• <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 ?

    基于改進(jìn)的深度信念網(wǎng)絡(luò)的入侵檢測(cè)方法

    2020-10-19 04:40:48宋雪樺王昌達(dá)徐夏強(qiáng)蔡冠宇
    關(guān)鍵詞:分類器準(zhǔn)確率速率

    汪 盼,宋雪樺,王昌達(dá),陳 鋒,徐夏強(qiáng),蔡冠宇

    1.江蘇大學(xué) 計(jì)算機(jī)科學(xué)與通信工程學(xué)院,江蘇 鎮(zhèn)江 212013

    2.江蘇僅一聯(lián)合智造有限公司,江蘇 丹陽(yáng) 212300

    3.鎮(zhèn)江市丹徒區(qū)科學(xué)技術(shù)局,江蘇 鎮(zhèn)江 212000

    1 引言

    隨著通信技術(shù)的迅速發(fā)展,基于Internet 的研究和應(yīng)用越來(lái)越廣泛,網(wǎng)絡(luò)安全問(wèn)題日益凸顯,安全防護(hù)技術(shù)已成為研究熱點(diǎn)之一。入侵檢測(cè)系統(tǒng)[1](Instrusion Detection System,IDS)是一種保護(hù)用戶隱私和數(shù)據(jù)的重要網(wǎng)絡(luò)安全防御手段。IDS 能夠主動(dòng)發(fā)現(xiàn)和識(shí)別入侵行為并采取相應(yīng)操作,從而確保網(wǎng)絡(luò)運(yùn)行安全可靠。

    為有效識(shí)別各種網(wǎng)絡(luò)攻擊,研究者將機(jī)器學(xué)習(xí)方法引入IDS 中,其中支持向量機(jī)算法[2](Support Vector Machine,SVM)較早應(yīng)用在入侵檢測(cè)技術(shù)中。假設(shè)n為訓(xùn)練樣本數(shù),則SVM 算法的時(shí)間、空間復(fù)雜度分別為O(n3)、O(n2),當(dāng)網(wǎng)絡(luò)入侵樣本較少時(shí),SVM 算法具有良好的學(xué)習(xí)和檢測(cè)能力。文獻(xiàn)[3]提出了一種基于交替決策樹(shù)(Alternating Decision Trees,ADT)分類的入侵攻擊方法,通過(guò)與樸素貝葉斯算法的對(duì)比實(shí)驗(yàn)驗(yàn)證了該方法提高檢測(cè)準(zhǔn)確率的同時(shí)降低了誤報(bào)率。近來(lái),遺傳算法、隨機(jī)森林[4]等算法先后應(yīng)用于網(wǎng)絡(luò)入侵檢測(cè)。但是面對(duì)海量入侵?jǐn)?shù)據(jù)的分類問(wèn)題,傳統(tǒng)淺層機(jī)器學(xué)習(xí)方法會(huì)受到時(shí)間和空間的限制,系統(tǒng)處理速度大幅度降低。

    基于此,面向海量數(shù)據(jù)的入侵檢測(cè)方法的研究重點(diǎn)在于進(jìn)行特征學(xué)習(xí)和降維。Han等人[5]提出的入侵檢測(cè)方法將樸素貝葉斯網(wǎng)絡(luò)與主成分分析算法(Principal Component Analysis,PCA)結(jié)合,采用PCA 提取主要數(shù)據(jù)特征,可以有效減少網(wǎng)絡(luò)數(shù)據(jù)的維數(shù)。Hinton 等人[6]提出的深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)可以實(shí)現(xiàn)對(duì)大量無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行特征提取,該理論已成功地運(yùn)用在語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)等領(lǐng)域。高妮等人[7]提出了面向IDS 的DBN 模型,深入分析和驗(yàn)證了DBN 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)異常入侵行為識(shí)別性能的影響,實(shí)驗(yàn)結(jié)果表明DBN 適用于高維、非線性的海量無(wú)標(biāo)簽數(shù)據(jù)的關(guān)鍵特征提取。文獻(xiàn)[8]充分考慮了DBN能夠挖掘海量網(wǎng)絡(luò)數(shù)據(jù)的豐富內(nèi)在信息,提出了基于DBN-MSVM入侵檢測(cè)方法。文獻(xiàn)[9]將DBN與核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)結(jié)合,提出了一種混合深度學(xué)習(xí)算法。汪洋等人[10]針對(duì)網(wǎng)絡(luò)入侵檢測(cè)中數(shù)據(jù)分布不平衡問(wèn)題,提出了DBN-WOS-KELM 算法,能夠?qū)崿F(xiàn)在線更新輸出權(quán)重。

    為了DBN在重建誤差時(shí)獲得更好的收斂速度和訓(xùn)練效果,本文引入自適應(yīng)學(xué)習(xí)速率(Adaptive Learning Rate,ALR)思想,根據(jù)參數(shù)每次迭代方向的異同來(lái)動(dòng)態(tài)調(diào)整學(xué)習(xí)率,提出了一種基于改進(jìn)的深度信念網(wǎng)絡(luò)的入侵檢測(cè)(Softmax Classification based on Improved Deep Belief Network,IDBN-SC)方法。在訓(xùn)練DBN模型過(guò)程中,利用自適應(yīng)學(xué)習(xí)速率實(shí)現(xiàn)模型參數(shù)的快速收斂,采用softmax分類器對(duì)網(wǎng)絡(luò)入侵行為進(jìn)行識(shí)別分類。該方法可以有效提高對(duì)網(wǎng)絡(luò)數(shù)據(jù)的檢測(cè)準(zhǔn)確率而且檢測(cè)速度快。

    2 特征提取原理

    2.1 受限玻爾茲曼機(jī)

    受限玻爾茲曼機(jī)[11](Restricted Boltzmann Machine,RBM)是一個(gè)包含可視層單元(v)和隱藏層單元(h)的兩層神經(jīng)網(wǎng)絡(luò),如圖1所示。

    圖1 RBM結(jié)構(gòu)模型

    可視層單元v(v1,v2,…,vn)表示輸入數(shù)據(jù),隱藏層單元h(h1,h2,…,hm)進(jìn)行特征提取,W為連接v和h之間的權(quán)重矩陣,a,b分別表示隱藏層和可視層的偏置向量,v和h服從伯努利分布。RBM 采用對(duì)比分歧算法(Contrastive Divergence,CD)的學(xué)習(xí)方法更新RBM 模型的參數(shù)θ(W,a,b)。

