• <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
    国产爽快片一区二区三区| 亚洲美女搞黄在线观看| av不卡在线播放| 精品久久久久久久久av| 日本vs欧美在线观看视频 | 欧美亚洲 丝袜 人妻 在线| 日韩精品有码人妻一区| 精品久久久久久久久av| 国产一区二区在线观看日韩| 国产高清不卡午夜福利| 一级毛片aaaaaa免费看小| 国产一级毛片在线| 毛片女人毛片| 精品少妇久久久久久888优播| 97在线视频观看| 日日撸夜夜添| 久久久亚洲精品成人影院| 99re6热这里在线精品视频| 成人一区二区视频在线观看| 在线免费十八禁| 亚洲精品色激情综合| 婷婷色综合大香蕉| 亚洲国产高清在线一区二区三| 成人综合一区亚洲| 人妻系列 视频| 在现免费观看毛片| 大片电影免费在线观看免费| 国产男女超爽视频在线观看| 国产又色又爽无遮挡免| 一级毛片aaaaaa免费看小| 国产久久久一区二区三区| 91精品伊人久久大香线蕉| 久久久精品94久久精品| 日韩伦理黄色片| 久久av网站| 夜夜爽夜夜爽视频| tube8黄色片| 欧美极品一区二区三区四区| 亚洲国产精品国产精品| 亚洲精品中文字幕在线视频 | 久久精品熟女亚洲av麻豆精品| 如何舔出高潮| 成年av动漫网址| 国产精品国产三级国产专区5o| 一级黄片播放器| 18禁在线无遮挡免费观看视频| 一级二级三级毛片免费看| 97在线视频观看| 一边亲一边摸免费视频| 亚洲一级一片aⅴ在线观看| 黄片wwwwww| 一区二区三区精品91| 蜜臀久久99精品久久宅男| 亚洲av中文av极速乱| 在线精品无人区一区二区三 | 日韩国内少妇激情av| 伊人久久精品亚洲午夜| 国产午夜精品一二区理论片| a级一级毛片免费在线观看| 久久久久久久亚洲中文字幕| 久久精品国产a三级三级三级| 在线播放无遮挡| 亚洲av不卡在线观看| av线在线观看网站| 日韩视频在线欧美| 成人午夜精彩视频在线观看| 亚洲久久久国产精品| 日本黄色日本黄色录像| 伦理电影大哥的女人| 亚洲欧美精品自产自拍| 久久热精品热| 亚洲熟女精品中文字幕| 久久久久视频综合| 国产高清国产精品国产三级 | 久久婷婷青草| 伊人久久精品亚洲午夜| 成人高潮视频无遮挡免费网站| 美女脱内裤让男人舔精品视频| 我的老师免费观看完整版| av福利片在线观看| 久久久久久九九精品二区国产| 深夜a级毛片| 国产成人免费观看mmmm| 美女xxoo啪啪120秒动态图| 少妇猛男粗大的猛烈进出视频| 欧美日韩国产mv在线观看视频 | 亚洲av日韩在线播放| 国产精品偷伦视频观看了| 亚洲欧美成人综合另类久久久| 国产精品欧美亚洲77777| 久久综合国产亚洲精品| 卡戴珊不雅视频在线播放| 日韩 亚洲 欧美在线| 高清毛片免费看| 成人漫画全彩无遮挡| 女人十人毛片免费观看3o分钟| 18禁在线播放成人免费| 插阴视频在线观看视频| 99热这里只有是精品在线观看| 老熟女久久久| 成人综合一区亚洲| 大香蕉久久网| 国产免费福利视频在线观看| 久久久午夜欧美精品| 亚洲伊人久久精品综合| 精品一区在线观看国产| 国产精品女同一区二区软件| 免费观看性生交大片5| 最后的刺客免费高清国语| 亚洲精品国产av成人精品| 建设人人有责人人尽责人人享有的 | av又黄又爽大尺度在线免费看| 日韩三级伦理在线观看| 国产精品三级大全| 久久久久久久精品精品| 国产av国产精品国产| 免费观看的影片在线观看| 国产精品99久久99久久久不卡 | 