• <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 ?

    云平臺任務資源使用狀態(tài)預測分析研究

    2020-05-09 02:59:48任雨林朱金燦
    小型微型計算機系統(tǒng) 2020年2期
    關(guān)鍵詞:使用率森林預測

    鄧 莉,任雨林,朱金燦,何 亨,李 超

    1(武漢科技大學 計算機科學與技術(shù)學院,武漢 430065)2(智能信息處理與實時工業(yè)系統(tǒng)湖北省重點實驗室,武漢 430065)3(湖北大學 信息化建設與管理處,武漢 430062)

    1 引 言

    近年來,云平臺因其廉價可擴展的計算資源、穩(wěn)定高容量的存儲空間和隨時隨地可靈活訪問等優(yōu)勢受到廣泛地使用.

    雖然云平臺提供的按需付費方式新穎便捷,能有效地提高工作效率.但是最新的研究[1,2]表明,大多數(shù)云設施和商業(yè)集群的資源使用率很低,比如:Twitter云平臺千臺服務器在一個月內(nèi)的總CPU使用率始終低于20%,然而預留的資源卻達到了總資源的80%[3];Google云平臺CPU平均使用率在10%~45%之間波動[4].為了提高云平臺的資源使用率,一些研究人員改進了云數(shù)據(jù)中心的調(diào)度算法[5],通過建立基于歷史數(shù)據(jù)的預測模型和現(xiàn)有調(diào)度模型的組合[6],預測了云數(shù)據(jù)中心任務未來的資源使用率,結(jié)果表明,云平臺任務的資源使用預測可以優(yōu)化任務的資源分配方式,降低數(shù)據(jù)中心成本,是提高云平臺性能和效率的一種有效方法[7,8].

    2 相關(guān)工作

    對云平臺任務的資源使用情況的預測展開分析研究,需要大量的相關(guān)資源使用數(shù)據(jù)集,但是由于商業(yè)數(shù)據(jù)的機密性以及公司策略等原因,真實的云平臺資源使用數(shù)據(jù)集較難獲得.因此現(xiàn)有的大部分相關(guān)研究都是基于仿真數(shù)據(jù)[9]而展開的,最終的實驗結(jié)果缺乏說服性.還有些學者針對長時間運行的服務[10]或者高性能計算負載[11]也展開過相關(guān)研究,但是真實的云計算平臺負載具有多樣性,專注于某一種類型的負載進行研究并不能有效提高云平臺整體的資源使用率.Cortez E等人[12]于2017年對真實云平臺Microsoft Azure中的資源使用情況進行了詳細地分析,研究表明了Microsoft Azure云平臺的低資源使用率和云平臺資源使用率的可預測性,并且使用隨機森林回歸模型預測虛擬機的資源使用量,但是性能還可以進一步提升.還有研究人員針對云計算環(huán)境下基于用戶需求進行預測的虛擬機節(jié)能分配方法進行過研究[13],但是并沒有針對具體任務進行資源預測.Delimitrou C等人[10]于2014年提出離線分析工作負載的方法,先讓任務試運行一段時間,通過推薦算法得出其可能的資源使用率,然后重新調(diào)度.實際上,離線分析是不可行的,因為在實際生產(chǎn)中,工作負載的輸入在任務運行之前通常都是得不到的.Reiss C等人[11]通過對Google云平臺數(shù)據(jù)集的詳細分析,發(fā)現(xiàn)云平臺中運行時間較長的任務資源使用率具有可預測性.Yu等人[14]于2014年提出了使用BP模型預測Google云平臺任務的平均CPU使用量的方法,但是Cortez等人[12]于2017年的研究工作表明云平臺調(diào)度器分配給任務的資源量是按照用戶估計的任務最大資源使用量分配的,因此在生產(chǎn)中更需要預測的是任務的最大資源使用量.而且BP模型算法的收斂速度慢,容易陷入局部極值.Islam[15]等人提出了改進的遞歸神經(jīng)網(wǎng)絡(RNN)的預測方法-長短期記憶網(wǎng)絡(LSTM),用于識別云中的應用程序故障.除了上面提到的研究,還有一些學者開展了任務使用模式預測[16]和預測任務的約束特征[17]等工作.T.Mehmood等人[18]把Google云平臺中任務的資源使用率分成高中低三個級別,使用分類技術(shù)對任務的資源使用率級別進行預測,但是這種分類方式是基于粗粒度的,不能有效地幫助調(diào)度器分配資源.

    3 預測方法

    3.1 云平臺任務資源使用特征分析

    本節(jié)以阿里巴巴云平臺1(數(shù)據(jù)集于2017年發(fā)布)任務和Google云平臺(數(shù)據(jù)集于2012年發(fā)布[19])任務為例,詳細地分析了云平臺任務的資源使用特征.

    圖1(a)描述了Google云平臺中JobId為3418309、TaskId為0的任務在連續(xù)114個小時內(nèi)的最大CPU使用率的變化情況.圖1(b)描述了Google云平臺中JobId為3418309、TaskId為1的任務在連續(xù)114個小時內(nèi)的最大CPU使用率的變化情況.從圖1可以看出,在大多數(shù)情況下,這兩個任務在某一個時間點的最大CPU使用率都與附近時間點該任務的最大CPU使用率比較接近,而且時間點越接近,相應的資源使用率相差越小.在少數(shù)情況下CPU使用率也會有突變,例如圖1(a)中的任務在第104個小時的CPU使用率突然增大到第103個小時的5倍.因此僅僅通過前段時間的最大CPU使用率變化情況,并不能準確預測出這種在某個時間點具有較大突變性的任務的資源使用率.圖1(b)中編號為1的任務的最大CPU使用率也具有較為明顯的突變性,在11個時間點都發(fā)生了較大的突變.因此,在預測任務未來的資源使用率時,不僅僅需要考慮到附近的最大CPU使用率,還需要考慮到任務的歷史資源使用的波動情況.