    2.2 深度信念網(wǎng)絡(luò)

    在入侵檢測(cè)過(guò)程中,網(wǎng)絡(luò)數(shù)據(jù)只有部分特征被真正利用,因此通過(guò)深度信念網(wǎng)絡(luò)進(jìn)行提取數(shù)據(jù)特征,實(shí)現(xiàn)對(duì)海量高維原始網(wǎng)絡(luò)數(shù)據(jù)特征降維。DBN結(jié)構(gòu)模型如圖2所示,DBN是由多層受限玻爾茲曼機(jī)網(wǎng)絡(luò)和單層反向傳播(Back Propagation,BP)網(wǎng)絡(luò)依次堆疊構(gòu)成的深層神經(jīng)網(wǎng)絡(luò)[12]。

    圖2 DBN結(jié)構(gòu)模型

    在訓(xùn)練深度信念網(wǎng)絡(luò)模型過(guò)程中,DBN 可以分為無(wú)監(jiān)督的預(yù)訓(xùn)練和基于BP算法的權(quán)值微調(diào)兩個(gè)過(guò)程。

    (1)無(wú)監(jiān)督的預(yù)訓(xùn)練:通過(guò)對(duì)比分歧算法逐層訓(xùn)練RBM 網(wǎng)絡(luò),將無(wú)標(biāo)簽原始網(wǎng)絡(luò)數(shù)據(jù)映射至不同特征空間,從而保留數(shù)據(jù)的關(guān)鍵特征信息,獲得較優(yōu)的低維表示。

    (2)基于BP 算法的權(quán)值微調(diào):BP 網(wǎng)絡(luò)設(shè)置在深度信念網(wǎng)絡(luò)的最后一層,利用被附加到DBN 頂層的帶標(biāo)簽數(shù)據(jù),將誤差損失自頂而下地逐層傳播至每一層RBM 網(wǎng)絡(luò),對(duì)整個(gè)DBN 的權(quán)值進(jìn)行調(diào)整,從而獲得最優(yōu)的低維表示數(shù)據(jù)[13]。

    在基于BP 算法的權(quán)值微調(diào)過(guò)程中,首先計(jì)算訓(xùn)練樣本xi經(jīng)過(guò)DBN 的實(shí)際輸出表示xi',對(duì)于輸出層節(jié)點(diǎn)k,根據(jù)式(7)計(jì)算其實(shí)際輸出表示與期望輸出表示xi的誤差項(xiàng)δk:

    計(jì)算每個(gè)隱藏層節(jié)點(diǎn)h的誤差項(xiàng)δh,更新每個(gè)網(wǎng)絡(luò)模型參數(shù)θij:

    其中,θhk為隱藏層節(jié)點(diǎn)h與后續(xù)輸出層節(jié)點(diǎn)k的連接權(quán)值,η表示學(xué)習(xí)速率。

    2.3 自適應(yīng)學(xué)習(xí)速率

    一般來(lái)說(shuō),逐層訓(xùn)練RBM網(wǎng)絡(luò)需要較長(zhǎng)的時(shí)間,因此選擇適當(dāng)?shù)膶W(xué)習(xí)速率參數(shù)是提高DBN性能的重要因素。由于RBM在訓(xùn)練過(guò)程中每次迭代后的梯度更新方向不盡相同,為了提高RBM網(wǎng)絡(luò)訓(xùn)練收斂速度,本文提出了一種自適應(yīng)學(xué)習(xí)速率(ALR)方法。

    與RBM 網(wǎng)絡(luò)采用全局學(xué)習(xí)速率不同,ALR 方法是每個(gè)連接權(quán)重Wij對(duì)應(yīng)一個(gè)學(xué)習(xí)速率εij。在更新模型參數(shù)過(guò)程中,學(xué)習(xí)速率由式(11)確定:

    其中,μ表示學(xué)習(xí)速率的增量系數(shù) (μ >1),d表示學(xué)習(xí)速率的衰減系數(shù)(d <1)。

    如果兩個(gè)相鄰的更新梯度具有相同的方向,則當(dāng)前模型參數(shù)的學(xué)習(xí)速率增加,而對(duì)于方向相反的參數(shù)更新梯度,則學(xué)習(xí)速率減小,從而可以有效避免訓(xùn)練過(guò)程中在非最優(yōu)解處產(chǎn)生振蕩。

    傳統(tǒng)固定學(xué)習(xí)率在網(wǎng)絡(luò)更新權(quán)值過(guò)程中并不總是朝著減少損失函數(shù)的方向進(jìn)行每一步調(diào)節(jié),這導(dǎo)致收斂速度大幅度下降,但自適應(yīng)學(xué)習(xí)速率方法可以根據(jù)相鄰兩次更新方向的異同自適應(yīng)變化,能夠克服傳統(tǒng)固定學(xué)習(xí)率方法的缺點(diǎn),通過(guò)自動(dòng)調(diào)節(jié)學(xué)習(xí)率以變步長(zhǎng)的方式加速了每個(gè)RBM 網(wǎng)絡(luò)無(wú)監(jiān)督學(xué)習(xí)(即從可視層輸入高維數(shù)據(jù)到隱藏層所表示的低維抽象數(shù)據(jù)的過(guò)程)。

    預(yù)訓(xùn)練階段,在求解目標(biāo)函數(shù)的最優(yōu)解過(guò)程中,ALR 方法實(shí)現(xiàn)利用誤差曲面的凹凸性自動(dòng)增大或減少學(xué)習(xí)速度,確保模型能夠準(zhǔn)確且迅速地找到最優(yōu)點(diǎn)。采用ALR方法的DBN模型不僅能夠提高訓(xùn)練網(wǎng)絡(luò)的魯棒性,還能減少收斂過(guò)程所需的時(shí)間。