网址你懂的国产日韩在线| 一级毛片黄色毛片免费观看视频| 亚洲欧美精品自产自拍| 久久久午夜欧美精品| 国产黄频视频在线观看| 亚洲伊人久久精品综合| 在线观看三级黄色| 校园人妻丝袜中文字幕| 免费观看无遮挡的男女| 狂野欧美白嫩少妇大欣赏| 亚洲av综合色区一区| 中文在线观看免费www的网站| 国产精品不卡视频一区二区| 国产精品一区二区三区四区免费观看| 国产精品一区二区性色av| 欧美亚洲 丝袜 人妻 在线| 一区二区av电影网| 亚州av有码| 黄色怎么调成土黄色| 男人和女人高潮做爰伦理| 一级av片app| av专区在线播放| 黄色配什么色好看| 久久久亚洲精品成人影院| 美女主播在线视频| 我的女老师完整版在线观看| 一级二级三级毛片免费看| 插阴视频在线观看视频| 亚洲人与动物交配视频| 久久精品国产a三级三级三级| 午夜免费观看性视频| 伦理电影大哥的女人| 精品人妻视频免费看| 久久99精品国语久久久| 国产精品成人在线| 一本色道久久久久久精品综合| 国产综合精华液| 乱系列少妇在线播放| 国产 一区 欧美 日韩| 99re6热这里在线精品视频| 中文字幕av成人在线电影| 色吧在线观看| 中国国产av一级| 亚洲成人手机| 夜夜骑夜夜射夜夜干| 日韩 亚洲 欧美在线| 18禁动态无遮挡网站| 中文字幕人妻熟人妻熟丝袜美| 欧美日本视频| 人体艺术视频欧美日本| 成人亚洲欧美一区二区av| 街头女战士在线观看网站| 婷婷色综合大香蕉| 91午夜精品亚洲一区二区三区| 欧美xxⅹ黑人| 日韩人妻高清精品专区| 一本—道久久a久久精品蜜桃钙片| 日本爱情动作片www.在线观看| 精品一区二区三区视频在线| 内地一区二区视频在线| 国产伦在线观看视频一区| 22中文网久久字幕| 少妇人妻久久综合中文| 青春草亚洲视频在线观看| 亚洲欧美日韩卡通动漫| 精品人妻熟女av久视频| 极品教师在线视频| 日日摸夜夜添夜夜添av毛片| 久久久久久九九精品二区国产| 美女国产视频在线观看| 国产黄片视频在线免费观看| 亚洲精品国产av成人精品| 亚洲精品456在线播放app| 成人一区二区视频在线观看| 久久人妻熟女aⅴ| 26uuu在线亚洲综合色| 激情 狠狠 欧美| 熟女人妻精品中文字幕| 久久久a久久爽久久v久久| 伊人久久精品亚洲午夜| 免费人妻精品一区二区三区视频| 国产精品国产三级国产av玫瑰| 国产高清有码在线观看视频| 少妇熟女欧美另类| 秋霞伦理黄片| 国产日韩欧美在线精品| 国产成人一区二区在线| 国产精品久久久久久久电影| 精品久久久久久久久亚洲| 舔av片在线| 丝袜脚勾引网站| 国产成人精品一,二区| 亚洲在久久综合| 国产亚洲5aaaaa淫片| av一本久久久久| 51国产日韩欧美| 国产成人精品一,二区| 国产熟女欧美一区二区| 日本色播在线视频| 激情五月婷婷亚洲| 中文字幕精品免费在线观看视频 | 午夜免费观看性视频| 亚洲第一区二区三区不卡| 十分钟在线观看高清视频www | 国产精品国产三级国产av玫瑰| 一区二区三区免费毛片| 中文字幕亚洲精品专区| 内射极品少妇av片p| 天天躁夜夜躁狠狠久久av| xxx大片免费视频| 亚洲va在线va天堂va国产| 伊人久久国产一区二区| 久久女婷五月综合色啪小说| 男女下面进入的视频免费午夜| 亚洲av电影在线观看一区二区三区| 国产精品一区www在线观看| 精品一区二区三卡| 日韩av不卡免费在线播放| 97超视频在线观看视频| 王馨瑶露胸无遮挡在线观看| 熟妇人妻不卡中文字幕| 色综合色国产| 视频区图区小说| 久久 成人 亚洲| 