• <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 ?

    面向電力邊緣數(shù)據(jù)分析的圖分類算法研究進展

    2020-09-02 12:38:54許愛東胡志偉蔣屹新張宇南吳濤
    現(xiàn)代計算機 2020年21期
    關(guān)鍵詞:子圖卷積神經(jīng)網(wǎng)絡(luò)

    許愛東,胡志偉,蔣屹新,張宇南,吳濤

    (1.南方電網(wǎng)技術(shù)研究院有限責(zé)任公司,廣州510670;2.重慶郵電大學(xué)通信與信息工程學(xué)院,重慶400065;3.重慶郵電大學(xué)網(wǎng)絡(luò)空間安全與信息法學(xué)院,重慶400065)

    0 引言

    隨著圖數(shù)據(jù)在物聯(lián)網(wǎng)、智能電網(wǎng)等信息領(lǐng)域地標產(chǎn)生與廣泛存在,圖分類成為圖數(shù)據(jù)分析的關(guān)鍵問題之一。圖分類是一種試圖將整個圖用正標簽或負簽來標注的有監(jiān)督學(xué)習(xí)問題。這也是最早將機器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)應(yīng)用于圖數(shù)據(jù)的任務(wù)。

    在智能電網(wǎng)領(lǐng)域,隨著電力系統(tǒng)信息化水平的不斷提高和配用電相關(guān)數(shù)據(jù)量的廣泛采集,各類邊緣裝置都積累了大量的數(shù)據(jù)亟待處理與利用。電網(wǎng)中普遍存在通信故障、設(shè)備故障、電網(wǎng)波動以及用戶異常用電行為等事件,它們都可以通過監(jiān)控數(shù)據(jù)進行捕獲。對于設(shè)備故障及異常用電的檢測,早期普遍采用的是現(xiàn)場檢測方法。隨著人工智能的發(fā)展,人們致力于尋求基于監(jiān)控數(shù)據(jù)分析對電網(wǎng)故障和異常用電行為進行高效的發(fā)現(xiàn)、預(yù)防和處理。

    圖作為復(fù)雜數(shù)據(jù)的代表性表達形式,許多學(xué)者對圖數(shù)據(jù)分類問題已經(jīng)做了大量的研究。在生物信息[1]、惡意軟件檢測[2]、文本分類[3]等領(lǐng)域,圖分類已經(jīng)得到了廣泛的應(yīng)用。為了介紹現(xiàn)有圖分類方法,促進智能電網(wǎng)領(lǐng)域邊緣數(shù)據(jù)分析技術(shù)的發(fā)展,本文對圖分類相關(guān)方法進行歸納與總結(jié)。

    1 概述

    分類是數(shù)據(jù)分析領(lǐng)域中的一個基本問題,是一種有監(jiān)督的機器學(xué)習(xí)方法。其目的是從一組已知類別的數(shù)據(jù)中發(fā)現(xiàn)分類模型,以預(yù)測出新的數(shù)據(jù)未知類別。然而,現(xiàn)在的數(shù)據(jù)存儲一般都是采用關(guān)系數(shù)據(jù)庫或圖,所以出現(xiàn)了圖分類方法的研究。

    圖是表示系統(tǒng)中實體的節(jié)點以及實體之間關(guān)系的連邊的集合。圖數(shù)據(jù)是以圖為對象形式的表示。圖分類是圖數(shù)據(jù)分析中的一個重要研究分支,在物聯(lián)網(wǎng)、智能電網(wǎng)等信息領(lǐng)域有廣泛的應(yīng)用。目前,圖分類問題主要研究二分類問題(正類和負類)。即已知訓(xùn)練圖集和測試圖集,圖分類的目標是構(gòu)建一個分類模型,把兩者區(qū)分開。

    本文根據(jù)基礎(chǔ)模型的不同,將現(xiàn)有圖分類的方法歸納為四類,分別是嵌入方法、基于圖的特征挖掘方法、核函數(shù)方法和深度學(xué)習(xí)方法,如圖1 所示。

    圖1 圖分類的總框架

    2 嵌入方法

    本小節(jié)介紹基于嵌入方法的圖分類模型,并對這些模型進行比較分析。嵌入方法[4-5]為每個圖導(dǎo)出固定數(shù)量的特征,用作分類的矢量表示。嵌入方法的優(yōu)點是能夠兼容任何機器學(xué)習(xí)分類器。

    2.1 算法模型

    文獻[6]提出一種基于嵌入表示的圖分類方法。該方法采用基于類別信息的特征子圖選擇策略,不但考慮了子圖的結(jié)構(gòu)信息,而且在頻繁子圖挖掘過程中充分利用直接選擇特征子圖以及生成分類規(guī)則。

    針對大型圖的嵌入,文獻[7]提出了學(xué)習(xí)圖卷積層(Learning Graph Convolutional Layer,LGCL)的模型框架,對于每個特征維,LGCL 方法中的每個節(jié)點都會從其鄰近的具有值排序的節(jié)點中選擇一定數(shù)量的特征。如圖2 所示,圖中的每個節(jié)點都有一個維數(shù)特征向量n=3。對于目標節(jié)點(3,7,8),它的六個鄰居的第一個特性組件的值為9,6,5,3,0,0。如果我們把窗口大小設(shè)為k=4,然后是選中左邊四個最大的值(即9,6,5,3)。同樣的過程在剩下的兩個有限元中重復(fù)。通過包含目標節(jié)點本身的特征向量,得到維數(shù)(k+1)×n 的數(shù)據(jù)矩陣。為了嵌入大規(guī)模圖,采用子圖選擇方法來減少內(nèi)存和資源需求。文獻[8]提出了圖劃分神經(jīng)網(wǎng)絡(luò)(Graph Partition Neural Networks,GPNN)的模型框架,GPNN 擴展了圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Networks,GNNs)來嵌入超大圖,它在局部(節(jié)點間的支撐信息)和全局信息傳播(子圖間的消息)之間交替進行,這種調(diào)度方法可以避免序列調(diào)度所需的深度計算圖。文獻[9]提出了LINE 模型框架,LINE 模型用于嵌入任意類型的圖,如無向圖、有向圖和加權(quán)圖。它利用正則抽樣來降低優(yōu)化復(fù)雜度。這三個模型框架均解決了可擴展性的問題。