    在每個(gè)RBM 的無(wú)監(jiān)督學(xué)習(xí)過(guò)程中,網(wǎng)絡(luò)輸出與吉布斯采樣過(guò)程的中間狀態(tài)有關(guān),ALR方法以變步長(zhǎng)的方式有規(guī)律地增大或者減小模型對(duì)數(shù)據(jù)內(nèi)在關(guān)聯(lián)的學(xué)習(xí)力度。同時(shí)分層降維能夠達(dá)到高維數(shù)據(jù)維數(shù)呈指數(shù)下降趨勢(shì),因此,在單個(gè)RBM 運(yùn)用ALR 方法加速收斂的情況下,由多個(gè)RBM構(gòu)成的DBN能夠產(chǎn)生收斂速度指數(shù)提高的效果。

    3 IDBN-SC入侵檢測(cè)方法

    3.1 入侵檢測(cè)方法設(shè)計(jì)

    本文提出的入侵檢測(cè)方法總體設(shè)計(jì)框架如圖3 所示,主要包含3個(gè)模塊:數(shù)據(jù)預(yù)處理、IDBN特征降維、入侵識(shí)別。

    圖3 IDBN-SC入侵檢測(cè)方法總體框架

    (1)數(shù)據(jù)預(yù)處理。首先數(shù)值化NSL-KDD 數(shù)據(jù)集[14]存在的所有字符型屬性特征,再歸一化處理數(shù)值型數(shù)據(jù),獲得標(biāo)準(zhǔn)化數(shù)據(jù)集。

    (2)IDBN 特征降維。對(duì)預(yù)處理后獲得的數(shù)據(jù)集進(jìn)行無(wú)監(jiān)督的預(yù)訓(xùn)練和基于BP 算法的權(quán)值微調(diào),獲得最優(yōu)的低維表示[15]。

    (3)入侵識(shí)別。把降維數(shù)據(jù)輸入到softmax分類器[16]進(jìn)行訓(xùn)練分類。softmax 分類器輸出的是分類概率,選取概率最大的分類,以具體的入侵類別的形式輸出結(jié)果。

    3.2 數(shù)據(jù)預(yù)處理

    NSL-KDD 數(shù)據(jù)集的每條數(shù)據(jù)由38 個(gè)數(shù)字型屬性特征和3個(gè)字符型屬性特征組成。訓(xùn)練之前,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。首先采用屬性映射方法將所有字符型特征變換成數(shù)值型數(shù)據(jù)。例如“protocol_type”屬性特征存在3種類型取值:tcp、udp、icmp,將其分別轉(zhuǎn)化為二進(jìn)制向量[1,0,0] 、[0,1,0] 和[0,0,1] 。以此類推,“service”屬性特征存在70種類型取值,“flag”屬性特征存在11種類型取值,這樣可以建立符號(hào)值與其對(duì)應(yīng)特征向量的映射關(guān)系,將41 個(gè)原始屬性特征映射成122 維特征數(shù)據(jù)。然后最小-最大規(guī)范化處理獲得的數(shù)據(jù),以消除各屬性間的量綱影響。根據(jù)式(12)將各屬性特征歸一化到同一數(shù)量級(jí),即[0,1] 范圍。

    其中,y為特征屬性值,ymax、ymin分別為該屬性的最大值和最小值。

    3.3 softmax分類器

    設(shè)樣本類別數(shù)量為k,模型參數(shù)為θ,對(duì)于給定的樣本輸入x,根據(jù)式(13)計(jì)算每一個(gè)類別j的概率值p(y=j|x):

    對(duì)有m個(gè)樣本點(diǎn)的數(shù)據(jù)集,softmax 回歸[17]的損失代價(jià)函數(shù)為:

    其中λ是權(quán)重衰減項(xiàng),1{?}是示性函數(shù),其取值規(guī)則:1{值為真的表達(dá)式}=1,1{值為假的表達(dá)式}=0。

    式(14)運(yùn)用了貝葉斯正則化的思想使J(θ)為嚴(yán)格凸函數(shù),保證函數(shù)存在唯一解。對(duì)式(14)進(jìn)行極小化,求出J(θ)對(duì)θj的偏導(dǎo)數(shù),得到:

    根據(jù)式(16)更新模型參數(shù)θ:

    其中α為學(xué)習(xí)速率。

    與SVM分類器相比,softmax分類器計(jì)算簡(jiǎn)單且高效,主要用于解決多分類問(wèn)題。SVM 的計(jì)算是無(wú)標(biāo)定的,并且難以針對(duì)所有分類的評(píng)分值給出直觀解釋,而softmax 函數(shù)將原始分類評(píng)分轉(zhuǎn)化成歸一化的對(duì)數(shù)概率,允許計(jì)算出對(duì)于所有分類標(biāo)簽的可能性,鼓勵(lì)正確分類的歸一化的對(duì)數(shù)概率變高,其余的變低。

    針對(duì)網(wǎng)絡(luò)數(shù)據(jù)的入侵識(shí)別問(wèn)題,每種網(wǎng)絡(luò)攻擊類型之間是互斥的,softmax分類器的目標(biāo)函數(shù)選擇交叉熵,使得目標(biāo)類的1{}?等于1,其他類的示性函數(shù)等于0。同時(shí)在softmax分類過(guò)程中網(wǎng)絡(luò)數(shù)據(jù)的屬性特征對(duì)其分類概率的影響是乘性的,使得目標(biāo)類的對(duì)數(shù)概率遠(yuǎn)大于其他類。

    4 實(shí)驗(yàn)及結(jié)果分析

    4.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)描述

    硬件環(huán)境:64位Windows10操作系統(tǒng)、Intel i7處理器、8 GB內(nèi)存和4 GB GPU的計(jì)算機(jī)。

    開(kāi)發(fā)環(huán)境:Eclipse+PyDev。

    編程語(yǔ)言:Python。

    測(cè)試數(shù)據(jù)集:NSL-KDD 數(shù)據(jù)集。該數(shù)據(jù)集包含125 973 個(gè)訓(xùn)練數(shù)據(jù)和22 543 個(gè)測(cè)試數(shù)據(jù),各類數(shù)據(jù)具體分布情況如表1所示。

    表1 各種類型數(shù)據(jù)分布情況

    NSL-KDD 數(shù)據(jù)集被分成拒絕服務(wù)攻擊(Denial of Service,DoS)、遠(yuǎn)程用戶攻擊(Remote to Local,R2L)、用戶到根攻擊(User to Root,U2R)、端口掃描攻擊(Probe)4大類攻擊類型和1類正常(Normal)數(shù)據(jù)。