    同時,從圖1(a)和圖1(b)可以看出,編號為0的任務的最大CPU使用率波動情況和編號為1的任務的最大CPU使用率波動情況有很大不同.編號為1的任務最大CPU使用率在連續(xù)的114個小時內(nèi)的突變較為頻繁,變化的幅度時大時小.而編號為0的任務的最大CPU使用率雖然只突變了1次,CPU使用率增加的幅度卻很大.這2個任務的CPU資源使用特征差別比較大,如果采用同一種預測模型,會影響最后的預測效果.

    圖1 Google云平臺中隨機抽取的2個任務的資源使用率變化Fig.1 Resource usage changes of two randomly selected tasks in Google cloud platform

    圖2描述了阿里云平臺平均CPU使用率大于等于30%和平均使用率小于30%的在線服務的最大CPU使用率的累積分布函數(shù)(Cumulative Distribution Function,CDF)圖.從該圖可以得出,當平均CPU使用率超過30%時,有50%的在線服務的最大CPU使用率超過50%.當在線服務的平均CPU使用率低于30%時,有99%的在線服務的最大CPU使用率不超過40%.因此,若云平臺任務的平均CPU使用率較低,則其在整個生命周期內(nèi)的最大CPU使用率很大可能也比較低.

    圖2 阿里云平臺中在線服務的最大CPU使用率和平均CPU使用率之間的關(guān)系Fig.2 Relationship of the maximum and average CPU usage of online services in Ali cloud

    圖3描述了Google云平臺隨機抽取的生產(chǎn)優(yōu)先級和其他優(yōu)先級的任務在連續(xù)24小時內(nèi)的資源使用狀況(將優(yōu)先級為9-11的任務定義為生產(chǎn)優(yōu)先級任務).分析該圖發(fā)現(xiàn)生產(chǎn)優(yōu)先級任務的CPU使用率在0.2~0.3之間波動,而其他優(yōu)先級任務的CPU使用率基本低于0.1.由此可知具有不同優(yōu)先級的任務可能會具有完全不同的資源使用率.

    3.2 任務資源使用預測方法

    用戶申請的CPU資源量都是基于對任務使用的最大資源量的估計,然而任務實際使用的資源量遠遠低于用戶申請的資源量,這也是云平臺任務資源使用率低的原因之一.因此本文預測的是云平臺任務未來一個小時的最大CPU/內(nèi)存使用率(如果預測的時間段過短,由于任務的資源使用在較短時間內(nèi)可能發(fā)生較大變化,預測的結(jié)果不能有效地幫助云平臺調(diào)度器分配資源,而預測時間段過長,依舊會導致云平臺資源的浪費,因此本文預測的是任務未來1個小時的資源使用率).通過3.1節(jié)對云平臺任務資源使用特征的分析,本文提出任務資源使用預測方法REPO-TASK(REsource Prediction method fOr TASKs,REPO-TASK),如圖4所示.

    圖3 Google云平臺生產(chǎn)優(yōu)先級和其他優(yōu)先級任務在連續(xù)24小時內(nèi)的CPU使用狀況Fig.3 CPU usage of tasks with production priority and other priority on Google cloud platform during 24 hours

    基于云平臺多個任務的歷史資源使用信息,通過分析云平臺任務的資源使用情況提取初步任務資源使用特征,然后使用稀疏自編碼模型進一步提取特征,接著使用K-medoids聚類方法對任務進行聚類,并對每一個任務類別使用改進的隨機森林回歸模型進行訓練,最后,基于給定的任務在最近一段時間內(nèi)的資源使用率歷史信息,就可以利用訓練好的模型預測出該任務在未來一段時間內(nèi)的最大資源使用率.

    圖4 任務最大資源使用率預測方法REPO-TASKFig.4 Prediction method REPO-TASK of tasks′ maximum resource usage

    3.3 數(shù)據(jù)預處理及特征提取

    由于云平臺跟蹤數(shù)據(jù)主要是定期通過RPC遠程過程調(diào)用收集,當監(jiān)控系統(tǒng)或者主機超載時,一些跟蹤數(shù)據(jù)可能會丟失,本文對這些缺失的字段采取向前填充的方法.

    本文在3.1節(jié)對云平臺任務資源使用特征的分析表明任務的最大資源使用率不僅和靠近當前時間的任務資源使用率有關(guān),還和其前段時間的資源使用波動情況、平均資源使用率以及任務的優(yōu)先級密切相關(guān).因此本文提取了任務的平均CPU使用率、前n個小時的加權(quán)最大CPU使用率(公式(1))、最大CPU使用率公平性指數(shù)[20](公式(2))以及任務的優(yōu)先級等特征.

    (1)

    其中n表示選取的前n個小時的歷史資源使用率,x1、x2、…、xi分別表示按時間先后次序排列的最大CPU/內(nèi)存使用率.

    (2)

    其中n和xi所代表的含義和公式(1)相同.

