• <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)
    丰满饥渴人妻一区二区三| 国产日韩一区二区三区精品不卡 | 亚洲第一区二区三区不卡| 亚洲国产日韩一区二区| 欧美+日韩+精品| 又黄又爽又刺激的免费视频.| av在线播放精品| 亚洲av电影在线观看一区二区三区| 午夜久久久在线观看| 一边亲一边摸免费视频| 精品久久久久久久久av| 国产精品秋霞免费鲁丝片| 久久99精品国语久久久| 色94色欧美一区二区| 一个人免费看片子| 人妻少妇偷人精品九色| 国产男女内射视频| 久久99精品国语久久久| 男人操女人黄网站| 亚洲欧美一区二区三区黑人 | 男女边吃奶边做爰视频| 视频区图区小说| 这个男人来自地球电影免费观看 | 永久免费av网站大全| 免费看光身美女| 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 | 丰满饥渴人妻一区二区三| 日韩不卡一区二区三区视频在线| 国产av精品麻豆| 美女大奶头黄色视频| 欧美日韩视频精品一区| 爱豆传媒免费全集在线观看| 成人漫画全彩无遮挡| 久久午夜综合久久蜜桃| 一级片'在线观看视频| 日韩大片免费观看网站| www.色视频.com| 3wmmmm亚洲av在线观看| 如日韩欧美国产精品一区二区三区 | 18禁观看日本| 欧美成人精品欧美一级黄| 韩国高清视频一区二区三区| 久久人人爽人人片av| 免费黄色在线免费观看| 免费黄色在线免费观看| 在线免费观看不下载黄p国产| 亚洲成人一二三区av| 久久精品国产亚洲网站| 最近的中文字幕免费完整| 99热6这里只有精品| 人妻系列 视频| 亚洲欧美色中文字幕在线| 国产精品不卡视频一区二区| 成人亚洲精品一区在线观看| 国产极品天堂在线| 久久精品久久久久久噜噜老黄| 日韩大片免费观看网站| 国产综合精华液| 亚洲高清免费不卡视频| 亚洲精品日本国产第一区| a级毛片黄视频| 国产视频内射| 久久久久久久国产电影| 中文字幕人妻熟人妻熟丝袜美| 一区二区日韩欧美中文字幕 | 日产精品乱码卡一卡2卡三| 亚洲av中文av极速乱| 99久久中文字幕三级久久日本| 青青草视频在线视频观看| 精品国产国语对白av| 在线 av 中文字幕| 嘟嘟电影网在线观看| videos熟女内射| 美女中出高潮动态图| 十八禁网站网址无遮挡| 国产精品99久久久久久久久| 天堂中文最新版在线下载| 国产极品粉嫩免费观看在线 | 夜夜骑夜夜射夜夜干| 免费看av在线观看网站| 亚洲丝袜综合中文字幕| 女人久久www免费人成看片| 亚洲国产精品一区二区三区在线| 母亲3免费完整高清在线观看 | 中文字幕最新亚洲高清| 中国国产av一级| 国产高清有码在线观看视频| 久久人人爽av亚洲精品天堂| 搡老乐熟女国产| 日韩强制内射视频| 国产精品女同一区二区软件| 在线观看美女被高潮喷水网站| 在线观看美女被高潮喷水网站| 久久精品久久精品一区二区三区| 日日爽夜夜爽网站| 丝袜美足系列| 2021少妇久久久久久久久久久| 欧美精品亚洲一区二区| 欧美xxxx性猛交bbbb| 久久精品国产亚洲网站| 蜜桃国产av成人99| tube8黄色片| 亚洲国产精品国产精品| 国产视频内射| 建设人人有责人人尽责人人享有的| 蜜桃国产av成人99| 久久久久久久国产电影| 极品少妇高潮喷水抽搐| 国产淫语在线视频| 考比视频在线观看| 久久久久久久亚洲中文字幕| 一区二区日韩欧美中文字幕 | 超碰97精品在线观看| 十八禁高潮呻吟视频| videos熟女内射| 