    4.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

    實(shí)驗(yàn)中,采用檢測(cè)準(zhǔn)確率(Accuracy,AC)、誤報(bào)率(False Alarm Rate,F(xiàn)AR)、檢測(cè)時(shí)間(Ti)和重構(gòu)誤差(error)作為衡量模型的性能的評(píng)價(jià)指標(biāo)。

    其中,n為樣本個(gè)數(shù),m為每層網(wǎng)絡(luò)輸入層節(jié)點(diǎn)個(gè)數(shù),vki為第k個(gè)樣本的原始數(shù)據(jù),vki'為第k個(gè)樣本的重構(gòu)數(shù)據(jù)。

    4.3 實(shí)驗(yàn)結(jié)果及分析

    本文設(shè)計(jì)了3組實(shí)驗(yàn):(1)不同IDBN網(wǎng)絡(luò)深度對(duì)入侵檢測(cè)的性能影響;(2)不同學(xué)習(xí)速率對(duì)重構(gòu)誤差的影響;(3)本文提出的入侵檢測(cè)方法與其他方法的性能對(duì)比。

    實(shí)驗(yàn)中自適應(yīng)速率的初始值設(shè)置為0.05,增量系數(shù)μ和衰減系數(shù)d分別取值為1.25和0.8,將IDBN預(yù)訓(xùn)練的迭代次數(shù)設(shè)置為100 次,基于BP 算法的權(quán)值微調(diào)的迭代次數(shù)設(shè)置為120次。

    4.3.1 IDBN網(wǎng)絡(luò)深度實(shí)驗(yàn)

    針對(duì)IDBN 的深度是影響入侵檢測(cè)效果的重要因素,實(shí)驗(yàn)對(duì)5 種不同的IDBN 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行檢測(cè)準(zhǔn)確率和誤報(bào)率對(duì)比。設(shè)置 IDBN2、IDBN3、IDBN4、IDBN5和IDBN6分別表示為122-110-30、122-110-70-30、122-110-90-60-30、122-110-90-70-50-30 和 122-110-95-70-50-40-30的RBM網(wǎng)絡(luò)結(jié)構(gòu)(IDBNi表示IDBN包含i層RBM)。從圖4 可看出,IDBN 采用 4 層的 RBM 網(wǎng)絡(luò)結(jié)構(gòu)的檢測(cè)準(zhǔn)確率最大,誤報(bào)率最低。

    圖4 不同深度的IDBN的性能對(duì)比

    4.3.2 學(xué)習(xí)速率對(duì)比實(shí)驗(yàn)

    本文提出的入侵檢測(cè)方法中,IDBN 選取4 層RBM網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行特征降維。NSL-KDD數(shù)據(jù)集中41個(gè)屬性特征經(jīng)過(guò)數(shù)據(jù)預(yù)處理轉(zhuǎn)化成122維特征,因此設(shè)置IDBN 的輸入層節(jié)點(diǎn)數(shù)為122,隱藏層節(jié)點(diǎn)數(shù)依次選取110,90,60和30。

    將自適應(yīng)學(xué)習(xí)速率與三個(gè)不同的全局固定學(xué)習(xí)速率 (ε=0.005,ε=0.05 和ε=0.5) 進(jìn)行比較,對(duì)比結(jié)果如圖5所示。對(duì)于固定的學(xué)習(xí)速率來(lái)說(shuō),設(shè)置ε=0.5 的重構(gòu)誤差最大,ε=0.005 的訓(xùn)練收斂速度緩慢,而ε=0.05的結(jié)果最好。與固定學(xué)習(xí)速率相比,ALR在迭代次數(shù)為90左右之后,重構(gòu)誤差趨于平穩(wěn),在保證低重構(gòu)誤差的同時(shí)具有較快的收斂速度。

    圖5 ALR與固定全局學(xué)習(xí)速率的重構(gòu)誤差對(duì)比

    4.3.3 各分類方法的檢測(cè)性能對(duì)比實(shí)驗(yàn)

    將IDBN、PCA、自編碼網(wǎng)絡(luò)(AutoEncoder Network,AEN)方法進(jìn)行對(duì)比來(lái)分析特征降維效果。首先利用特征學(xué)習(xí)方法進(jìn)行降維,然后采用softmax 分類器對(duì)降維后的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行入侵分類。在訓(xùn)練過(guò)程中分別抽取NSL-KDD數(shù)據(jù)集中20%、40%、50%、70%的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。

    從表2可以看出,在70%數(shù)據(jù)訓(xùn)練階段,IDBN方法的準(zhǔn)確率較PCA 和AEN 分別提高了2.97 個(gè)百分點(diǎn)和1.19個(gè)百分點(diǎn)。IDBN結(jié)合了無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn),通過(guò)多次映射能夠發(fā)現(xiàn)海量網(wǎng)絡(luò)數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)及其概率分布。因此,對(duì)不同的數(shù)據(jù)集的測(cè)試表明,IDBN的準(zhǔn)確率都比較高,對(duì)高維無(wú)標(biāo)簽網(wǎng)絡(luò)數(shù)據(jù)的特征提取效果最好。

    表2 IDBN與其他特征學(xué)習(xí)方法的準(zhǔn)確率對(duì)比%

    在NSL-KDD數(shù)據(jù)集中隨機(jī)提取不同攻擊類型進(jìn)行分類實(shí)驗(yàn),對(duì)比分析不同入侵行為的準(zhǔn)確率和誤報(bào)率。其中SVM 的核函數(shù)采用徑向基函數(shù),設(shè)置核函數(shù)控制因子g=0.000 01,懲罰因子C=1 000,采用10 折交叉驗(yàn)證獲得較高的準(zhǔn)確率。人工神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)采用5層結(jié)構(gòu),利用BP算法優(yōu)化網(wǎng)絡(luò),其余參數(shù)和DBN類似。