    表1即為從云平臺任務資源使用數(shù)據(jù)提取的全部特征.為了消除這些特征值的差別,使不同特征具有可比性,本文使用最大最小標準化對不同的特征進行處理,見公式(3),其中MIN表示某個特征在所有樣本中的最小值,MAX表示某個特征在所有樣本中的最大值,x表示某個樣本的特征值,x′表示處理后的樣本特征值.

    (3)

    本文將在方法評估部分通過實驗來分析所提取的(3n+3)個特征對于預測任務未來CPU/內(nèi)存使用率的重要性.

    表1 云平臺任務資源提取的特征
    Table 1 Features extracted from task resource
    usage in cloud platform

    特征編號特征內(nèi)容1連續(xù)60分鐘內(nèi)平均處理器/內(nèi)存使用率2連續(xù)60分鐘內(nèi)最大處理器使用率3連續(xù)60分鐘內(nèi)最大內(nèi)存使用率4任務的優(yōu)先級5前n個小時加權(quán)最大處理器/內(nèi)存使用率6前n個小時最大處理器/內(nèi)存使用率公平性指數(shù)

    得到任務的3*(n+1)個特征后,本文采用稀疏自編碼模型進一步提取特征.稀疏自編碼模型包含輸入層、隱含層和輸出層.輸入層到隱含層的映射關(guān)系可以看作是一個編碼過程,通過映射函數(shù)把輸出向量映射到隱含層.從隱含層到輸出層的過程相當于一個解碼過程,把隱含層通過映射函數(shù)“重構(gòu)”輸入層.對于每一個輸入樣本,經(jīng)過自動編碼器之后會轉(zhuǎn)化為一個對應的輸出向量.當自動編碼器訓練完成,輸入與輸出基本相同,則對應的隱含層的輸出可以看作是輸入的一種抽象表達,可以用于表示提取輸入數(shù)據(jù)的特征.

    3.4 任務資源使用率預測模型

    現(xiàn)已提出的用于預測云平臺任務的資源使用率預測模型有BP模型和LSTM模型.BP模型具有高度自學習和自適應的能力,數(shù)學理論已證明其具有實現(xiàn)任何復雜非線性映射的功能,然而BP神經(jīng)網(wǎng)絡算法的收斂速度慢,容易陷入局部極值.LSTM模型是RNN模型的一個優(yōu)秀變種,非常適用于處理與時間序列高度相關(guān)的問題,但是訓練時間過長,會導致不能及時的預測出任務的資源使用率,從而影響云平臺調(diào)度器的性能.本文針對上述問題提出了改進的隨機森林回歸模型,改進的隨機森林回歸模型擁有隨機森林模型[21]不容易出現(xiàn)過擬合、訓練時間較短、預測效果好等優(yōu)點,同時更加符合云平臺任務的資源使用特征,具有較好的預測性能.

    隨機森林回歸模型使用CART回歸決策樹作為弱分類器,本文針對云平臺任務資源使用率的特征,同時保證SLA協(xié)議,對CART決策回歸樹算法改進為算法1.

    算法1.CART回歸決策樹改進算法.

    輸入:云平臺任務數(shù)據(jù)集D.

    輸出:改進的CART回歸決策樹T(x).

    ①遍歷數(shù)據(jù)集D上的所有特征j,遍歷每一個特征下所有可能的取值或者切分點s,使用切分點s把當前的數(shù)據(jù)集分為R1和R2兩部分,C1和C2分別為R1和R2內(nèi)所有樣本目標變量的算術(shù)平均值,yi為樣本xi對應的目標值.在云平臺中,服務提供商需要保證SLA協(xié)議,選擇最佳特征值對(j,s)分割數(shù)據(jù)集時,不僅要最小化平方誤差,還要使任務的資源使用預測值不低于實際值,因此我們對最佳特征值對(j,s)的選擇方法進行了改進,具體如公式(4)所示.

    (4)

    其中:

    (5)

    (6)

    (7)

    ③遞歸對上述2個區(qū)域重復步驟①、②,直至每一個區(qū)域都不能再次劃分為止.

    ④最后可以得到M個區(qū)域R1,R2,…,RM,每個區(qū)域的輸出值分別為:c1,c2,…,cM,改進的CART回歸決策樹模型表示為公式(8).

    (8)

    4 方法評估

    使用Google云平臺跟蹤數(shù)據(jù)集進行實驗,評估本文提出的云平臺任務最大資源使用率預測方法REPO-TASK的性能,同時驗證本文提出的改進的隨機森林回歸模型的有效性,最后通過實驗評估本文提取的云平臺任務CPU使用特征的重要性.

    4.1 實驗環(huán)境和數(shù)據(jù)集

    4.1.1 實驗環(huán)境

    實驗采用4核CPU(CPU的型號為I5-4590),內(nèi)存容量為8G(DDR3)的win7操作系統(tǒng).實驗數(shù)據(jù)集使用2012年發(fā)布的Google云平臺跟蹤數(shù)據(jù)集,本文只使用該數(shù)據(jù)集中的Google云平臺任務資源使用數(shù)據(jù)表和任務事件表.

    4.1.2 Google云平臺任務數(shù)據(jù)集

    鑒于監(jiān)控Google云平臺資源使用的系統(tǒng)初期不是很穩(wěn)定,本文選擇從第18天開始的監(jiān)視數(shù)據(jù)[14].Reiss C等人[16]表明預測云平臺任務的資源使用率時,調(diào)度程序可以安全地忽略運行時間短的作業(yè),因此本文選擇運行時間不少于18個小時的任務[14]進行實驗.最后得到了60963個任務的資源使用率數(shù)據(jù).