    圖2 可學(xué)習(xí)的圖卷積層方法[7]

    2.2 小結(jié)

    文獻[6]巧妙地將嵌入方法與頻繁子圖特征挖掘相結(jié)合的形式進行圖分類,性能較好。這一做法為嵌入方法與頻繁子圖特征挖掘提供了新的思路。

    3 基于圖的特征挖掘方法

    在本節(jié)中,本文介紹了有關(guān)基于圖的特征挖掘的圖分類模型,并對這些模型進行分析。圖的特征挖掘使用了類似于子圖發(fā)現(xiàn)的方法,因為圖的特征挖掘的一般做法是在圖實例中尋找所有頻繁或者有意義的子圖。這些子結(jié)構(gòu)被用于將圖數(shù)據(jù)表示成一個單表的數(shù)據(jù)表示,然后傳統(tǒng)的分類算法可以將圖實例進行分類。

    3.1 算法模型

    傳統(tǒng)的特征濾波方法不依賴于任何分類器來選擇特征。與選擇冗余特征的濾波方法相比,包裝器方法通過子集空間搜索,利用分類器對特征子集的分類能力進行評估,識別出最優(yōu)子集[10],從而識別出高信息量的特征。最大邊際特征選擇[11]是一種包裝方法。在該方法中,它利用信息增益來衡量每個特征與類標簽之間的相關(guān)性,然后選擇冗余較少的特征,覆蓋新的訓(xùn)練樣本。

    文獻[12]提出了一個多任務(wù)圖分類問題,其中多個圖分類任務(wù)被聯(lián)合規(guī)則化,以找到所有學(xué)習(xí)任務(wù)共享的判別子圖。文獻[13]提出了一種高效的圖特征選擇方法,該方法使用頻繁子圖作為圖分類的特征。兩者都是通過子圖特征的形式探索圖分類的性能。

    為了對圖進行學(xué)習(xí)表示,需要一種既具有一定獨特性和穩(wěn)定性又能快速計算圖特征表示。文獻[14]發(fā)現(xiàn)了圖的譜距離簇及其基于圖的特征表示。通過將其應(yīng)用于圖分類問題,評估出圖的普距離簇生成的圖特征的質(zhì)量以及其實用性。為了建立更高精度的圖分類模型,文獻[15]提出了一種新的網(wǎng)絡(luò)分類方法,它獨立于網(wǎng)絡(luò)大小,并采用無對齊的網(wǎng)絡(luò)比較度量。該方法是基于監(jiān)督機器學(xué)習(xí)算法并且利用網(wǎng)絡(luò)的拓撲相似性來進行分類任務(wù)。

    文獻[16]提出了一種基于特征的網(wǎng)絡(luò)分類方法。通過建立網(wǎng)絡(luò)動力學(xué)模型,計算多個時間尺度下不同網(wǎng)絡(luò)屬性的協(xié)方差,并定義了廣義分類特征。文獻[17]提出了一種基于圖的多尺度時間序列表示方法和一種特征提取方法。圖的多尺度時間序列表示方法將時間序列轉(zhuǎn)換為不同尺度的可見性圖集合,通過研究小序列的概率分布、分類性和程度統(tǒng)計等統(tǒng)計圖特征,并進行特征提取,然后利用這些特征通過泛型分類器建立高精度的分類模型。

    3.2 小結(jié)

    在圖數(shù)據(jù)分類中,最直接的方法是基于頻繁子圖特征挖掘的算法進行分類,而該方法的缺點是利用挖掘算法產(chǎn)生的頻繁子圖的數(shù)目巨大,甚至達到指數(shù)級,計算量大。

    4 核函數(shù)方法

    在本節(jié)中,本文介紹了有關(guān)核函數(shù)的圖分類模型,并對這些模型進行分析。尋找頻繁子圖在計算上是不可行的,一個替代算法使用了核方法。文獻[18]和文獻[19]基于在圖上的游走度量來描述圖核函數(shù)。文獻[19]計數(shù)起點和終點有相同標簽的游走。文獻[19]則考慮了有著相同標簽序列的隨機游走的概率。文獻[20]綜述了結(jié)構(gòu)數(shù)據(jù)中的核方法。

    4.1 算法模型

    近年來,各種圖核函數(shù)被提出。在文獻[21]和文獻[22]中,提出了基于隨機游動的圖核,計算了兩種圖共有的游動數(shù)。從那時起,隨機游動核得到深入的研究,如文獻[23-26]。在文獻[27]中,首先提出了基于樹模式的核函數(shù)。這兩種方法最初應(yīng)用于帶有離散標簽的圖?;谧疃搪窂絒28]的內(nèi)核是通過對轉(zhuǎn)換后的輸入圖執(zhí)行1 步遍歷來計算的,其中邊用最短路徑長度標注。上述方法的一個缺點是計算成本高。