    從表3可以看出,IDBN-SC方法對(duì)Normal、DoS、R2L、U2L 和Probe 的識(shí)別準(zhǔn)確率分別是98.34%、97.25%、83.47%、78.12%和96.26%,相比其他四種方法準(zhǔn)確率平均提高 7.49 個(gè)百分點(diǎn)。IDBN-SC 方法對(duì) Normal、DoS、R2L、U2L 和 Probe 的誤報(bào)率分別是 0.87%、1.23%、10.49%、17.12%、2.94%,誤報(bào)率平均降低6.01 個(gè)百分點(diǎn)。IDBN-SC 方法利用IDBN 模型保留網(wǎng)絡(luò)數(shù)據(jù)的關(guān)鍵重要特征,去除冗余特征,實(shí)現(xiàn)高維特征向量的特征提取,同時(shí)softmax 分類器支持類別互斥的數(shù)據(jù)分類。因此,實(shí)驗(yàn)結(jié)果表明IDBN-SC 方法在對(duì)不同入侵行為的檢測(cè)準(zhǔn)確率方面要高于其他四種分類方法,且更能精確檢測(cè)網(wǎng)絡(luò)入侵行為。

    表3 針對(duì)不同攻擊類型的性能比較 %

    進(jìn)一步驗(yàn)證IDBN-SC 方法的性能,隨機(jī)抽取NSLKDD 數(shù)據(jù)集中20%、40%、50%、70%的數(shù)據(jù),分別進(jìn)行檢測(cè)準(zhǔn)確率和時(shí)間的對(duì)比分析。

    從表4可以看出,IDBN-SC方法在不同的數(shù)據(jù)集上的準(zhǔn)確率分別為96.43%、98.65%、97.37%、98.24%,相比較其他四種方法準(zhǔn)確率平均提高3.02 個(gè)百分點(diǎn)。而IDBN-SC 方法在不同數(shù)據(jù)集上的分類處理時(shí)間分別為6.87 s、10.56 s、14.64 s、18.73 s,相比softmax方法平均縮短5.58 s,相比IDBN-SVM 方法平均縮短2.77 s。實(shí)驗(yàn)結(jié)果表明IDBN-SC方法在準(zhǔn)確率上顯著提高了網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)的識(shí)別能力,極大地縮短了softmax 分類器的訓(xùn)練時(shí)間。SVM分類器的時(shí)間復(fù)雜度是其輸入向量的指數(shù)函數(shù),softmax 分類器的時(shí)間復(fù)雜度是其輸入向量的一次函數(shù),ADT 分類器的時(shí)間復(fù)雜度與其輸入向量和樹(shù)的深度有關(guān),NN 算法的時(shí)間復(fù)雜度與其輸入向量和網(wǎng)絡(luò)層數(shù)有關(guān)。因此,通過(guò)IDBN進(jìn)行特征降維,IDBN-SC方法有效地減少分類器輸入向量維數(shù),以縮短網(wǎng)絡(luò)數(shù)據(jù)分類的處理時(shí)間。

    表4 幾種入侵檢測(cè)方法的性能對(duì)比

    5 結(jié)束語(yǔ)

    針對(duì)傳統(tǒng)的入侵檢測(cè)方法很難快速準(zhǔn)確地分類通信過(guò)程中海量無(wú)標(biāo)簽網(wǎng)絡(luò)數(shù)據(jù)的問(wèn)題,本文利用深度學(xué)習(xí)在數(shù)據(jù)特征降維的優(yōu)勢(shì),提出基于改進(jìn)的深度信念網(wǎng)絡(luò)的softmax 分類入侵檢測(cè)方法。該方法利用IDBN 將大量高維無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行特征提取,使用ALR 保證模型參數(shù)快速收斂,采用softmax 分類器進(jìn)行入侵行為識(shí)別。實(shí)驗(yàn)表明本文提出的IDBN-SC方法不僅提高了網(wǎng)絡(luò)攻擊分類準(zhǔn)確率,同時(shí)顯著地縮短了入侵檢測(cè)的分類處理時(shí)間。IDBN-SC方法為入侵檢測(cè)在區(qū)塊鏈、物聯(lián)網(wǎng)等領(lǐng)域的網(wǎng)絡(luò)安全應(yīng)用提供了一種高效、可行的研究方法。