    4.2 Google云平臺任務資源使用預測

    準確預測云平臺任務的資源使用情況對于提高云平臺資源使用率具有重要的作用.本節(jié)分別使用BP模型、LSTM模型[22]、隨機森林模型、改進的隨機森林模型和REPO-TASK方法預測Google云平臺任務的最大CPU使用率.實驗具體流程為:

    ①測試上述模型分別使用任務前多少個小時的資源使用率數(shù)據(jù)預測下一個小時的資源使用率時效果最佳.

    ②測試BP神經(jīng)網(wǎng)絡模型和LSTM模型的最佳學習率.

    ③使用步驟①得到的最佳參數(shù)在改進的隨機森林模型上進行實驗.

    ④使用REPO-TASK方法進行實驗.

    ⑤比較所有模型的最終結(jié)果,得到最佳模型.

    ⑥使用最佳模型測試不同的特征組合對任務最大CPU使用率預測性能的影響.

    任務資源使用率預測的性能使用MAE(公式(9))和云平臺任務預測性能函數(shù)PEFOT(Performance Evaluation Function fOr Tasks,PEFOT)(公式(10))進行評估.其中,yi表示樣本i的目標真實值,Yi表示樣本i的目標預測值.m表示樣本總數(shù).

    (9)

    (10)

    (11)

    圖5(a)和圖5(b)分別描述了BP模型和LSTM模型使用任務前n個小時的資源使用率預測未來一個小時的最大CPU使用率時PEFOT和MAE值的變化情況(n取值情況同上).從這兩個圖可以看出,當n取6時,BP模型和LSTM模型的PEFOT值和MAE值均最小,分別為5.655,0.0066和4.8748,0.0052.

    圖5 模型BP和LSTM預測時不同歷史時間段長度對預測結(jié)果的影響Fig.5 Effect of different historical duration on prediction results when predicting using BP and LSTM

    圖6(a)和圖6(b)分別描述了隨機森林回歸模型(RF)使用任務前n個小時的資源使用率預測未來一個小時的最大CPU使用率時PEFOT和MAE值的變化情況,橫坐標代表小時數(shù).從這兩個圖可以看出,當n取6時,隨機森林回歸模型得到最小的PEFOT值和MAE值,分別為2.942和0.00078.

    使用圖6得到的隨機森林模型的最佳歷史時間段長度,然后在改進的隨機森林回歸模型上進行實驗,得到PEFOT和MAE值分別為1.834和0.000589.

    圖6 模型RF預測時不同歷史時間段長度對預測結(jié)果的影響Fig.6 Effect of different historical duration on prediction results when predicting using RF

    最后使用本文提出的REPO-TASK方法進行實驗,結(jié)果如圖7、圖8和表2所示.從圖7可以看出將所有任務聚成4類時,實驗結(jié)果最好,PEFOT和MAE值分別為1.0394和0.000492.將本文提出的方法和其它方法進行對比,實驗結(jié)果如表2所示.從該表可以看出,REPO-TASK方法的預測效果最好.

    圖7 REPO-TASK方法中聚類數(shù)量對預測性能的影響Fig.7 Effect of the number of classification on prediction performance when using REPO-TASK method

    圖8(a)和圖8(b)分別描述了REPO-TASK方法使用不同的特征組合進行實驗時對應的PEFOT值和MAE值.圖中橫坐標代表三種不同的特征組合,特征組合1表示僅僅用任務的前6個小時的平均CPU/內(nèi)存使用率、最大CPU使用率和最大內(nèi)存使用率作為特征;特征組合2表示在特征組合1的基礎(chǔ)上添加了任務最大CPU/內(nèi)存的加權(quán)平均值和公平性指數(shù);特征組合3表示在特征組合2的基礎(chǔ)上添加了任務的優(yōu)先級特征.分析圖8(a)和圖8(b)可以得出,使用特征組合3預測任務未來一個小時最大CPU使用率效果最好.

    表2 不同預測方法的PEFOT和MAE值
    Table 2 Values of PEFOT and MAE when using
    different prediction methods

    模 型PEFOTMAEBP[14]5.6550.0066LSTM4.87480.0052隨機森林回歸模型[12]2.9420.00078改進的隨機森林回歸模型1.83440.000589REPO-TASK方法1.03940.000492

    圖8 REPO-TASK方法中不同特征組合對預測性能的影響Fig.8 Effect of different feature combinations on prediction performance when using REPO-TASK

    5 總結(jié)和展望

    在云計算蓬勃發(fā)展的今天,云平臺任務的資源使用率預測逐漸成為提高云平臺資源使用率的重要手段.然而云環(huán)境的不確定性、動態(tài)性和突變型使云平臺的資源使用預測較為困難.

    本文針對上述問題提出了云平臺任務未來的資源預測方法REPO-TASK,綜合了K-medoids無監(jiān)督聚類算法、稀疏自編碼模型和改進的隨機森林回歸模型.該方法的PEFOT值相對于其他已提出的模型平均降低了3.2591.根據(jù)云平臺任務的資源使用特征改進了隨機森林回歸模型,其PEFOT值相對于隨機森林回歸模型平均降低了1.1076.