    為使用經(jīng)典的集成學(xué)習(xí)框架在流上實現(xiàn)大規(guī)模圖分類,這就要求不同塊中的數(shù)據(jù)位于同一個特征空間中,為此,文獻[29]提出了一種嵌套子樹哈希(Nested Subtree Hashes,NSH)算法及其派生的NSH 核函數(shù),通過遞歸方式將不同塊的多分辨率子樹模式投影到一組常見的低維特征空間上,其中NSH 核函數(shù)可以在流上支持大規(guī)模的圖分類。

    一般來說,最優(yōu)賦值會產(chǎn)生不定函數(shù),這使得其在內(nèi)核方法中的使用變得復(fù)雜。文獻[30]提出了一類基核用于保證正半定最優(yōu)分配核的方法。這些基核通過直方圖相交在線性時間內(nèi)計算最優(yōu)分配核形成層次結(jié)構(gòu)。雖然計算簡化的直方圖相交,類似于金字塔匹配內(nèi)核[31],但文獻[30]提出的方法并不局限于特定的對象。通過基于最優(yōu)賦值推導(dǎo)出新的圖核,而這些圖核比基于卷積的圖核有了更大改進。

    文獻[32]提出了采用眾所周知的圖上消息傳遞機制的圖內(nèi)核設(shè)計的一般框架。該框架的主要思想是使用迭代過程隱式地更新頂點的表示形式。由于該框架采用了復(fù)雜的置換不變內(nèi)核函數(shù),該框架比神經(jīng)消息傳遞體系結(jié)構(gòu)更具表現(xiàn)力。

    4.2 小結(jié)

    文獻[28]提出的方法在分類的實驗中表現(xiàn)明顯優(yōu)于基于隨機游動的內(nèi)核。對于大規(guī)模的圖數(shù)據(jù)分類,文獻[29]與文獻[30]所提出的方法都有非常好的表現(xiàn)。

    5 深度學(xué)習(xí)方法

    在本節(jié)中,本文介紹了有關(guān)深度學(xué)習(xí)的圖分類模型,并對這些模型進行分析。本節(jié)從基本方法和池化方法兩方面進行敘述圖分類的模型。

    5.1 基本方法

    本小節(jié)主要介紹的基本方法是運用神經(jīng)網(wǎng)絡(luò)的方法將圖數(shù)據(jù)進行分類,接下來主要介紹卷積神經(jīng)網(wǎng)絡(luò)、門控圖神經(jīng)網(wǎng)絡(luò)、圖膠囊網(wǎng)絡(luò)和膠囊圖神經(jīng)網(wǎng)絡(luò)四個模型。

    (1)算法模型

    圖片是排列成網(wǎng)格形狀,因此,圖片可以直接運用卷積操作。但是對于圖數(shù)據(jù)來說,需要一個從圖到向量的映射的一個預(yù)處理過程。文獻[33]提出一種方法可以基于任意的圖結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)。該方法通過從圖中選擇一個固定長度的節(jié)點序列,并對序列中的每個節(jié)點收集固定大小的鄰居集合,最后對由當(dāng)前節(jié)點及其對應(yīng)的鄰居構(gòu)成的子圖進行規(guī)范化,作為卷積結(jié)構(gòu)的輸入三步構(gòu)建卷積分片,并利用卷積結(jié)構(gòu)分別對每個分片進行操作。

    在文獻[34]關(guān)于圖神經(jīng)網(wǎng)絡(luò)的研究基礎(chǔ)上,文獻[35]研究了圖形結(jié)構(gòu)輸入的特征學(xué)習(xí)技術(shù),并提出一種新的模型門控圖神經(jīng)網(wǎng)絡(luò)(Gating Graph Neural Networks,GGNNs),該模型采用門控遞歸單元作為遞歸函數(shù)[36],將遞歸次數(shù)減少到一定的步長。與圖神經(jīng)網(wǎng)絡(luò)不同,GGNNs 使用時間反向傳播來學(xué)習(xí)參數(shù),它不再需要約束參數(shù)來保證收斂性。

    文獻[37]利用文獻[38]提出的膠囊概念,提出了一種新的基于基本膠囊思想的圖膠囊網(wǎng)絡(luò)模型,解決了現(xiàn)有圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Neural Network,GCNN)模型無法獲取更多局部結(jié)構(gòu)信息的問題。而文獻[39]受到文獻[40]提出的膠囊網(wǎng)絡(luò)的啟發(fā),提出膠囊圖神經(jīng)網(wǎng)絡(luò)。它采用了膠囊的概念來解決現(xiàn)有基于圖神經(jīng)網(wǎng)絡(luò)的圖嵌入算法的不足。通過以膠囊的形式抓取節(jié)點的特征,利用路由機制來捕獲圖級別的重要信息。

    (2)小結(jié)

    文獻[33]提出的方法在多個數(shù)據(jù)集上優(yōu)于圖內(nèi)核方法,美中不足的是容易在較小的數(shù)據(jù)集上過度擬合。對于大規(guī)模的圖數(shù)據(jù),文獻[35]提出的門控圖神經(jīng)網(wǎng)絡(luò)的缺點是需要在所有節(jié)點上多次運行遞歸函數(shù),從而重新查詢要存儲在內(nèi)存中的所有節(jié)點的中間狀態(tài),將會增加運算量。