久热这里只有精品99| 在线观看免费视频网站a站| av视频免费观看在线观看| 亚洲性久久影院| 免费人成在线观看视频色| 夜夜爽夜夜爽视频| 一区二区日韩欧美中文字幕 | 国产精品一区www在线观看| 亚洲欧美日韩另类电影网站| 秋霞在线观看毛片| 亚洲精品一区蜜桃| 久久国产精品男人的天堂亚洲 | 亚洲精华国产精华液的使用体验| 国产成人一区二区在线| 欧美+日韩+精品| 久久久久久久久久人人人人人人| 久久99一区二区三区| 91国产中文字幕| 一级毛片 在线播放| 大码成人一级视频| 久久综合国产亚洲精品| 少妇猛男粗大的猛烈进出视频| 国产片特级美女逼逼视频| 人妻人人澡人人爽人人| 99热这里只有精品一区| 日韩,欧美,国产一区二区三区| 高清黄色对白视频在线免费看| 精品久久久久久电影网| 亚洲欧美日韩卡通动漫| 国产精品一二三区在线看| 精品一品国产午夜福利视频| 九草在线视频观看| 亚洲一区二区三区欧美精品| 777米奇影视久久| 一本一本综合久久| 自线自在国产av| 国产成人一区二区在线| 日本av免费视频播放| av一本久久久久| 免费黄色在线免费观看| 国产午夜精品一二区理论片| a级毛片在线看网站| 亚洲欧洲日产国产| 亚洲高清免费不卡视频| 毛片一级片免费看久久久久| 欧美日韩亚洲高清精品| 国产免费又黄又爽又色| 国产免费现黄频在线看| 制服诱惑二区| 亚洲伊人久久精品综合| 黄色怎么调成土黄色| 国语对白做爰xxxⅹ性视频网站| 婷婷色麻豆天堂久久| 日韩一本色道免费dvd| 99热网站在线观看| 一边亲一边摸免费视频| 日韩免费高清中文字幕av| 免费看av在线观看网站| 国产免费又黄又爽又色| 99视频精品全部免费 在线| 亚洲美女黄色视频免费看| 少妇的逼好多水| av电影中文网址| 内地一区二区视频在线| 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 | 亚洲国产精品专区欧美| 99久久综合免费| 999精品在线视频| 午夜福利,免费看| 亚洲精品亚洲一区二区| 久久人人爽人人爽人人片va| 中文字幕精品免费在线观看视频 | 在线观看一区二区三区激情| av有码第一页| 一区在线观看完整版| 少妇猛男粗大的猛烈进出视频| 欧美一级a爱片免费观看看| 日产精品乱码卡一卡2卡三| 热re99久久国产66热| 男女无遮挡免费网站观看| 午夜av观看不卡| 一本大道久久a久久精品| 国产精品不卡视频一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 人妻系列 视频| 久久国产精品大桥未久av| 欧美少妇被猛烈插入视频| 亚洲人成网站在线播| 边亲边吃奶的免费视频| 久久 成人 亚洲| 日韩一区二区视频免费看| 国产熟女午夜一区二区三区 | 免费人妻精品一区二区三区视频| 国产精品熟女久久久久浪| 18+在线观看网站| 日本vs欧美在线观看视频| 水蜜桃什么品种好| 肉色欧美久久久久久久蜜桃| 亚洲情色 制服丝袜| 亚洲少妇的诱惑av| 亚洲精品日韩在线中文字幕| 2021少妇久久久久久久久久久| 亚洲,欧美,日韩| 亚洲欧洲国产日韩| 国产亚洲一区二区精品| 纵有疾风起免费观看全集完整版| 成人无遮挡网站| 久久久欧美国产精品| 国产精品秋霞免费鲁丝片| 97精品久久久久久久久久精品| 亚洲中文av在线| 午夜久久久在线观看| 自线自在国产av| 日韩人妻高清精品专区| 国产亚洲精品久久久com| 99国产精品免费福利视频| 777米奇影视久久| 欧美 日韩 精品 国产| 交换朋友夫妻互换小说| 