    未來準備結(jié)合本文的工作,研究將工作負載分配給計算機和CPU的算法,為不同配置的計算機和CPU分配和重新調(diào)整工作負載,以實現(xiàn)更好的資源利用和可接受的資源爭用.

    猜你喜歡
    使用率森林預測
    無可預測
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預測卷(A卷)
    選修2-2期中考試預測卷(B卷)
    不必預測未來,只需把握現(xiàn)在
    哈Q森林
    哈Q森林
    哈Q森林
    哈Q森林
    胃腸外科圍手術(shù)期合理使用抗菌藥物的探討
    嚇死我了
    成人国产麻豆网| 春色校园在线视频观看| 麻豆乱淫一区二区| 免费观看精品视频网站| 寂寞人妻少妇视频99o| 色综合亚洲欧美另类图片| 一夜夜www| 国产成人aa在线观看| 男女那种视频在线观看| 日本黄大片高清| eeuss影院久久| 国产高清国产精品国产三级 | 亚洲欧美日韩东京热| 九九在线视频观看精品| 身体一侧抽搐| 简卡轻食公司| 久久久精品欧美日韩精品| 日韩精品青青久久久久久| 亚洲一区高清亚洲精品| 久久99热6这里只有精品| 国产成人a∨麻豆精品| 国产亚洲最大av| 欧美一区二区国产精品久久精品| 国产精品av视频在线免费观看| 国内揄拍国产精品人妻在线| 国产不卡一卡二| 日日撸夜夜添| 色吧在线观看| 五月玫瑰六月丁香| 国产精品人妻久久久影院| 97超视频在线观看视频| 色哟哟·www| 午夜精品在线福利| 看片在线看免费视频| 1000部很黄的大片| 国产欧美另类精品又又久久亚洲欧美| av女优亚洲男人天堂| 又黄又爽又刺激的免费视频.| 老司机影院毛片| 成人国产麻豆网| 一个人观看的视频www高清免费观看| 久热久热在线精品观看| 两性午夜刺激爽爽歪歪视频在线观看| 看非洲黑人一级黄片| 天美传媒精品一区二区| 亚洲精品456在线播放app| 一个人看视频在线观看www免费| av在线观看视频网站免费| 国产亚洲最大av| 中文字幕精品亚洲无线码一区| 国产精品野战在线观看| 久久99精品国语久久久| 卡戴珊不雅视频在线播放| 18禁动态无遮挡网站| 搞女人的毛片| 草草在线视频免费看| 亚洲国产精品成人综合色| 国产精品蜜桃在线观看| 三级经典国产精品| 亚洲欧洲国产日韩| 美女cb高潮喷水在线观看| 天堂影院成人在线观看| 夜夜看夜夜爽夜夜摸| 丰满人妻一区二区三区视频av| 人人妻人人看人人澡| 成年女人看的毛片在线观看| 欧美一区二区国产精品久久精品| 午夜激情福利司机影院| 黄色配什么色好看| 高清日韩中文字幕在线| 亚洲欧美中文字幕日韩二区| 国产伦精品一区二区三区四那| 一区二区三区高清视频在线| 亚洲av电影在线观看一区二区三区 | 午夜福利网站1000一区二区三区| 日韩强制内射视频| 国产精品蜜桃在线观看| 日本黄色视频三级网站网址| 久久久久久久午夜电影| 久久人人爽人人片av| 尾随美女入室| 日产精品乱码卡一卡2卡三| 噜噜噜噜噜久久久久久91| 秋霞在线观看毛片| 日韩,欧美,国产一区二区三区 | 久久人妻av系列| 天堂中文最新版在线下载 | 国产精品一区二区性色av| 国产成人福利小说| 亚洲一区高清亚洲精品| 九九在线视频观看精品| 欧美性猛交黑人性爽| 少妇人妻精品综合一区二区| 日韩,欧美,国产一区二区三区 | 久久这里有精品视频免费| 在线观看av片永久免费下载| 搡老妇女老女人老熟妇| 国产91av在线免费观看| 1000部很黄的大片| 嫩草影院新地址| 亚洲av不卡在线观看| 伦理电影大哥的女人| 亚洲美女视频黄频| 国产精品一区www在线观看| 亚洲av中文字字幕乱码综合| 国产不卡一卡二| 午夜福利在线观看吧| 老女人水多毛片| 国产女主播在线喷水免费视频网站 | 国产精品精品国产色婷婷| 成年免费大片在线观看| 免费无遮挡裸体视频| 国产成人91sexporn| 亚洲高清免费不卡视频| 99热精品在线国产| 深夜a级毛片| 亚洲五月天丁香| 乱码一卡2卡4卡精品| 亚洲欧美精品自产自拍| 国产亚洲午夜精品一区二区久久 | 国内精品宾馆在线| 欧美变态另类bdsm刘玥| 免费观看a级毛片全部| 91精品伊人久久大香线蕉| 国产大屁股一区二区在线视频| 高清午夜精品一区二区三区| 床上黄色一级片| 99热6这里只有精品| 欧美人与善性xxx| 黄片wwwwww| 午夜福利在线观看吧| 天堂网av新在线| 22中文网久久字幕| av视频在线观看入口| 别揉我奶头 嗯啊视频| 日本免费在线观看一区| 亚洲自偷自拍三级| 久久午夜福利片| 天堂√8在线中文| 成人毛片60女人毛片免费| 国产极品天堂在线| 亚洲成人中文字幕在线播放| 91精品国产九色| 一区二区三区高清视频在线| 亚洲最大成人中文| 亚洲国产高清在线一区二区三| 色网站视频免费| 七月丁香在线播放| 日本黄色片子视频| 全区人妻精品视频| 嫩草影院精品99| 欧美成人免费av一区二区三区| 国产熟女欧美一区二区| 最近视频中文字幕2019在线8| 国产精品蜜桃在线观看| 中文天堂在线官网| 一区二区三区四区激情视频| 又黄又爽又刺激的免费视频.