免费黄频网站在线观看国产| 肉色欧美久久久久久久蜜桃| 国产亚洲91精品色在线| 熟女人妻精品中文字幕| 免费少妇av软件| 国产在线视频一区二区| 成人毛片60女人毛片免费| 久久久精品94久久精品| 黄色视频在线播放观看不卡| 久久国产精品男人的天堂亚洲 | 国产精品一区二区性色av| 日韩三级伦理在线观看| 高清欧美精品videossex| 免费少妇av软件| 亚洲av日韩在线播放| 国产亚洲91精品色在线| 熟女人妻精品中文字幕| 高清视频免费观看一区二区| 久久国产乱子免费精品| 欧美性感艳星| 欧美xxxx性猛交bbbb| 国产伦精品一区二区三区四那| 91久久精品电影网| 国产成人精品婷婷| 51国产日韩欧美| 久久毛片免费看一区二区三区| 国产永久视频网站| 伦理电影免费视频| 啦啦啦啦在线视频资源| 大香蕉久久网| 少妇人妻久久综合中文| 久久国内精品自在自线图片| 日韩电影二区| av在线观看视频网站免费| 亚洲av电影在线观看一区二区三区| 干丝袜人妻中文字幕| 亚洲最大成人中文| 国产精品av视频在线免费观看| 99久久综合免费| 中文字幕人妻熟人妻熟丝袜美| 男女免费视频国产| 夫妻午夜视频| 国产精品一区www在线观看| 欧美变态另类bdsm刘玥| 亚洲av国产av综合av卡| 久久久久人妻精品一区果冻| 99热这里只有是精品在线观看| 少妇高潮的动态图| 亚洲av.av天堂| 99久国产av精品国产电影| 久久精品熟女亚洲av麻豆精品| 亚洲av国产av综合av卡| 校园人妻丝袜中文字幕| videos熟女内射| 亚洲精品aⅴ在线观看| 舔av片在线| 亚洲精品国产av蜜桃| 成人亚洲精品一区在线观看 | 久久国内精品自在自线图片| 国产av一区二区精品久久 | 校园人妻丝袜中文字幕| 午夜精品国产一区二区电影| 在线天堂最新版资源| 国产欧美另类精品又又久久亚洲欧美| 亚洲四区av| 秋霞伦理黄片| 国产一区二区在线观看日韩| 亚洲欧美清纯卡通| 18+在线观看网站| 哪个播放器可以免费观看大片| 能在线免费看毛片的网站| 久久精品熟女亚洲av麻豆精品| 日产精品乱码卡一卡2卡三| 国产成人免费无遮挡视频| av黄色大香蕉| 免费观看在线日韩| 噜噜噜噜噜久久久久久91| 免费看日本二区| 国产av精品麻豆| 色哟哟·www| 麻豆精品久久久久久蜜桃| 女人久久www免费人成看片| 日韩中文字幕视频在线看片 | 国产乱人视频| 青青草视频在线视频观看| 高清在线视频一区二区三区| 一区二区三区免费毛片| 欧美成人午夜免费资源| 我的老师免费观看完整版| 日本av手机在线免费观看| 老师上课跳d突然被开到最大视频| 亚洲激情五月婷婷啪啪| 黄色怎么调成土黄色| 少妇精品久久久久久久| 久久热精品热| 女人十人毛片免费观看3o分钟| 少妇精品久久久久久久| 日日啪夜夜撸| 国产成人免费无遮挡视频| 亚洲三级黄色毛片| 汤姆久久久久久久影院中文字幕| 好男人视频免费观看在线| 免费人成在线观看视频色| 街头女战士在线观看网站| 美女福利国产在线 | 你懂的网址亚洲精品在线观看| 久久久精品94久久精品| 亚洲精品456在线播放app| 国产成人精品久久久久久| 免费大片18禁| 中文字幕制服av| 精品熟女少妇av免费看| 亚洲精品国产色婷婷电影| 精品亚洲乱码少妇综合久久| 午夜福利高清视频| 最近中文字幕高清免费大全6| 亚洲av在线观看美女高潮| 男女啪啪激烈高潮av片| 久久午夜福利片| 欧美日本视频| 高清日韩中文字幕在线| 久久人人爽人人片av| 欧美日韩一区二区视频在线观看视频在线| 