    猜你喜歡
    分類器準(zhǔn)確率速率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    “化學(xué)反應(yīng)的速率與限度”知識(shí)與能力提升
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
    速度和速率有什么不同
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    不同冷卻速率下低壓轉(zhuǎn)子鋼30Cr2Ni4MoV的凝固組織
    上海金屬(2014年5期)2014-12-20 07:58:39
    亚洲av福利一区| 欧美日韩国产mv在线观看视频 | 成人特级av手机在线观看| 激情五月婷婷亚洲| 国产又色又爽无遮挡免| 国产av国产精品国产| 青春草亚洲视频在线观看| 在线观看一区二区三区| 26uuu在线亚洲综合色| 中国三级夫妇交换| 男女边吃奶边做爰视频| 国产精品爽爽va在线观看网站| 国产精品精品国产色婷婷| 九色成人免费人妻av| 国产高清有码在线观看视频| 91在线精品国自产拍蜜月| 嫩草影院入口| 最近手机中文字幕大全| 国产老妇伦熟女老妇高清| 亚洲国产色片| 麻豆精品久久久久久蜜桃| 国产亚洲一区二区精品| 国产精品国产三级国产专区5o| 美女高潮的动态| a级毛色黄片| 蜜桃亚洲精品一区二区三区| 如何舔出高潮| 中文字幕亚洲精品专区| 亚洲不卡免费看| 一个人免费看片子| h视频一区二区三区| 亚洲av成人精品一区久久| 亚洲人成网站高清观看| 久久精品熟女亚洲av麻豆精品| 国产又色又爽无遮挡免| 免费看光身美女| 久久久久久久久久久免费av| 精品酒店卫生间| 日本-黄色视频高清免费观看| 中文天堂在线官网| 免费高清在线观看视频在线观看| 成人黄色视频免费在线看| 国产一区二区在线观看日韩| 各种免费的搞黄视频| 欧美少妇被猛烈插入视频| 观看美女的网站| 精品久久久久久久末码| 女性被躁到高潮视频| 超碰97精品在线观看| 在线亚洲精品国产二区图片欧美 | 国产精品三级大全| 久久综合国产亚洲精品| 久久青草综合色| 一本一本综合久久| 51国产日韩欧美| 国产乱来视频区| 国产爽快片一区二区三区| 亚洲av成人精品一区久久| 尾随美女入室| 国产探花极品一区二区| 国产精品一区二区在线观看99| 国产精品一区二区性色av| 男的添女的下面高潮视频| av国产免费在线观看| 久久久久视频综合| 搡老乐熟女国产| 啦啦啦视频在线资源免费观看| 日韩免费高清中文字幕av| 精品午夜福利在线看| 最新中文字幕久久久久| 我的女老师完整版在线观看| 精品午夜福利在线看| 男女国产视频网站| 久久97久久精品| 美女cb高潮喷水在线观看| 丝袜脚勾引网站| 国产精品国产三级国产专区5o| 国产无遮挡羞羞视频在线观看| 亚洲人成网站在线播| 一级爰片在线观看| 中文资源天堂在线| 人体艺术视频欧美日本| 22中文网久久字幕| 日韩中字成人| 五月玫瑰六月丁香| 青青草视频在线视频观看| 91精品国产国语对白视频| 亚洲av免费高清在线观看| 99热全是精品| 丝袜喷水一区| 熟女av电影| 欧美最新免费一区二区三区| 1000部很黄的大片| 少妇人妻一区二区三区视频| 国产精品一及| 国产精品精品国产色婷婷| 99久久综合免费| 男人爽女人下面视频在线观看| 国产69精品久久久久777片| 狠狠精品人妻久久久久久综合| 日韩一区二区视频免费看| 国产精品不卡视频一区二区| 亚洲av二区三区四区| 久久久久久九九精品二区国产| 99久久精品热视频| 国产精品一区二区在线不卡| 国产成人免费无遮挡视频| 日韩亚洲欧美综合| 欧美日韩亚洲高清精品| 小蜜桃在线观看免费完整版高清| 老司机影院毛片| av播播在线观看一区| 精品午夜福利在线看| 亚洲va在线va天堂va国产| 天堂俺去俺来也www色官网| 国产日韩欧美在线精品| 亚洲国产日韩一区二区| 男女啪啪激烈高潮av片| 国产极品天堂在线| 搡女人真爽免费视频火全软件| 2018国产大陆天天弄谢| 超碰av人人做人人爽久久| 热99国产精品久久久久久7| 色视频www国产| 99热这里只有是精品50| 91狼人影院| 色网站视频免费| 亚洲精品自拍成人| 久久99热这里只有精品18| 有码 亚洲区| 97热精品久久久久久| 一级黄片播放器| 中文字幕免费在线视频6| 人妻 亚洲 视频| 精品国产一区二区三区久久久樱花 | av国产久精品久网站免费入址| 亚洲欧美日韩另类电影网站 | 国产午夜精品一二区理论片| 一个人看视频在线观看www免费| 熟女电影av网| 亚洲一区二区三区欧美精品| 久久久久久久久大av| 亚洲av电影在线观看一区二区三区| 一区二区三区乱码不卡18| 日韩一区二区三区影片| 精品亚洲成国产av| 国产精品.久久久| 国产精品成人在线| 黑人高潮一二区| 少妇猛男粗大的猛烈进出视频| 国产中年淑女户外野战色| 久久久久久久久久久丰满| 麻豆成人av视频| 国产免费一级a男人的天堂| 最新中文字幕久久久久| 我要看日韩黄色一级片| 国产精品久久久久成人av| 欧美 日韩 精品 国产| 久久这里有精品视频免费| 最近中文字幕2019免费版| 国产精品成人在线| 777米奇影视久久| 国产成人a∨麻豆精品| 国产亚洲一区二区精品| 国产色婷婷99| 黄色配什么色好看| 午夜福利高清视频| 高清午夜精品一区二区三区| 男的添女的下面高潮视频| 22中文网久久字幕| 日本午夜av视频| 嫩草影院新地址| 欧美xxxx性猛交bbbb| 成人综合一区亚洲| 看十八女毛片水多多多| 国产高潮美女av| 日日撸夜夜添| 卡戴珊不雅视频在线播放| 麻豆精品久久久久久蜜桃| 男女无遮挡免费网站观看| 美女主播在线视频| 国国产精品蜜臀av免费| 大香蕉97超碰在线| 国产乱人偷精品视频| 免费大片黄手机在线观看| 中文欧美无线码| 国产精品爽爽va在线观看网站| 2021少妇久久久久久久久久久| 成人二区视频| 国产成人午夜福利电影在线观看| 欧美xxⅹ黑人| 日本wwww免费看| 亚洲aⅴ乱码一区二区在线播放| 日韩 亚洲 欧美在线| videos熟女内射| 亚洲av二区三区四区| 26uuu在线亚洲综合色| 超碰av人人做人人爽久久| a级毛色黄片| 欧美老熟妇乱子伦牲交| 久久久久久九九精品二区国产| 亚洲精品乱久久久久久| 一区二区三区免费毛片| 亚洲av不卡在线观看| 亚洲欧美成人精品一区二区| 成年美女黄网站色视频大全免费 | 国产亚洲av片在线观看秒播厂| 岛国毛片在线播放| 深夜a级毛片| a级毛片免费高清观看在线播放| 我要看黄色一级片免费的| 蜜桃久久精品国产亚洲av| 国产成人freesex在线| 蜜臀久久99精品久久宅男| 国产精品爽爽va在线观看网站| 亚洲国产精品成人久久小说| 免费黄频网站在线观看国产| 人体艺术视频欧美日本| www.