| 一区二区三区高清视频在线| 久久韩国三级中文字幕| 亚洲av不卡在线观看| 高清视频免费观看一区二区 | 国产精品美女特级片免费视频播放器| 日韩 亚洲 欧美在线| 国产精品国产三级专区第一集| 日韩三级伦理在线观看| 性色avwww在线观看| 亚洲在线自拍视频| 国产极品精品免费视频能看的| 麻豆久久精品国产亚洲av| 久久久久久久久大av| 欧美xxxx黑人xx丫x性爽| 在线播放国产精品三级| 国产极品精品免费视频能看的| 国产精品一区二区三区四区久久| 亚洲va在线va天堂va国产| 又爽又黄a免费视频| 国产午夜福利久久久久久| 精品久久久久久久久av| 精品一区二区三区视频在线| 国产激情偷乱视频一区二区| 神马国产精品三级电影在线观看| 青春草亚洲视频在线观看| a级毛色黄片| 国产精品乱码一区二三区的特点| 亚洲国产精品sss在线观看| 丰满乱子伦码专区| 能在线免费观看的黄片| 国产又色又爽无遮挡免| 中文欧美无线码| 日日干狠狠操夜夜爽| 欧美3d第一页| 国产精品99久久久久久久久| ponron亚洲| 少妇的逼好多水| 国产精品嫩草影院av在线观看| 91精品国产九色| 国产成人一区二区在线| 人妻夜夜爽99麻豆av| 美女国产视频在线观看| 亚洲aⅴ乱码一区二区在线播放| 免费在线观看成人毛片| 亚洲丝袜综合中文字幕| 久久精品91蜜桃| 在线观看一区二区三区| 激情 狠狠 欧美| 好男人在线观看高清免费视频| 乱码一卡2卡4卡精品| av福利片在线观看| 精品久久久久久久久亚洲| 一个人免费在线观看电影| 非洲黑人性xxxx精品又粗又长| 国语自产精品视频在线第100页| 国产国拍精品亚洲av在线观看| 亚洲一区高清亚洲精品| 在线观看av片永久免费下载| 美女cb高潮喷水在线观看| 亚洲性久久影院| 我的女老师完整版在线观看| 久久精品国产99精品国产亚洲性色| 九九在线视频观看精品| 一二三四中文在线观看免费高清| 国产精品人妻久久久久久| 日本wwww免费看| 99热全是精品| 成人亚洲欧美一区二区av| 久久久久久久久大av| 国产淫片久久久久久久久| 国产成人a∨麻豆精品| 日本黄色片子视频| 欧美日韩国产亚洲二区| 2022亚洲国产成人精品| 综合色丁香网| 女的被弄到高潮叫床怎么办| 伊人久久精品亚洲午夜| 欧美日本亚洲视频在线播放| 嫩草影院精品99| 日韩成人伦理影院| 欧美日本亚洲视频在线播放| 国产在视频线精品| 欧美一级a爱片免费观看看| 看十八女毛片水多多多| 中文字幕人妻熟人妻熟丝袜美| 在线播放无遮挡| 午夜福利在线在线| 亚洲欧洲日产国产| 亚洲va在线va天堂va国产| 成人一区二区视频在线观看| 九九在线视频观看精品| 亚洲精品色激情综合| 男人的好看免费观看在线视频| 成年免费大片在线观看| 亚洲不卡免费看| 国产精品不卡视频一区二区| 亚洲av日韩在线播放| 国产精品三级大全| 亚洲人与动物交配视频| 最近中文字幕2019免费版| 听说在线观看完整版免费高清| 久久久精品大字幕| 日韩大片免费观看网站 | 色5月婷婷丁香| 久久亚洲精品不卡| 亚洲av不卡在线观看| 日韩精品青青久久久久久| 免费观看的影片在线观看| 亚洲国产精品合色在线| 舔av片在线| 级片在线观看| 精品久久久久久电影网 | 日韩欧美三级三区| 九九爱精品视频在线观看| 亚洲真实伦在线观看| 亚洲四区av| 看十八女毛片水多多多| 99国产精品一区二区蜜桃av| 伦精品一区二区三区| 亚洲国产欧美人成| 夜夜爽夜夜爽视频| 丰满人妻一区二区三区视频av| 成人亚洲精品av一区二区| 国产精品国产三级专区第一集| 精品欧美国产一区二区三| 99久久九九国产精品国产免费| 久久久久久大精品| 波多野结衣巨乳人妻| 国产欧美另类精品又又久久亚洲欧美| 老女人水多毛片| 色噜噜av男人的天堂激情| 狂野欧美白嫩少妇大欣赏| 夜夜看夜夜爽夜夜摸| 久久韩国三级中文字幕| 精品少妇黑人巨大在线播放 | 人妻制服诱惑在线中文字幕| 一级毛片久久久久久久久女| 