人妻人人澡人人爽人人| 国产成人精品福利久久| 精品一区在线观看国产| 在线观看人妻少妇| 亚洲欧洲国产日韩| 婷婷成人精品国产| 男女边摸边吃奶| 久久午夜福利片| 日韩在线高清观看一区二区三区| 国产国拍精品亚洲av在线观看| 午夜精品国产一区二区电影| 国产精品成人在线| 少妇 在线观看| 老司机影院毛片| 亚洲欧洲精品一区二区精品久久久 | h视频一区二区三区| 精品国产乱码久久久久久小说| 精品人妻熟女av久视频| 大陆偷拍与自拍| 国产综合精华液| 久久狼人影院| 成人国语在线视频| 特大巨黑吊av在线直播| 一区二区三区精品91| 99久久精品国产国产毛片| 91精品三级在线观看| 一边亲一边摸免费视频| 久久久久久久亚洲中文字幕| 美女主播在线视频| 日韩 亚洲 欧美在线| 免费av不卡在线播放| 久久综合国产亚洲精品| 另类亚洲欧美激情| 又粗又硬又长又爽又黄的视频| 丝袜在线中文字幕| 最新的欧美精品一区二区| 国内精品宾馆在线| 国产男女超爽视频在线观看| 最近中文字幕高清免费大全6| 国产av一区二区精品久久| 欧美日韩在线观看h| av国产精品久久久久影院| 欧美成人午夜免费资源| 一级毛片黄色毛片免费观看视频| 国产亚洲午夜精品一区二区久久| 韩国高清视频一区二区三区| 黄色配什么色好看| 色吧在线观看| 美女国产高潮福利片在线看| 人人妻人人爽人人添夜夜欢视频| 成人国产麻豆网| 91在线精品国自产拍蜜月| 99热这里只有是精品在线观看| 亚洲国产精品999| 中文字幕人妻丝袜制服| 亚洲av男天堂| 丝袜脚勾引网站| 国产一区二区三区综合在线观看 | 国产有黄有色有爽视频| 国产精品欧美亚洲77777| 少妇熟女欧美另类| 80岁老熟妇乱子伦牲交| 一区二区三区精品91| 卡戴珊不雅视频在线播放| 国产高清三级在线| 亚洲精品日韩在线中文字幕| 日日爽夜夜爽网站| 天天影视国产精品| 蜜臀久久99精品久久宅男| 啦啦啦视频在线资源免费观看| 久久久a久久爽久久v久久| 一级,二级,三级黄色视频| 久久青草综合色| 欧美精品高潮呻吟av久久| 亚洲精品亚洲一区二区| 18在线观看网站| 免费不卡的大黄色大毛片视频在线观看| 99九九在线精品视频| 熟妇人妻不卡中文字幕| 国产女主播在线喷水免费视频网站| 久久午夜综合久久蜜桃| 国产精品久久久久久久久免| 色94色欧美一区二区| 日韩中文字幕视频在线看片| 麻豆乱淫一区二区| 交换朋友夫妻互换小说| 丝袜脚勾引网站| 免费观看在线日韩| 亚洲四区av| 亚洲人成77777在线视频| 亚洲精品av麻豆狂野| 91精品三级在线观看| 亚洲国产精品一区三区| 伦精品一区二区三区| 男女高潮啪啪啪动态图| 国产又色又爽无遮挡免| 色哟哟·www| 男人添女人高潮全过程视频| 少妇的逼好多水| 久久国产精品男人的天堂亚洲 | 亚洲综合精品二区| 精品熟女少妇av免费看| 老司机影院成人| 午夜福利在线观看免费完整高清在| 最后的刺客免费高清国语| 看十八女毛片水多多多| 美女内射精品一级片tv| 国产av码专区亚洲av| 嫩草影院入口| 国产精品一区二区在线观看99| 中国国产av一级| 国产成人午夜福利电影在线观看| 久久午夜综合久久蜜桃| 伦精品一区二区三区| 亚洲情色 制服丝袜| 欧美激情 高清一区二区三区| 亚洲精品国产色婷婷电影| 久久婷婷青草| 精品一区在线观看国产| 尾随美女入室| 最近中文字幕高清免费大全6| 欧美人与善性xxx| 国产精品女同一区二区软件| 伊人久久精品亚洲午夜| 国产免费视频播放在线视频| 亚洲人成77777在线视频| 美女内射精品一级片tv| 