噜噜噜噜噜久久久久久91| 日日啪夜夜爽| 国产极品天堂在线| 美女内射精品一级片tv| kizo精华| 91aial.com中文字幕在线观看| 国语对白做爰xxxⅹ性视频网站| 国产又色又爽无遮挡免| 亚洲国产av新网站| 日韩一区二区三区影片| 插逼视频在线观看| 亚洲国产精品一区三区| 久久精品国产鲁丝片午夜精品| 午夜日本视频在线| 精品久久久精品久久久| 国产精品人妻久久久久久| 亚洲国产精品专区欧美| 建设人人有责人人尽责人人享有的 | 91狼人影院| 欧美精品国产亚洲| 国产精品久久久久久久久免| 两个人的视频大全免费| 亚洲欧美日韩卡通动漫| 亚洲av中文字字幕乱码综合| 成人国产麻豆网| 青春草国产在线视频| 大陆偷拍与自拍| 国产高清国产精品国产三级 | 亚洲伊人久久精品综合| 在线免费观看不下载黄p国产| 最近中文字幕2019免费版| 校园人妻丝袜中文字幕| 国产成人精品一,二区| 26uuu在线亚洲综合色| 久久人人爽人人片av| 亚洲第一区二区三区不卡| 啦啦啦中文免费视频观看日本| 观看免费一级毛片| 日韩伦理黄色片| 日韩 亚洲 欧美在线| 色网站视频免费| 国产视频首页在线观看| 99热这里只有是精品50| 深夜a级毛片| 国产人妻一区二区三区在| 伦理电影大哥的女人| 搡老乐熟女国产| 久久久a久久爽久久v久久| 免费观看a级毛片全部| 国产精品一区www在线观看| av福利片在线观看| 成人漫画全彩无遮挡| 亚洲丝袜综合中文字幕| 一区二区av电影网| 色视频www国产| 永久网站在线| 欧美日韩国产mv在线观看视频 | 久久ye,这里只有精品| 亚洲国产毛片av蜜桃av| 一区在线观看完整版| 建设人人有责人人尽责人人享有的 | 人妻夜夜爽99麻豆av| 一区二区三区四区激情视频| 少妇的逼水好多| 亚洲国产精品专区欧美| 热re99久久精品国产66热6| 精品人妻偷拍中文字幕| 日本欧美国产在线视频| 国产白丝娇喘喷水9色精品| 亚洲国产精品一区三区| 成年女人在线观看亚洲视频| 日本vs欧美在线观看视频 | 老熟女久久久| 亚洲熟女精品中文字幕| 少妇 在线观看| 国产免费福利视频在线观看| 国语对白做爰xxxⅹ性视频网站| 精品少妇黑人巨大在线播放| 97在线视频观看| 国产精品麻豆人妻色哟哟久久| 成人毛片a级毛片在线播放| 亚洲国产最新在线播放| 久久av网站| 一级毛片电影观看| 久久97久久精品| 国产精品99久久99久久久不卡 | 在线精品无人区一区二区三 | 久久久久精品性色| 欧美老熟妇乱子伦牲交| 美女主播在线视频| 亚洲综合精品二区| 在线观看一区二区三区激情| 国产极品天堂在线| 一本一本综合久久| 伊人久久精品亚洲午夜| 亚洲欧洲日产国产| 精品人妻一区二区三区麻豆| 欧美日韩视频精品一区| 久久精品国产亚洲网站| 国产av精品麻豆| 天天躁日日操中文字幕| 人妻一区二区av| 国产国拍精品亚洲av在线观看| 观看免费一级毛片| 搡女人真爽免费视频火全软件| 妹子高潮喷水视频| 日日啪夜夜撸| 简卡轻食公司| av.