精品少妇一区二区三区视频日本电影 | 免费大片黄手机在线观看| 午夜老司机福利剧场| 国产女主播在线喷水免费视频网站| 日韩中文字幕欧美一区二区 | 日产精品乱码卡一卡2卡三| 亚洲av综合色区一区| 少妇人妻 视频| 精品一品国产午夜福利视频| 黄色怎么调成土黄色| 一级毛片黄色毛片免费观看视频| 亚洲国产色片| 五月伊人婷婷丁香| 国产xxxxx性猛交| 成人18禁高潮啪啪吃奶动态图| 国产男女超爽视频在线观看| av女优亚洲男人天堂| 99香蕉大伊视频| 国产亚洲精品第一综合不卡| 欧美少妇被猛烈插入视频| 国产一区二区激情短视频 | 久久久国产精品麻豆| 久久久久网色| av免费观看日本| 亚洲国产毛片av蜜桃av| av一本久久久久| 国产欧美亚洲国产| 亚洲国产色片| 日本色播在线视频| 日韩电影二区| 搡老乐熟女国产| 亚洲经典国产精华液单| 成年人午夜在线观看视频| 午夜av观看不卡| 国产又爽黄色视频| 亚洲情色 制服丝袜| 国产精品一区二区在线观看99| 女性被躁到高潮视频| 婷婷色综合大香蕉| 男人添女人高潮全过程视频| 精品少妇久久久久久888优播| 亚洲欧美精品自产自拍| 少妇人妻精品综合一区二区| 亚洲av男天堂| 久热这里只有精品99| 嫩草影院入口| 老鸭窝网址在线观看| 欧美成人午夜免费资源| 国产男女内射视频| av有码第一页| 最近的中文字幕免费完整| 99香蕉大伊视频| 久久这里有精品视频免费| 看免费av毛片| 午夜福利网站1000一区二区三区| 丰满饥渴人妻一区二区三| 成年女人毛片免费观看观看9 | 女性被躁到高潮视频| 中文欧美无线码| 丁香六月天网| 亚洲情色 制服丝袜| 中文字幕人妻丝袜制服| 国产成人欧美| 精品久久蜜臀av无| 亚洲精品美女久久久久99蜜臀 | 久久 成人 亚洲| 在线看a的网站| 亚洲精品国产av蜜桃| 又粗又硬又长又爽又黄的视频| 老汉色av国产亚洲站长工具| 亚洲精品日本国产第一区| 欧美人与性动交α欧美精品济南到 | 永久网站在线| 丝袜在线中文字幕| 男女边吃奶边做爰视频| 99精国产麻豆久久婷婷| 少妇 在线观看| 极品人妻少妇av视频| 赤兔流量卡办理| 国产在视频线精品| 国产黄频视频在线观看| 亚洲国产看品久久| 久久97久久精品| 亚洲av中文av极速乱| 黑人巨大精品欧美一区二区蜜桃| 亚洲欧洲精品一区二区精品久久久 | 久久这里有精品视频免费| 热re99久久国产66热| 精品人妻偷拍中文字幕| 涩涩av久久男人的天堂| 我的亚洲天堂| 国产女主播在线喷水免费视频网站| 999久久久国产精品视频| 男女高潮啪啪啪动态图| 欧美日韩一区二区视频在线观看视频在线| 亚洲成人一二三区av| 免费久久久久久久精品成人欧美视频| 久久久久久久久久久免费av| 韩国高清视频一区二区三区| 日韩大片免费观看网站| 精品少妇黑人巨大在线播放| 又黄又粗又硬又大视频| 久久精品久久久久久噜噜老黄| 午夜福利乱码中文字幕| 一区二区三区乱码不卡18| 久久精品亚洲av国产电影网| 久久精品熟女亚洲av麻豆精品| 一二三四中文在线观看免费高清| 男女啪啪激烈高潮av片| 国产亚洲av片在线观看秒播厂| 校园人妻丝袜中文字幕| 欧美精品人与动牲交sv欧美| 亚洲美女搞黄在线观看| 在线观看美女被高潮喷水网站| 国产免费福利视频在线观看|