色视频.com| 性色avwww在线观看| 极品教师在线视频| 麻豆成人av视频| 街头女战士在线观看网站| 国产精品精品国产色婷婷| 少妇人妻精品综合一区二区| 大又大粗又爽又黄少妇毛片口| 日本免费在线观看一区| 七月丁香在线播放| 欧美日韩视频高清一区二区三区二| 日韩一区二区三区影片| 久久毛片免费看一区二区三区| 91久久精品电影网| 亚洲内射少妇av| 简卡轻食公司| 一级毛片aaaaaa免费看小| 五月开心婷婷网| 日韩中字成人| 久久99热这里只频精品6学生| a级毛色黄片| 精品少妇黑人巨大在线播放| 亚洲天堂av无毛| 午夜免费鲁丝| 亚洲精品456在线播放app| 久久婷婷青草| 天天躁夜夜躁狠狠久久av| 91久久精品国产一区二区三区| 少妇 在线观看| 欧美日韩精品成人综合77777| 少妇裸体淫交视频免费看高清| 秋霞在线观看毛片| 亚洲av中文字字幕乱码综合| 亚洲精品自拍成人| 国产精品一区二区在线不卡| 午夜激情福利司机影院| 精品一区二区三区视频在线| 国产精品麻豆人妻色哟哟久久| 网址你懂的国产日韩在线| 国产精品秋霞免费鲁丝片| 丰满少妇做爰视频| 又爽又黄a免费视频| 免费观看在线日韩| 亚洲av.av天堂| 在线 av 中文字幕| 午夜免费观看性视频| 久久精品人妻少妇| a级毛片免费高清观看在线播放| 久久人人爽人人片av| 久久亚洲国产成人精品v| 3wmmmm亚洲av在线观看| 国产黄片视频在线免费观看| 国产深夜福利视频在线观看| 高清午夜精品一区二区三区| 亚洲av.av天堂| 婷婷色综合www| 国产一区有黄有色的免费视频| 免费观看av网站的网址| av又黄又爽大尺度在线免费看| 精品一区二区三区视频在线| 赤兔流量卡办理| 国产精品国产三级专区第一集| 免费大片18禁| 特大巨黑吊av在线直播| 国产男女超爽视频在线观看| 成人国产av品久久久| av播播在线观看一区| 视频中文字幕在线观看| 国产69精品久久久久777片| 久久av网站| 免费观看a级毛片全部| 日本爱情动作片www.在线观看| 久久久久久久大尺度免费视频| 国产白丝娇喘喷水9色精品| 亚洲欧洲国产日韩| 日韩欧美精品免费久久| 国产免费又黄又爽又色| 国产高潮美女av| 亚洲精品国产色婷婷电影| 干丝袜人妻中文字幕| 日韩大片免费观看网站| 插阴视频在线观看视频| 国产免费又黄又爽又色| 在线观看av片永久免费下载| 免费久久久久久久精品成人欧美视频 | 国产精品偷伦视频观看了| 丰满乱子伦码专区| 一级黄片播放器| 在线精品无人区一区二区三 | 麻豆精品久久久久久蜜桃| 欧美+日韩+精品| 男女下面进入的视频免费午夜| 日韩欧美精品免费久久| 亚洲丝袜综合中文字幕| 国内少妇人妻偷人精品xxx网站| 久久久精品94久久精品| 国产美女午夜福利| kizo精华| 3wmmmm亚洲av在线观看| 亚洲成人手机| 国产乱人偷精品视频| 亚洲欧美精品自产自拍| 91久久精品国产一区二区三区| 国产69精品久久久久777片| 欧美激情极品国产一区二区三区 | 在线观看美女被高潮喷水网站| 国产欧美日韩一区二区三区在线 | 秋霞在线观看毛片| 九草在线视频观看| 18禁裸乳无遮挡动漫免费视频| 乱系列少妇在线播放| 精品少妇黑人巨大在线播放| 搡女人真爽免费视频火全软件| 日本一二三区视频观看| 欧美高清成人免费视频www| 久久国产乱子免费精品| 亚洲高清免费不卡视频| 亚洲av中文字字幕乱码综合| 观看av在线不卡| 亚洲四区av| 亚洲国产精品999| www.色视频.com| 久久精品夜色国产| 黄色配什么色好看| 最近最新中文字幕免费大全7| 日韩亚洲欧美综合| 国产成人一区二区在线| 成人国产麻豆网| 老司机影院成人| 久久久久久久久久成人| 九九久久精品国产亚洲av麻豆| 简卡轻食公司| 看十八女毛片水多多多| 国产精品人妻久久久影院| 日本黄色片子视频| 成人亚洲欧美一区二区av| 欧美另类一区| 亚洲国产成人一精品久久久| 插逼视频在线观看| 丰满乱子伦码专区| 久久久久久久国产电影| 午夜福利网站1000一区二区三区| 丰满迷人的少妇在线观看| av线在线观看网站| 久久精品人妻少妇| 亚洲婷婷狠狠爱综合网| 精品一品国产午夜福利视频| 国产精品福利在线免费观看| 嫩草影院入口| 在线观看免费视频网站a站| 亚洲成人中文字幕在线播放| 高清欧美精品videossex| 国产伦理片在线播放av一区| www.色视频.com| 美女高潮的动态| 1000部很黄的大片| 91久久精品国产一区二区成人| 大又大粗又爽又黄少妇毛片口| 美女主播在线视频| av女优亚洲男人天堂| 久热这里只有精品99| 又大又黄又爽视频免费| 久久久久精品性色| 国产成人精品福利久久| 精品久久国产蜜桃| 国产久久久一区二区三区| 国产乱人视频| 一区二区三区乱码不卡18| 亚洲,欧美,日韩| 精品午夜福利在线看| 国产一级毛片在线| 我的老师免费观看完整版| av国产精品久久久久影院| 人妻 亚洲 视频| 一级毛片 在线播放| 啦啦啦啦在线视频资源| 肉色欧美久久久久久久蜜桃| 色视频在线一区二区三区| 夜夜爽夜夜爽视频| 99热国产这里只有精品6| 韩国av在线不卡| 美女脱内裤让男人舔精品视频| 欧美日韩视频高清一区二区三区二| 国产成人精品一,二区| av国产免费在线观看| 国产精品99久久99久久久不卡 | 