    5.2 池化方法

    本小節(jié)主要介紹運用圖卷積神經(jīng)網(wǎng)絡(luò)的方法將圖數(shù)據(jù)分類,圖卷積神經(jīng)網(wǎng)絡(luò)中的池化層在不斷的改進中,表現(xiàn)效果不斷提升。接下來主要敘述了可微圖池模塊、自注意力機制圖池、圖的傅里葉變換的特征池的卷積網(wǎng)絡(luò)和關(guān)系池四個模型。

    (1)算法模型

    目前的圖神經(jīng)網(wǎng)絡(luò)方法本質(zhì)上是扁平的,并且不能學(xué)習(xí)圖的層次表示,這一限制對于圖分類任務(wù)來說尤其成問題,其目標是預(yù)測與整個圖相關(guān)的標簽。在此,文獻[41]提出了一個可微圖池模塊。該模型可以生成圖的層次表示,并且可以以端到端的方式與各種圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相結(jié)合。受自注意機制的影響,文獻[42]提出了一種基于自注意力機制的圖池化。該方法可以使用相對較少的參數(shù)以端到端方式學(xué)習(xí)分層的語句表示。利用自我注意機制來區(qū)分應(yīng)該刪除的節(jié)點和應(yīng)該保留的節(jié)點,并考慮了節(jié)點特征和圖的拓撲結(jié)構(gòu)。

    在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)中,層次化學(xué)習(xí)圖表示類似于池化步驟。然而,局部結(jié)構(gòu)信息在匯聚過程中很大程度上仍然被忽略。文獻[43]提出了一種基于圖的傅里葉變換的特征池的卷積網(wǎng)絡(luò),它能充分利用池過程中的節(jié)點特征和局部結(jié)構(gòu)。然后基于池操作符設(shè)計池層,并與傳統(tǒng)的圖卷積網(wǎng)絡(luò)的卷積層相結(jié)合,形成一個用于圖分類的圖神經(jīng)網(wǎng)絡(luò)框架。文獻[44]提出了用于圖分類和回歸的關(guān)系池(RP)框架。該框架借鑒了有限部分交換性理論,為圖提供了一個具有最大表示能力的框架。

    (2)小結(jié)

    池化層之所以設(shè)計在卷積層后面,目的是通過池化來降低卷積層輸出的特征向量,同時改善結(jié)果達到不易出現(xiàn)過擬合現(xiàn)象。

    6 歸納與探索

    在本節(jié)中,我們先總結(jié)出文獻中經(jīng)常使用的基準數(shù)據(jù)集。然后,我們介紹了常用數(shù)據(jù)集的基準性能,并列出了圖分類的可用開源實現(xiàn)代碼。

    如表1 所示,在各數(shù)據(jù)集中列舉了每個數(shù)據(jù)集的圖的個數(shù)、特征數(shù)以及標簽數(shù),并統(tǒng)計了數(shù)據(jù)集在文獻中出現(xiàn)的頻率。這些數(shù)據(jù)集大多是化學(xué)、生物圖數(shù)據(jù)集,如NCI-1、NCI-109、MUTAG、D&D 和ENZY-MES[45]五個數(shù)據(jù)集。在表1 中列出的數(shù)據(jù)集是常用的數(shù)據(jù)集。

    表1 圖分類中的常用數(shù)據(jù)集

    在表2 中,我們提供了前面所述的圖分類模型的開放源代碼的超鏈接。值得注意的是,文獻[46]在Py-Torch 中發(fā)布了一個名為PyTorch Geometric 的幾何學(xué)習(xí)庫,實現(xiàn)了多個圖神經(jīng)網(wǎng)絡(luò)用于圖分類的任務(wù)。

    文獻[47]提出了基于神經(jīng)網(wǎng)絡(luò)的異常用電檢測模型,利用有監(jiān)督的多隱藏層的神經(jīng)網(wǎng)絡(luò)算法,對大量用戶數(shù)據(jù)進行模型訓(xùn)練,可用于自動檢測用戶用電量是否正常,根據(jù)檢測結(jié)果區(qū)分出異常用戶。該模型通過逐層初始化解決了深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的難度。該方法為電力公司減少成本,提高了查處異常用電情況的效率。

    表2 圖分類的開源代碼

    文獻[48]提出了一種將時間序列轉(zhuǎn)化為網(wǎng)絡(luò)結(jié)構(gòu)的可視化圖算法,該算法以柱狀圖的形式進行構(gòu)圖,進而將時序數(shù)據(jù)表示成圖數(shù)據(jù),受此啟發(fā),我們將電力數(shù)據(jù)表示成圖數(shù)據(jù)進行處理。受文獻[45]的啟發(fā),我們將運用圖神經(jīng)網(wǎng)絡(luò)中的分類方法對由電力數(shù)據(jù)表示成的圖數(shù)據(jù)進行分析,試圖區(qū)分出電力數(shù)據(jù)中的異常用電情況。在接下來的研究中,我們嘗試把圖分類任務(wù)應(yīng)用到電力系統(tǒng)中。針對電力系統(tǒng)中出現(xiàn)用戶的正常用電與異常用電運用圖神經(jīng)網(wǎng)絡(luò)中的圖卷積池化方法進行分類篩選出異常用電的情況。

    7 結(jié)語

    在本文中,我們對圖分類進行了全面的概述。根據(jù)基礎(chǔ)模型的不同,將現(xiàn)有圖分類的方法歸納為四類,分別是嵌入方法、基于圖的特征挖掘方法、核函數(shù)方法和度學(xué)習(xí)方法。我們提供了對各方法的全面比較和總結(jié),然后對圖分類進行歸納與探索,并概述了應(yīng)用于圖分類任務(wù)的數(shù)據(jù)集和開放源代碼。但是,對于圖分類方法在各領(lǐng)域中的應(yīng)用還很少,仍需要更多的科研人員不懈為之努力。