色5月婷婷丁香| 97在线视频观看| 精品久久久噜噜| 亚洲av成人精品一二三区| 一级av片app| 2022亚洲国产成人精品| 麻豆乱淫一区二区| 蜜臀久久99精品久久宅男| 老司机影院成人| 男女国产视频网站| 精品久久久噜噜| 日本午夜av视频| 国产成人aa在线观看| 亚洲第一区二区三区不卡| 色播亚洲综合网| 国产成人freesex在线| 欧美性猛交黑人性爽| 联通29元200g的流量卡| 亚洲国产欧洲综合997久久,| 国产69精品久久久久777片| 22中文网久久字幕| 熟女人妻精品中文字幕| 久久久亚洲精品成人影院| 99久久无色码亚洲精品果冻| 午夜福利在线观看免费完整高清在| 91久久精品国产一区二区三区| 精品国内亚洲2022精品成人| 中文精品一卡2卡3卡4更新| 中文在线观看免费www的网站| 日韩中字成人| 亚洲欧美精品综合久久99| 国产精品国产三级专区第一集| 国产黄色视频一区二区在线观看 | 非洲黑人性xxxx精品又粗又长| 成人毛片60女人毛片免费| 国产亚洲精品久久久com| 欧美日韩综合久久久久久| 亚洲精品影视一区二区三区av| 搞女人的毛片| 成人午夜高清在线视频| 成年版毛片免费区| 午夜福利在线观看吧| 一二三四中文在线观看免费高清| 欧美+日韩+精品| 成人漫画全彩无遮挡| 亚洲人成网站在线观看播放| 久久久久久久午夜电影| kizo精华| 免费观看人在逋| 麻豆成人av视频| 偷拍熟女少妇极品色| 国产亚洲精品av在线| 久久久久久久午夜电影| 在线播放无遮挡| 亚洲最大成人av| 国产精品野战在线观看| 狂野欧美激情性xxxx在线观看| 成人综合一区亚洲| 日韩三级伦理在线观看| 免费人成在线观看视频色| 国产成年人精品一区二区| 国产高清三级在线| 国产欧美另类精品又又久久亚洲欧美| 青春草视频在线免费观看| 在线免费观看的www视频| 别揉我奶头 嗯啊视频| 久久这里只有精品中国| 直男gayav资源| 国内揄拍国产精品人妻在线| 久久精品国产鲁丝片午夜精品| 午夜a级毛片| 欧美成人午夜免费资源| 日本wwww免费看| 亚洲精品一区蜜桃| 久久久久久久久大av| 中文字幕人妻熟人妻熟丝袜美| 免费av毛片视频| 直男gayav资源| 99热网站在线观看| 观看免费一级毛片| АⅤ资源中文在线天堂| 精品久久久久久久人妻蜜臀av| 国国产精品蜜臀av免费| 人人妻人人看人人澡| 最近视频中文字幕2019在线8| 日韩成人伦理影院| 性色avwww在线观看| 久久久久免费精品人妻一区二区| 一级毛片久久久久久久久女| 国产精品国产高清国产av| 丝袜美腿在线中文| 国产黄片美女视频| 一边摸一边抽搐一进一小说| 高清午夜精品一区二区三区| 毛片女人毛片| 亚洲av日韩在线播放| 亚洲国产色片| 亚洲精品自拍成人| 韩国高清视频一区二区三区| 黄片wwwwww| 高清毛片免费看| 亚洲av.av天堂| 又黄又爽又刺激的免费视频.| 亚洲av免费在线观看| 夜夜爽夜夜爽视频| 国产精品爽爽va在线观看网站| 欧美日本视频| 最近中文字幕高清免费大全6| 精品酒店卫生间| 精品久久久久久久末码| 你懂的网址亚洲精品在线观看 | 神马国产精品三级电影在线观看| 久久久国产成人精品二区| eeuss影院久久| 久久精品国产亚洲av天美| 亚洲怡红院男人天堂| 国产在视频线在精品| 国产成年人精品一区二区| 久久精品熟女亚洲av麻豆精品 | 国产成人a∨麻豆精品| 亚洲成人av在线免费| 午夜老司机福利剧场| 中文亚洲av片在线观看爽| 午夜福利视频1000在线观看| 国产女主播在线喷水免费视频网站 | 三级毛片av免费| 婷婷色麻豆天堂久久 | 99久久中文字幕三级久久日本| 真实男女啪啪啪动态图| 国产亚洲91精品色在线| 亚洲国产日韩欧美精品在线观看| 舔av片在线| 亚洲最大成人中文| 国语对白做爰xxxⅹ性视频网站| 国产免费福利视频在线观看| 最近2019中文字幕mv第一页| 成人三级黄色视频| 99热这里只有精品一区| 精品久久久久久电影网 | 久久综合国产亚洲精品| h日本视频在线播放| 亚洲欧美清纯卡通| 国产高潮美女av| 国产乱来视频区| 亚洲国产精品sss在线观看| 欧美成人午夜免费资源| 亚洲熟妇中文字幕五十中出| 日韩成人伦理影院| 国产成人a∨麻豆精品| 亚洲电影在线观看av| 精品人妻熟女av久视频| 亚洲精品日韩av片在线观看| 亚洲人成网站在线播| 美女国产视频在线观看| 99久久精品一区二区三区| 免费看美女性在线毛片视频| av天堂中文字幕网| 1024手机看黄色片| 中文欧美无线码| 高清毛片免费看| 