高清午夜精品一区二区三区| 国产亚洲精品久久久com| 免费观看在线日韩| 亚洲国产精品成人久久小说| 国产精品 国内视频| 丝袜脚勾引网站| 人成视频在线观看免费观看| a 毛片基地| 母亲3免费完整高清在线观看 | 亚洲欧洲精品一区二区精品久久久 | 两个人的视频大全免费| 欧美xxxx性猛交bbbb| 亚洲精品亚洲一区二区| 欧美3d第一页| 最新中文字幕久久久久| 中文字幕人妻熟人妻熟丝袜美| 日日撸夜夜添| 大又大粗又爽又黄少妇毛片口| 啦啦啦在线观看免费高清www| 精品一区二区三卡| 男女国产视频网站| 男女无遮挡免费网站观看| 精品一区二区免费观看| 少妇熟女欧美另类| 人体艺术视频欧美日本| 国产日韩一区二区三区精品不卡 | 伦理电影大哥的女人| 99热国产这里只有精品6| 一本久久精品| 十八禁网站网址无遮挡| 高清av免费在线| 熟妇人妻不卡中文字幕| 天天躁夜夜躁狠狠久久av| av卡一久久| 尾随美女入室| 啦啦啦在线观看免费高清www| 18禁观看日本| 久久99蜜桃精品久久| 老司机亚洲免费影院| 成人免费观看视频高清| 搡老乐熟女国产| 久久狼人影院| 成人影院久久| 欧美人与善性xxx| 国精品久久久久久国模美| 成人亚洲精品一区在线观看| 高清欧美精品videossex| 久久99一区二区三区| 国产精品99久久99久久久不卡 | 国产爽快片一区二区三区| 九九久久精品国产亚洲av麻豆| 91成人精品电影| 国产男人的电影天堂91| 国产不卡av网站在线观看| 人人澡人人妻人| 免费看光身美女| 男男h啪啪无遮挡| 熟女电影av网| 国产黄色视频一区二区在线观看| 日本av免费视频播放| 精品99又大又爽又粗少妇毛片| 日本vs欧美在线观看视频| 午夜影院在线不卡| 日韩强制内射视频| www.av在线官网国产| 精品卡一卡二卡四卡免费| 日本-黄色视频高清免费观看| 日日摸夜夜添夜夜添av毛片| 国产极品粉嫩免费观看在线 | 亚洲国产精品一区二区三区在线| 亚洲精品第二区| 欧美日韩视频精品一区| 97在线人人人人妻| 大片电影免费在线观看免费| 蜜桃在线观看..| 久久精品久久精品一区二区三区| 99国产综合亚洲精品| 日韩亚洲欧美综合| 视频在线观看一区二区三区| 欧美日韩亚洲高清精品| 18禁裸乳无遮挡动漫免费视频| 一级毛片aaaaaa免费看小| a级毛片免费高清观看在线播放| 国产精品国产av在线观看| 日韩成人av中文字幕在线观看| 亚洲成色77777| 在现免费观看毛片| 91国产中文字幕| 内地一区二区视频在线| 中文精品一卡2卡3卡4更新| 久久久欧美国产精品| 91在线精品国自产拍蜜月| 久久精品人人爽人人爽视色| 久久久久网色| 制服诱惑二区| 久久久国产欧美日韩av| 国产片内射在线| 亚洲在久久综合| 欧美日韩国产mv在线观看视频| av线在线观看网站| 中国三级夫妇交换| 午夜免费男女啪啪视频观看| 国产高清有码在线观看视频| 免费观看av网站的网址| 欧美精品亚洲一区二区| 3wmmmm亚洲av在线观看| 国产日韩欧美在线精品| 亚洲av电影在线观看一区二区三区| 欧美激情极品国产一区二区三区 | 日日啪夜夜爽| 国产一区二区在线观看av| 国产深夜福利视频在线观看| 最近的中文字幕免费完整| .国产精品久久| 久久久久久久精品精品| 免费看不卡的av| 久久久精品94久久精品| 亚洲少妇的诱惑av| 亚洲av成人精品一二三区| 飞空精品影院首页| 一区在线观看完整版| 少妇熟女欧美另类| 成人毛片a级毛片在线播放| videossex国产| 女性生殖器流出的白浆| 免费观看性生交大片5| 亚洲,欧美,日韩| 欧美性感艳星| 日韩成人伦理影院| av天堂久久9| 蜜桃在线观看..