    猜你喜歡
    子圖卷積神經(jīng)網(wǎng)絡(luò)
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    臨界完全圖Ramsey數(shù)
    基于傅里葉域卷積表示的目標跟蹤算法
    基于頻繁子圖挖掘的數(shù)據(jù)服務(wù)Mashup推薦
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    不含2K1+K2和C4作為導(dǎo)出子圖的圖的色數(shù)
    91麻豆av在线| 国产不卡一卡二| 黄色视频不卡| 亚洲色图 男人天堂 中文字幕| 欧美黄色淫秽网站| 精品久久久精品久久久| 精品久久久久久,| 人人妻人人爽人人添夜夜欢视频| 十八禁人妻一区二区| 国产亚洲欧美精品永久| 久久久久国产精品人妻aⅴ院| 涩涩av久久男人的天堂| 久久人妻福利社区极品人妻图片| 欧美中文日本在线观看视频| 欧美国产精品va在线观看不卡| 人人妻,人人澡人人爽秒播| av有码第一页| 18禁黄网站禁片午夜丰满| 国产亚洲精品第一综合不卡| 成在线人永久免费视频| 国内精品久久久久久久电影| 一本综合久久免费| 日韩免费av在线播放| 亚洲av美国av| 午夜精品久久久久久毛片777| 精品久久久久久久久久免费视频| 色哟哟哟哟哟哟| 1024香蕉在线观看| 一本久久中文字幕| xxx96com| 一区二区三区激情视频| 午夜福利一区二区在线看| 两个人视频免费观看高清| 国产区一区二久久| 757午夜福利合集在线观看| 色在线成人网| av视频在线观看入口| 欧美黄色淫秽网站| 激情在线观看视频在线高清| 国产精品,欧美在线| 一级,二级,三级黄色视频| 精品午夜福利视频在线观看一区| 免费无遮挡裸体视频| 美女午夜性视频免费| 亚洲av第一区精品v没综合| 十分钟在线观看高清视频www| 国产成人精品久久二区二区免费| 亚洲欧美日韩无卡精品| 一夜夜www| 少妇的丰满在线观看| 成人欧美大片| 成人永久免费在线观看视频| 777久久人妻少妇嫩草av网站| 精品福利观看| 午夜两性在线视频| 在线观看www视频免费| 国产一卡二卡三卡精品| 波多野结衣一区麻豆| 啦啦啦观看免费观看视频高清 | 精品欧美国产一区二区三| 91大片在线观看| 9热在线视频观看99| 中文字幕人成人乱码亚洲影| 亚洲精品粉嫩美女一区| 久久中文字幕人妻熟女| 国产亚洲欧美精品永久| 亚洲三区欧美一区| 久久香蕉国产精品| 亚洲成a人片在线一区二区| 国产亚洲精品综合一区在线观看 | 午夜两性在线视频| 国产精品九九99| 99香蕉大伊视频| 国产99久久九九免费精品| 欧美亚洲日本最大视频资源| 色综合站精品国产| 亚洲欧美激情综合另类| 一边摸一边抽搐一进一出视频| 久久狼人影院| 亚洲五月婷婷丁香| 真人做人爱边吃奶动态| 天天躁狠狠躁夜夜躁狠狠躁| 一级,二级,三级黄色视频| 级片在线观看| 丝袜在线中文字幕| 国产三级黄色录像| 日本vs欧美在线观看视频| 无限看片的www在线观看| 啦啦啦免费观看视频1| 人成视频在线观看免费观看| 成人18禁在线播放| ponron亚洲| 国产亚洲欧美在线一区二区| 色综合欧美亚洲国产小说| 女性被躁到高潮视频| 男女下面进入的视频免费午夜 | 国产av又大| 免费观看精品视频网站| 欧美一区二区精品小视频在线| 久久久久久国产a免费观看| 精品国产一区二区久久| 亚洲国产精品合色在线| 一二三四社区在线视频社区8| 久9热在线精品视频| 丁香六月欧美| 午夜两性在线视频| 亚洲精品久久成人aⅴ小说| 国产精品自产拍在线观看55亚洲| 老司机福利观看| 欧美精品亚洲一区二区| 免费av毛片视频| 国产av又大| 一区二区三区国产精品乱码| 日韩 欧美 亚洲 中文字幕| 亚洲国产欧美一区二区综合| 亚洲 欧美一区二区三区| 亚洲 国产 在线| 亚洲九九香蕉| 国产日韩一区二区三区精品不卡| 日韩欧美国产一区二区入口| 18美女黄网站色大片免费观看| 91大片在线观看| 一进一出抽搐gif免费好疼| 亚洲人成77777在线视频| 国产成人一区二区三区免费视频网站| 国产精品国产高清国产av| 久久天堂一区二区三区四区| 国产国语露脸激情在线看| 欧美日本视频| 亚洲第一青青草原| 首页视频小说图片口味搜索| 一区二区三区激情视频| av有码第一页| 性欧美人与动物交配| 一边摸一边抽搐一进一出视频| 国产私拍福利视频在线观看| 国产区一区二久久| 精品一区二区三区视频在线观看免费| 男女之事视频高清在线观看| 亚洲欧美日韩高清在线视频| 欧美在线黄色| 