亚洲自偷自拍三级| 久久亚洲国产成人精品v| 69av精品久久久久久| 国产熟女欧美一区二区| 午夜激情欧美在线| 少妇被粗大猛烈的视频| 亚洲国产成人一精品久久久| 亚洲av免费在线观看| 人人妻人人看人人澡| 一区二区三区四区激情视频| 成年女人看的毛片在线观看| 人妻系列 视频| www日本黄色视频网| 精品久久久久久久末码| 国产精品一区二区在线观看99 | 亚洲一区高清亚洲精品| 国产精品一区二区性色av| 亚洲成人久久爱视频| 成人三级黄色视频| 最近最新中文字幕大全电影3| 国国产精品蜜臀av免费| 日韩,欧美,国产一区二区三区 | 国产av在哪里看| 亚洲欧美精品综合久久99| 99久久中文字幕三级久久日本| a级一级毛片免费在线观看| 精品免费久久久久久久清纯| 日本黄色视频三级网站网址| 国产精品国产三级国产专区5o | 国产欧美日韩精品一区二区| 我要搜黄色片| 三级男女做爰猛烈吃奶摸视频| 成人av在线播放网站| 自拍偷自拍亚洲精品老妇| 蜜桃久久精品国产亚洲av| 亚洲熟妇中文字幕五十中出| 国产免费男女视频| 美女cb高潮喷水在线观看| 午夜福利在线在线| 国产在线一区二区三区精 | 久久久a久久爽久久v久久| 男女国产视频网站| 国产黄片美女视频| 国产精品美女特级片免费视频播放器| 欧美bdsm另类| 啦啦啦韩国在线观看视频| 午夜亚洲福利在线播放| 亚洲第一区二区三区不卡| 三级国产精品片| 最新中文字幕久久久久| 成人综合一区亚洲| 免费观看性生交大片5| 亚洲第一区二区三区不卡| 久久99热6这里只有精品| 色综合亚洲欧美另类图片| 天堂av国产一区二区熟女人妻| 两个人视频免费观看高清| 寂寞人妻少妇视频99o| a级毛色黄片| 亚洲综合色惰| 少妇的逼水好多| 99久久无色码亚洲精品果冻| 国内少妇人妻偷人精品xxx网站| 免费看日本二区| 日韩三级伦理在线观看| 欧美激情国产日韩精品一区| 2021少妇久久久久久久久久久| 国产极品天堂在线| 欧美丝袜亚洲另类| 天天躁夜夜躁狠狠久久av| 水蜜桃什么品种好| 国产精品电影一区二区三区| 2021天堂中文幕一二区在线观| 超碰97精品在线观看| 午夜a级毛片| 国产精品嫩草影院av在线观看| 人妻夜夜爽99麻豆av| 精品人妻熟女av久视频| 日日啪夜夜撸| 韩国高清视频一区二区三区| 日本色播在线视频| 国产v大片淫在线免费观看| 亚洲av中文av极速乱| 91精品国产九色| 高清日韩中文字幕在线| a级一级毛片免费在线观看| 有码 亚洲区| 欧美潮喷喷水| 丰满乱子伦码专区| 久久久久久久久久成人| 一区二区三区四区激情视频| 国产精品一区二区在线观看99 | 日韩大片免费观看网站 | 亚洲国产欧美人成| 亚洲成色77777| 一级黄片播放器| 亚洲av男天堂| 日韩成人伦理影院| 大香蕉97超碰在线| 欧美日韩精品成人综合77777| 国产精品电影一区二区三区| av卡一久久| 久久久亚洲精品成人影院| 亚洲图色成人| 中文精品一卡2卡3卡4更新| 黄色一级大片看看| 亚洲国产精品成人久久小说| 少妇被粗大猛烈的视频| 亚洲av中文字字幕乱码综合| 欧美成人一区二区免费高清观看| 自拍偷自拍亚洲精品老妇| 国产一区有黄有色的免费视频 | 亚洲精品国产av成人精品| 日韩欧美精品v在线| 久久久精品大字幕| 日韩av在线大香蕉| 神马国产精品三级电影在线观看| 久久久a久久爽久久v久久| 精品免费久久久久久久清纯| ponron亚洲| 高清在线视频一区二区三区 | 少妇的逼水好多| 性色avwww在线观看| 国产真实伦视频高清在线观看| 亚洲av成人精品一区久久| 亚洲av熟女| 波多野结衣高清无吗| 国产色爽女视频免费观看| av在线播放精品| 日韩av在线免费看完整版不卡| 亚洲天堂国产精品一区在线| 日本av手机在线免费观看| av在线蜜桃| 色尼玛亚洲综合影院| 免费大片18禁| 三级国产精品欧美在线观看| 九九爱精品视频在线观看| 欧美性猛交╳xxx乱大交人| 亚洲av日韩在线播放| 亚洲国产精品久久男人天堂| 成人漫画全彩无遮挡| 麻豆久久精品国产亚洲av| av线在线观看网站| 国产精品.久久久| 人妻系列 视频| 亚洲国产欧洲综合997久久,| 久久久久久久久久久免费av| 国产精品一二三区在线看| 高清av免费在线| 小说图片视频综合网站| 久热久热在线精品观看| 一级毛片电影观看 | 一个人观看的视频www高清免费观看| 欧美又色又爽又黄视频| 天堂网av新在线| 岛国在线免费视频观看| 2022亚洲国产成人精品| 中文字幕久久专区| 男女视频在线观看网站免费| 日产精品乱码卡一卡2卡三|