在线天堂| 国产免费一区二区三区四区乱码| 国产欧美亚洲国产| 久久影院123| 久热这里只有精品99| 美女国产视频在线观看| 女的被弄到高潮叫床怎么办| 汤姆久久久久久久影院中文字幕| 丝袜脚勾引网站| 人妻夜夜爽99麻豆av| 亚洲综合精品二区| av福利片在线观看| 久久韩国三级中文字幕| 成人高潮视频无遮挡免费网站| 成人漫画全彩无遮挡| 国产又色又爽无遮挡免| 少妇的逼好多水| 一级爰片在线观看| 精品一区二区免费观看| 内地一区二区视频在线| 精品国产乱码久久久久久小说| 啦啦啦啦在线视频资源| 2022亚洲国产成人精品| 久久精品夜色国产| 欧美精品人与动牲交sv欧美| 99久国产av精品国产电影| 精品国产一区二区三区久久久樱花 | 天堂8中文在线网| 小蜜桃在线观看免费完整版高清| 啦啦啦在线观看免费高清www| av在线老鸭窝| 国产成人91sexporn| 亚洲精品乱码久久久v下载方式| 五月伊人婷婷丁香| 男人狂女人下面高潮的视频| 国产午夜精品久久久久久一区二区三区| 免费在线观看成人毛片| 久久久亚洲精品成人影院| 亚洲欧美一区二区三区国产| 国产爱豆传媒在线观看| 日韩亚洲欧美综合| 国产成人精品久久久久久| 一区二区三区乱码不卡18| 国产在线免费精品| 亚洲欧美日韩卡通动漫| 久久久久国产网址| 久久 成人 亚洲| 国产大屁股一区二区在线视频| 中文字幕av成人在线电影| 欧美xxxx性猛交bbbb| 男女边摸边吃奶| 少妇人妻精品综合一区二区| 日韩av在线免费看完整版不卡| 亚洲国产精品成人久久小说| 成人毛片60女人毛片免费| 老司机影院成人| 欧美精品一区二区大全| 一本一本综合久久| 1000部很黄的大片| 插阴视频在线观看视频| 波野结衣二区三区在线| 91精品国产国语对白视频| 色综合色国产| 大片免费播放器 马上看| 免费av不卡在线播放| 最后的刺客免费高清国语| 美女脱内裤让男人舔精品视频| 一级毛片我不卡| 国产av精品麻豆| 大香蕉97超碰在线| 永久免费av网站大全| 水蜜桃什么品种好| 男女边摸边吃奶| 99热全是精品| 国产黄频视频在线观看| 性色av一级| 黄片wwwwww| 亚洲精品乱码久久久v下载方式| 少妇人妻久久综合中文| 国产亚洲av片在线观看秒播厂| 精品一区二区免费观看| 老师上课跳d突然被开到最大视频| 国产成人免费观看mmmm| 国产色爽女视频免费观看| 在线观看三级黄色| 精品一品国产午夜福利视频| 国国产精品蜜臀av免费| kizo精华| 色视频在线一区二区三区| kizo精华| 校园人妻丝袜中文字幕| 免费大片黄手机在线观看| 91久久精品国产一区二区成人| 网址你懂的国产日韩在线| videossex国产| 欧美三级亚洲精品| 精品人妻熟女av久视频| 日韩一本色道免费dvd| 少妇熟女欧美另类| 国产精品无大码| 99热这里只有精品一区| 在线观看一区二区三区| 国产 一区 欧美 日韩| 大片电影免费在线观看免费| 久久久欧美国产精品| 在线观看美女被高潮喷水网站| 少妇高潮的动态图| 国模一区二区三区四区视频| 亚洲欧美一区二区三区黑人 | 国产精品av视频在线免费观看| 丝袜喷水一区| 一边亲一边摸免费视频| 欧美老熟妇乱子伦牲交| 人人妻人人添人人爽欧美一区卜 | 少妇丰满av| 又爽又黄a免费视频| 日韩三级伦理在线观看| h视频一区二区三区| 国产精品精品国产色婷婷| 国产在线视频一区二区| 天天躁日日操中文字幕| 你懂的网址亚洲精品在线观看| 亚洲国产色片| 自拍偷自拍亚洲精品老妇| 久热久热在线精品观看| 日本vs欧美在线观看视频 | 国产成人a区在线观看| 国产精品欧美亚洲77777| 99re6热这里在线精品视频| 18禁在线无遮挡免费观看视频| 亚洲国产高清在线一区二区三| 国产人妻一区二区三区在| 亚洲精品,欧美精品| 久久久久久久国产电影| 各种免费的搞黄视频| 午夜视频国产福利| 黑人猛操日本美女一级片| 亚洲av成人精品一区久久| 在线观看三级黄色| 少妇的逼水好多| a级毛片免费高清观看在线播放| 夜夜爽夜夜爽视频|