波多野结衣一区麻豆| 黑人操中国人逼视频| 国产真人三级小视频在线观看| 久久久久国内视频| 精品国内亚洲2022精品成人| 久久国产精品男人的天堂亚洲| 麻豆av在线久日| 国产精品一区二区免费欧美| 亚洲美女黄片视频| 久久久精品欧美日韩精品| 操出白浆在线播放| 亚洲最大成人中文| www.999成人在线观看| av中文乱码字幕在线| 欧美激情高清一区二区三区| 91大片在线观看| 91字幕亚洲| 18禁美女被吸乳视频| 午夜福利成人在线免费观看| 欧美一区二区精品小视频在线| 91av网站免费观看| 国产人伦9x9x在线观看| 亚洲精品在线观看二区| 午夜免费激情av| 免费一级毛片在线播放高清视频 | 国产片内射在线| 老司机靠b影院| 国产精品精品国产色婷婷| 午夜成年电影在线免费观看| 久久久久亚洲av毛片大全| 亚洲av熟女| 国产日韩一区二区三区精品不卡| 无遮挡黄片免费观看| 电影成人av| 50天的宝宝边吃奶边哭怎么回事| 波多野结衣av一区二区av| 亚洲精华国产精华精| 99精品在免费线老司机午夜| 精品人妻在线不人妻| 制服诱惑二区| 精品福利观看| 天天添夜夜摸| 久久热在线av| 搡老岳熟女国产| 18禁裸乳无遮挡免费网站照片 | 老司机在亚洲福利影院| 国产精品爽爽va在线观看网站 | 免费观看精品视频网站| 久久国产精品男人的天堂亚洲| 国产色视频综合| 午夜日韩欧美国产| 久久精品aⅴ一区二区三区四区| 如日韩欧美国产精品一区二区三区| 国产熟女xx| 1024香蕉在线观看| 欧美成人免费av一区二区三区| 日韩中文字幕欧美一区二区| 两个人视频免费观看高清| 精品一区二区三区av网在线观看| 精品一品国产午夜福利视频| 女人精品久久久久毛片| 一进一出抽搐gif免费好疼| 欧美成人性av电影在线观看| 亚洲av片天天在线观看| 国产精品二区激情视频| 一卡2卡三卡四卡精品乱码亚洲| 亚洲成人久久性| 日本免费a在线| 国产在线精品亚洲第一网站| 美女午夜性视频免费| 一级作爱视频免费观看| 亚洲五月色婷婷综合| videosex国产| 最近最新中文字幕大全电影3 | 国产不卡一卡二| 99香蕉大伊视频| 国产乱人伦免费视频| 亚洲av日韩精品久久久久久密| 国产成人啪精品午夜网站| 成人av一区二区三区在线看| 午夜福利在线观看吧| 国产亚洲精品av在线| 欧美激情 高清一区二区三区| av片东京热男人的天堂| 精品电影一区二区在线| 嫁个100分男人电影在线观看| 黑人操中国人逼视频| 国产私拍福利视频在线观看| 欧美另类亚洲清纯唯美| 午夜免费成人在线视频| 日韩有码中文字幕| 一级黄色大片毛片| 香蕉丝袜av| 人妻丰满熟妇av一区二区三区| 99re在线观看精品视频| 三级毛片av免费| 九色亚洲精品在线播放| 淫秽高清视频在线观看| 国产99久久九九免费精品| 在线观看免费视频网站a站| 久99久视频精品免费| 亚洲专区国产一区二区| 久久久久久久精品吃奶| 又黄又粗又硬又大视频| 亚洲av日韩精品久久久久久密| 亚洲精品国产色婷婷电影| 村上凉子中文字幕在线| 国产成人一区二区三区免费视频网站| 亚洲精品一卡2卡三卡4卡5卡| 亚洲精品久久成人aⅴ小说| a在线观看视频网站| 美国免费a级毛片| 亚洲av成人av| 国产精品一区二区免费欧美| 色综合亚洲欧美另类图片| 日韩一卡2卡3卡4卡2021年| 国产乱人伦免费视频| 国产精品自产拍在线观看55亚洲| 精品国产乱子伦一区二区三区| 久久狼人影院| 大码成人一级视频| 精品人妻1区二区| 精品欧美国产一区二区三| 精品福利观看| 男女下面插进去视频免费观看| 久久久久久久久中文| 人人妻人人爽人人添夜夜欢视频| 亚洲avbb在线观看| 巨乳人妻的诱惑在线观看| 午夜老司机福利片| 国产一区二区三区视频了| 免费搜索国产男女视频| 日韩国内少妇激情av| 日韩三级视频一区二区三区| 欧美一级a爱片免费观看看 | 国产av一区二区精品久久| 国内精品久久久久久久电影| www.