日韩中文字幕视频在线看片 | 日韩av不卡免费在线播放| 六月丁香七月| kizo精华| 国产一区亚洲一区在线观看| 欧美极品一区二区三区四区| 久久久午夜欧美精品| 大香蕉97超碰在线| 中国美白少妇内射xxxbb| 国产一区亚洲一区在线观看| 极品教师在线视频| 男的添女的下面高潮视频| 18禁裸乳无遮挡免费网站照片| 日韩成人伦理影院| 精品午夜福利在线看| 精品99又大又爽又粗少妇毛片| 亚洲精品久久久久久婷婷小说| 亚洲欧美清纯卡通| 久久av网站| 2018国产大陆天天弄谢| av黄色大香蕉| 国产精品无大码| 男人爽女人下面视频在线观看| 黄色日韩在线| 国精品久久久久久国模美| 97超碰精品成人国产| 国产欧美另类精品又又久久亚洲欧美| 久热久热在线精品观看| 中文字幕av成人在线电影| 成人无遮挡网站| 国产精品熟女久久久久浪| 免费大片黄手机在线观看| 97在线视频观看| 亚洲人成网站高清观看| 久久精品国产自在天天线| 国产69精品久久久久777片| 亚洲精品aⅴ在线观看| 久久午夜福利片| 欧美+日韩+精品| 欧美国产精品一级二级三级 | 免费黄频网站在线观看国产| 久久精品国产自在天天线| 日韩一区二区三区影片| 三级国产精品欧美在线观看| 国产成人a∨麻豆精品| 伦精品一区二区三区| 亚洲精品国产成人久久av| 国产淫语在线视频| 高清日韩中文字幕在线| 久久久久久久大尺度免费视频| 国产黄色免费在线视频| 中文字幕精品免费在线观看视频 | 国产精品一及| 国产免费一级a男人的天堂| 91精品国产国语对白视频| 熟女av电影| 国产欧美另类精品又又久久亚洲欧美| 国产爽快片一区二区三区| 亚洲欧美日韩无卡精品| 水蜜桃什么品种好| 国产免费福利视频在线观看| 亚洲aⅴ乱码一区二区在线播放| 高清视频免费观看一区二区| 男女边吃奶边做爰视频| 最近最新中文字幕大全电影3| 亚洲欧洲国产日韩| 国产无遮挡羞羞视频在线观看| 国产爱豆传媒在线观看| 大香蕉97超碰在线| 国产欧美亚洲国产| 久久ye,这里只有精品| 亚洲第一av免费看| 搡女人真爽免费视频火全软件| 欧美日韩亚洲高清精品| 欧美日韩视频精品一区| 欧美xxxx性猛交bbbb| 成人毛片a级毛片在线播放| 2021少妇久久久久久久久久久| 大陆偷拍与自拍| 卡戴珊不雅视频在线播放| 大香蕉久久网| 久久人人爽av亚洲精品天堂 | 夫妻午夜视频| 国产高清三级在线| 九九久久精品国产亚洲av麻豆| 久久久久久久国产电影| 免费观看a级毛片全部| 欧美日韩亚洲高清精品| 男女啪啪激烈高潮av片| a 毛片基地| 亚洲国产高清在线一区二区三| 一区二区三区四区激情视频| 国产成人一区二区在线| 各种免费的搞黄视频| 最近最新中文字幕大全电影3| 99久久精品热视频| av线在线观看网站| 精品久久久久久久久亚洲| 国产精品一二三区在线看| 亚洲真实伦在线观看| 久久精品夜色国产| 欧美精品一区二区大全| 中文乱码字字幕精品一区二区三区| 全区人妻精品视频| 一本久久精品| 亚洲成人av在线免费| 亚洲成人手机| 久久精品国产亚洲av涩爱| 色视频在线一区二区三区| 一个人看视频在线观看www免费| 观看美女的网站| 精品视频人人做人人爽| 精品久久久久久久久av| 精品久久久噜噜| 亚洲av福利一区| 一个人免费看片子| 国产精品一及| 又黄又爽又刺激的免费视频.| 七月丁香在线播放| av在线app专区| 亚洲av.av天堂| 少妇精品久久久久久久| 日韩三级伦理在线观看| 精品久久久噜噜| 免费久久久久久久精品成人欧美视频 | 日本猛色少妇xxxxx猛交久久| 夜夜爽夜夜爽视频| 2018国产大陆天天弄谢| 男女无遮挡免费网站观看| 国产成人91sexporn| 精品亚洲成a人片在线观看 | 精品人妻一区二区三区麻豆| 亚洲怡红院男人天堂| 欧美成人午夜免费资源| 日韩制服骚丝袜av| 精品人妻一区二区三区麻豆| 免费不卡的大黄色大毛片视频在线观看| 少妇精品久久久久久久| av又黄又爽大尺度在线免费看| 在线观看一区二区三区激情| 亚洲国产欧美在线一区| 久久国产精品男人的天堂亚洲 | 婷婷色综合www| 成年美女黄网站色视频大全免费 | 少妇被粗大猛烈的视频| 亚洲人成网站在线播| 精品人妻视频免费看| 如何舔出高潮| 成人国产麻豆网| 亚洲美女搞黄在线观看| 精品久久久久久电影网| 新久久久久国产一级毛片| 十分钟在线观看高清视频www | 午夜激情福利司机影院| 只有这里有精品99| 亚洲精品456在线播放app| 久久精品国产自在天天线| 国产精品一二三区在线看| 日本色播在线视频| 狠狠精品人妻久久久久久综合| 亚洲欧洲国产日韩| 伊人久久国产一区二区| 国产精品人妻久久久影院| 80岁老熟妇乱子伦牲交| 丰满迷人的少妇在线观看| 高清视频免费观看一区二区| 亚洲色图综合在线观看| 亚洲成色77777| 大香蕉97超碰在线| 午夜福利高清视频| 99热6这里只有精品| 黄片无遮挡物在线观看| 中文精品一卡2卡3卡4更新| 男人狂女人下面高潮的视频| 蜜臀久久99精品久久宅男| 女性被躁到高潮视频| 欧美激情极品国产一区二区三区 | 精品久久久精品久久久| 亚洲精品国产av蜜桃| 网址你懂的国产日韩在线| 亚洲伊人久久精品综合| 日韩一区二区三区影片| av天堂中文字幕网| 狂野欧美激情性xxxx在线观看| 一个人看视频在线观看www免费| 免费观看无遮挡的男女| 全区人妻精品视频| 国产片特级美女逼逼视频| 91午夜精品亚洲一区二区三区| 热re99久久精品国产66热6| 免费播放大片免费观看视频在线观看| 尤物成人国产欧美一区二区三区| 国产男人的电影天堂91| 赤兔流量卡办理| 久久97久久精品| 欧美区成人在线视频| 色婷婷久久久亚洲欧美| 这个男人来自地球电影免费观看 | 伊人久久精品亚洲午夜| 国产高清有码在线观看视频| 老司机影院毛片| 热99国产精品久久久久久7| 日韩av不卡免费在线播放| 免费看av在线观看网站| 99久久精品热视频| 成年女人在线观看亚洲视频| 99九九线精品视频在线观看视频| 国产欧美亚洲国产| 日本一二三区视频观看| 男女啪啪激烈高潮av片| 超碰97精品在线观看|