| 搡老乐熟女国产| 欧美老熟妇乱子伦牲交| 激情五月婷婷亚洲| 日韩一区二区视频免费看| 有码 亚洲区| 秋霞伦理黄片| 欧美另类一区| 蜜桃在线观看..| 狂野欧美激情性xxxx在线观看| 国产成人午夜福利电影在线观看| 国产成人a∨麻豆精品| 高清午夜精品一区二区三区| 美女cb高潮喷水在线观看| 亚洲第一区二区三区不卡| av电影中文网址| 全区人妻精品视频| 亚洲美女搞黄在线观看| 亚洲av欧美aⅴ国产| 亚洲国产欧美在线一区| 97精品久久久久久久久久精品| 国产女主播在线喷水免费视频网站| 欧美日韩视频高清一区二区三区二| 久久精品国产a三级三级三级| 亚洲精品亚洲一区二区| av电影中文网址| 国产一区二区三区综合在线观看 | 亚洲av.av天堂| 乱码一卡2卡4卡精品| 少妇人妻 视频| 欧美丝袜亚洲另类| 国产精品无大码| 免费看av在线观看网站| 欧美日韩成人在线一区二区| 性色av一级| 国产乱人偷精品视频| 亚洲国产av影院在线观看| 亚洲少妇的诱惑av| 黑人高潮一二区| 亚洲少妇的诱惑av| 菩萨蛮人人尽说江南好唐韦庄| 伊人久久国产一区二区| 久久精品久久久久久噜噜老黄| 国产无遮挡羞羞视频在线观看| 只有这里有精品99| 亚洲成人一二三区av| 观看av在线不卡| 中文字幕亚洲精品专区| 飞空精品影院首页| 亚洲精品日韩av片在线观看| 丰满饥渴人妻一区二区三| 亚洲精品,欧美精品| 亚洲精品成人av观看孕妇| 日韩一本色道免费dvd| 国产黄色视频一区二区在线观看| 伊人亚洲综合成人网| 精品久久久精品久久久| 高清午夜精品一区二区三区| 国模一区二区三区四区视频| 插逼视频在线观看| 性色avwww在线观看| 国产免费现黄频在线看| 亚洲成人手机| 亚洲av二区三区四区| 一区二区三区乱码不卡18| 夫妻性生交免费视频一级片| 91精品伊人久久大香线蕉| 国产成人精品福利久久| 天美传媒精品一区二区| 麻豆成人av视频| 黑人欧美特级aaaaaa片| 伦理电影大哥的女人| 久久99热这里只频精品6学生| 91精品三级在线观看| 日韩成人av中文字幕在线观看| 国产精品.久久久| 欧美日韩国产mv在线观看视频| 99精国产麻豆久久婷婷| av不卡在线播放| 国产女主播在线喷水免费视频网站| 成年人午夜在线观看视频| 午夜日本视频在线| 欧美3d第一页| 亚洲美女黄色视频免费看| 美女视频免费永久观看网站| 国产欧美日韩综合在线一区二区| 亚洲精品乱码久久久v下载方式| 精品国产一区二区久久| 高清毛片免费看| 亚洲av成人精品一二三区| 久久精品国产a三级三级三级| 亚洲精品乱久久久久久| 久久婷婷青草| 久久综合国产亚洲精品| 国产精品一区二区三区四区免费观看| 亚洲国产最新在线播放| 午夜福利网站1000一区二区三区| 亚洲精品成人av观看孕妇| 观看av在线不卡| 91成人精品电影| 夫妻午夜视频| 国产成人freesex在线| videossex国产| 成人毛片a级毛片在线播放| 在线观看www视频免费| 精品国产一区二区久久| 国产色婷婷99| 中国国产av一级| 久久久国产精品麻豆| 国产精品熟女久久久久浪| 91午夜精品亚洲一区二区三区| 熟妇人妻不卡中文字幕| 日韩强制内射视频| 永久网站在线| 久久久久久人妻| 欧美性感艳星| 91久久精品电影网| av线在线观看网站| 午夜免费鲁丝| 国产精品 国内视频| 日本91视频免费播放| 亚洲精品av麻豆狂野| 最新的欧美精品一区二区| 欧美精品高潮呻吟av久久|