自偷自拍.com| 国产极品粉嫩免费观看在线| 999精品在线视频| 一级,二级,三级黄色视频| 又黄又粗又硬又大视频| 久久中文字幕一级| 日日爽夜夜爽网站| 国产黄a三级三级三级人| 国产精品一区二区在线不卡| 国产蜜桃级精品一区二区三区| 亚洲一区高清亚洲精品| 午夜免费成人在线视频| 精品无人区乱码1区二区| 999精品在线视频| 国产精品久久视频播放| 国产精品免费视频内射| 国产成人精品久久二区二区91| 丝袜美足系列| 国产精品爽爽va在线观看网站 | 日韩国内少妇激情av| 亚洲无线在线观看| 精品久久久久久久人妻蜜臀av | 在线播放国产精品三级| 男女做爰动态图高潮gif福利片 | 91成人精品电影| 亚洲一卡2卡3卡4卡5卡精品中文| 国产成人欧美| 午夜精品久久久久久毛片777| 国产亚洲精品久久久久久毛片| 人成视频在线观看免费观看| 激情在线观看视频在线高清| 免费人成视频x8x8入口观看| 免费无遮挡裸体视频| 搡老妇女老女人老熟妇| 最新在线观看一区二区三区| 在线观看免费视频日本深夜| 啪啪无遮挡十八禁网站| 欧美精品亚洲一区二区| 亚洲精华国产精华精| 欧美国产精品va在线观看不卡| 亚洲性夜色夜夜综合| 99精品在免费线老司机午夜| 欧美激情极品国产一区二区三区| 丁香六月欧美| 亚洲无线在线观看| 亚洲av片天天在线观看| 大陆偷拍与自拍| 一区二区三区国产精品乱码| 国产精品爽爽va在线观看网站 | 亚洲国产精品合色在线| 亚洲aⅴ乱码一区二区在线播放 | 国产亚洲精品综合一区在线观看 | 99精品欧美一区二区三区四区| 亚洲精品国产色婷婷电影| 亚洲国产看品久久| 国产亚洲欧美精品永久| 精品一品国产午夜福利视频| √禁漫天堂资源中文www| 巨乳人妻的诱惑在线观看| 亚洲成国产人片在线观看| av天堂在线播放| 国产成人一区二区三区免费视频网站| 乱人伦中国视频| 日本一区二区免费在线视频| 波多野结衣高清无吗| 免费在线观看黄色视频的| 老司机靠b影院| 如日韩欧美国产精品一区二区三区| 亚洲欧美激情在线| 一本久久中文字幕| 不卡一级毛片| 99精品久久久久人妻精品| 黄色 视频免费看| 在线观看免费日韩欧美大片| 色哟哟哟哟哟哟| 精品欧美国产一区二区三| 国产一级毛片七仙女欲春2 | 真人做人爱边吃奶动态| 精品久久久久久久毛片微露脸| 欧美最黄视频在线播放免费| 啦啦啦 在线观看视频| 午夜免费鲁丝| 国产一区二区激情短视频| 成人欧美大片| or卡值多少钱| 咕卡用的链子| 日本a在线网址| 亚洲最大成人中文| 电影成人av| 黄色成人免费大全| 亚洲精华国产精华精| 九色亚洲精品在线播放| 一本久久中文字幕| 丝袜在线中文字幕| 国产成人av教育| 国产精品久久久久久亚洲av鲁大| 欧美丝袜亚洲另类 | 午夜成年电影在线免费观看| 亚洲视频免费观看视频| 亚洲在线自拍视频| 国产亚洲欧美在线一区二区| 91九色精品人成在线观看| 黑丝袜美女国产一区| 欧美乱码精品一区二区三区| 51午夜福利影视在线观看| www日本在线高清视频| 亚洲七黄色美女视频| 女性被躁到高潮视频| 欧美在线一区亚洲| 亚洲人成网站在线播放欧美日韩| 制服诱惑二区| 自线自在国产av| 人人妻人人澡人人看| 91字幕亚洲| 亚洲人成伊人成综合网2020| 美女大奶头视频| 精品日产1卡2卡| 美女午夜性视频免费| 亚洲男人的天堂狠狠| 两个人免费观看高清视频| 国产精品永久免费网站| 久久欧美精品欧美久久欧美| 两性夫妻黄色片| 国产精品免费视频内射| 午夜福利视频1000在线观看 | 91国产中文字幕| 亚洲电影在线观看av| 好男人在线观看高清免费视频 | 露出奶头的视频| 精品卡一卡二卡四卡免费| 国内毛片毛片毛片毛片毛片| 免费无遮挡裸体视频| 久久久久国内视频| 99久久久亚洲精品蜜臀av| 在线观看日韩欧美| 人人妻人人澡欧美一区二区 | 久久中文看片网| 国内精品久久久久精免费| 美女高潮到喷水免费观看| 99久久99久久久精品蜜桃| 黄色视频,在线免费观看| 亚洲va日本ⅴa欧美va伊人久久| 欧美成人性av电影在线观看| 女同久久另类99精品国产91| 如日韩欧美国产精品一区二区三区| 纯流量卡能插随身wifi吗| 老司机午夜十八禁免费视频| 国产一区在线观看成人免费| av天堂久久9| 国产成年人精品一区二区| 成人欧美大片| 91av网站免费观看| 一二三四在线观看免费中文在| 大香蕉久久成人网| 国产精品综合久久久久久久免费 | 国产高清视频在线播放一区| 桃色一区二区三区在线观看| 欧美黑人精品巨大| 夜夜躁狠狠躁天天躁| 色综合站精品国产| 国产成+人综合+亚洲专区| 久久精品国产亚洲av高清一级| 一二三四在线观看免费中文在| 91国产中文字幕| 18禁观看日本| 婷婷丁香在线五月| 国产精品免费一区二区三区在线| 日日摸夜夜添夜夜添小说| 国产精品av久久久久免费| 亚洲va日本ⅴa欧美va伊人久久| 日本 欧美在线| 999久久久精品免费观看国产| 人人妻人人澡人人看| 在线视频色国产色| 欧美国产日韩亚洲一区| 成人18禁高潮啪啪吃奶动态图| 99国产精品免费福利视频| 午夜免费鲁丝| 亚洲九九香蕉| 侵犯人妻中文字幕一二三四区| 久久久国产成人免费| 亚洲精品一区av在线观看| 欧美日韩亚洲国产一区二区在线观看| 88av欧美| 咕卡用的链子| 中国美女看黄片| 女人被躁到高潮嗷嗷叫费观| 久久精品国产99精品国产亚洲性色 | 亚洲精品国产精品久久久不卡| 在线国产一区二区在线| 亚洲av熟女| 日韩中文字幕欧美一区二区| x7x7x7水蜜桃| 久久精品aⅴ一区二区三区四区| 精品一区二区三区av网在线观看| 国产精品精品国产色婷婷| 成年版毛片免费区| 69精品国产乱码久久久| 亚洲国产精品sss在线观看| 国产片内射在线| 欧美激情极品国产一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 丝袜人妻中文字幕| 黑人巨大精品欧美一区二区蜜桃| 一卡2卡三卡四卡精品乱码亚洲| 日韩欧美三级三区| 韩国av一区二区三区四区| 久久亚洲真实| 国产精品综合久久久久久久免费 | 大型黄色视频在线免费观看| 人妻久久中文字幕网| 美女高潮喷水抽搐中文字幕| 国产亚洲精品一区二区www| 亚洲国产精品成人综合色| 亚洲电影在线观看av| 极品人妻少妇av视频| 在线观看免费视频网站a站| 亚洲欧美日韩高清在线视频| 免费观看人在逋| 国语自产精品视频在线第100页| 国产欧美日韩一区二区精品| 国产精品久久久av美女十八| 精品久久久久久久久久免费视频| 丝袜在线中文字幕| 久久草成人影院| 午夜免费观看网址| 一区二区三区国产精品乱码| 久久亚洲真实| 大型黄色视频在线免费观看| 久久久精品国产亚洲av高清涩受| 亚洲av成人不卡在线观看播放网| 国产亚洲欧美98| 国产亚洲精品第一综合不卡| 少妇的丰满在线观看| 亚洲第一青青草原| 精品久久久精品久久久| 嫁个100分男人电影在线观看| 神马国产精品三级电影在线观看 | 国产单亲对白刺激| 国产欧美日韩一区二区三| 国产精品电影一区二区三区| 日本a在线网址| 亚洲精品中文字幕在线视频| 成年女人毛片免费观看观看9| 88av欧美| 不卡av一区二区三区| 亚洲成av人片免费观看| 人人妻人人澡欧美一区二区 | 亚洲av电影在线进入| 国产精品一区二区精品视频观看| 91国产中文字幕| 亚洲自拍偷在线| xxx96com| 18禁美女被吸乳视频| 亚洲中文字幕一区二区三区有码在线看 | 久久精品亚洲精品国产色婷小说| а√天堂www在线а√下载| 9191精品国产免费久久| 亚洲专区字幕在线| 99国产综合亚洲精品| 色播在线永久视频| 精品国产乱码久久久久久男人| 成人国产综合亚洲| 色播亚洲综合网| 岛国在线观看网站| 亚洲黑人精品在线| 欧美精品啪啪一区二区三区| 亚洲性夜色夜夜综合| 9191精品国产免费久久| 制服丝袜大香蕉在线| 国产精品一区二区精品视频观看| 嫁个100分男人电影在线观看| 亚洲五月色婷婷综合| 精品国产乱码久久久久久男人| 又黄又爽又免费观看的视频| 国产精品久久视频播放| 12—13女人毛片做爰片一| 桃色一区二区三区在线观看| avwww免费| 最新美女视频免费是黄的| 国产精品日韩av在线免费观看 | 在线天堂中文资源库| 精品久久久精品久久久| 电影成人av| 每晚都被弄得嗷嗷叫到高潮| 久久这里只有精品19| 久久狼人影院| 久久午夜综合久久蜜桃| 亚洲国产精品999在线| 亚洲精品国产色婷婷电影| 国产欧美日韩精品亚洲av| 麻豆一二三区av精品| 香蕉丝袜av| 亚洲色图av天堂| 色精品久久人妻99蜜桃| 亚洲三区欧美一区| 免费在线观看黄色视频的| 日韩成人在线观看一区二区三区| 熟女少妇亚洲综合色aaa.| 18禁国产床啪视频网站| 日日爽夜夜爽网站| 搡老妇女老女人老熟妇| 亚洲人成网站在线播放欧美日韩| 免费在线观看黄色视频的| 国产真人三级小视频在线观看| 欧美久久黑人一区二区| 天天添夜夜摸| 欧美精品亚洲一区二区| 亚洲成av人片免费观看| 人人妻,人人澡人人爽秒播| 亚洲精品国产一区二区精华液| 1024香蕉在线观看| 成人欧美大片| 欧美日韩乱码在线| 亚洲专区国产一区二区| 青草久久国产| 999久久久精品免费观看国产| av福利片在线| 国产精品久久久av美女十八| 亚洲天堂国产精品一区在线| 老汉色av国产亚洲站长工具| 日韩大尺度精品在线看网址 | 欧美精品啪啪一区二区三区| 如日韩欧美国产精品一区二区三区| 国产欧美日韩一区二区三区在线| 无人区码免费观看不卡| 国产三级在线视频| 亚洲国产中文字幕在线视频| 国产精品免费一区二区三区在线| 亚洲av片天天在线观看| 久久精品91无色码中文字幕| 亚洲 国产 在线| 别揉我奶头~嗯~啊~动态视频| 97人妻精品一区二区三区麻豆 | 精品国产一区二区久久| 巨乳人妻的诱惑在线观看| 9色porny在线观看|