• <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FP-Growth的電力系統(tǒng)故障預測方法

    2020-12-01 03:15:00潘磊
    軟件導刊 2020年10期
    關鍵詞:故障預測關聯(lián)規(guī)則

    潘磊

    摘 要:為了提高電力系統(tǒng)中故障預測效率及便捷性,提出一種基于FP-Growth算法的電力系統(tǒng)故障預測方法,無需先驗知識及人工標注,便可從海量歷史日志數(shù)據(jù)中快速提取出故障信息模式,并基于實時日志數(shù)據(jù)對未來可能發(fā)送的系統(tǒng)故障進行預測。該方法首先根據(jù)電力系統(tǒng)不同類型的日志特征對原始數(shù)據(jù)進行預處理,然后基于FP-Growth算法挖掘日志中與故障事件相關的關聯(lián)規(guī)則,并使用關聯(lián)規(guī)則進行故障匹配,從而達到預測效果。算法經(jīng)過真實電力系統(tǒng)日志數(shù)據(jù)集測試,結果表明該故障預測方法平均準確率為89.5%,平均召回率為79.8%,且執(zhí)行效率較高,節(jié)省了業(yè)務人員50%以上的時間。

    關鍵詞:FP-Growth;電力系統(tǒng)日志;關聯(lián)規(guī)則;故障預測;日志挖掘

    DOI:10. 11907/rjdk. 201852

    中圖分類號:TP301文獻標識碼:A 文章編號:1672-7800(2020)010-0152-04

    Abstract:In order to improve the efficiency and convenience of fault prediction in the power system, a power system fault prediction method based on the FP-Growth algorithm is proposed by this paper. The method can extract fault prediction rules quickly from the massive power system history logs without any prior knowledge and manual annotation, and then predict future system failures based on the real-time logs. Firstly, the original logs are preprocessed according to the characteristics of the power system logs. Then the association rules related to the failure event in the log are mined based on the FP-Growth algorithm, and the association rules are used to match the failure. The algorithm has been tested on real power system log data sets. The results show that the average accuracy of the fault prediction method in this paper is 89.5%, the average recall rate is 79.8%, and the execution efficiency is high, saving more than 50% of the time of business staff.

    Key Words:FP-Growth; power system log; association rule;fault prediction; log mining

    0 引言

    電力工業(yè)是我國國民經(jīng)濟發(fā)展中的支柱型產(chǎn)業(yè),電力系統(tǒng)為電力工業(yè)穩(wěn)定運行提供了保障。隨著電力系統(tǒng)規(guī)模的擴大和復雜性的增加,系統(tǒng)故障發(fā)生已經(jīng)成為一種常態(tài)[1]。嚴重的系統(tǒng)故障可能導致重要信息丟失甚至系統(tǒng)癱瘓,造成難以預料的后果。精確高效的故障預測能夠降低嚴重故障所帶來的風險,提高電力系統(tǒng)可靠性[2]。

    故障預測最常用模型主要有兩類:故障歷史數(shù)據(jù)分析模型和實時狀態(tài)監(jiān)控預測模型[3-4]。許多學者對其進行了研究,馮士龍等[5]通過滑動窗口方式將日志劃分為日志序列并將其向量化,從而進行日志異常檢測;文獻[6]分別使用數(shù)據(jù)挖掘的分類預測思想和基于概率統(tǒng)計的方法,分析系統(tǒng)日志并建立故障預測模型;文獻[7]通過提取日志模板建立故障分類器模型,可動態(tài)判斷當前新增日志是否與故障有關;王衛(wèi)華等[8]提出一種基于頻繁日志事件序列的聚類算法,挖掘與故障事件相關的事件序列,從而實現(xiàn)故障預測;年夫順[9] 對各領域設備故障預測關鍵技術進行綜述,包括故障模型、狀態(tài)監(jiān)控和故障預測等。

    系統(tǒng)故障往往不是獨立產(chǎn)生的,而是與其它事件相關聯(lián)[10]。因此,可以通過機器學習算法挖掘包含故障事件的頻繁日志序列,根據(jù)日志事件的相關性進行故障預測[11-14]。在一般的機器學習問題中,F(xiàn)P-Growth方法通常被用來做關聯(lián)分析,而本文將其應用于無監(jiān)督學習問題中,提出一種基于FP-Growth算法的電力系統(tǒng)故障預測方法,該方法在不需要先驗知識和專家干預的前提下,分析電力系統(tǒng)歷史日志數(shù)據(jù),以及與故障事件相關的頻繁日志序列并抽取出關聯(lián)規(guī)則,再根據(jù)關聯(lián)規(guī)則對系統(tǒng)故障進行預測。該方法在真實數(shù)據(jù)集上進行測試與評估,且在實際應用中取得一定效果。

    1 電力系統(tǒng)日志分析

    1.1 日志結構

    通常情況下,電力系統(tǒng)日志記錄與電力系統(tǒng)設備、軟件相關的操作和狀態(tài),如設備連接和斷開、操作成功和失敗等。由于不同電力系統(tǒng)的日志格式不統(tǒng)一,日志文本多為非結構化文本,因此其語法和語義也不盡相同。本文以甘肅省電力投資集團有限責任公司電力系統(tǒng)2018年1月到6月的日志數(shù)據(jù)為例,該電力系統(tǒng)日志示例如圖1所示。

    由圖1可知,日志數(shù)據(jù)通常包括兩種類型的信息:一種是文本格式固定的日志語義信息;另一種是變量或參數(shù),例如IP地址、時間、設備名稱等,用于表示信息的重要屬性。由于原始日志數(shù)據(jù)存在較多與語義無關的參數(shù),或者是重復的日志數(shù)據(jù),因此需要對電力系統(tǒng)日志進行預處理。

    1.2 日志預處理

    參數(shù)類型的多樣性導致日志數(shù)據(jù)的數(shù)量非常多,海量的日志數(shù)據(jù)代表的事件數(shù)量卻有限,為了消除變量和參數(shù)對故障預測的影響,本文使用“X”替換日志數(shù)據(jù)中的IP地址、時間和設備名稱等變量,使得提取日志數(shù)據(jù)中所代表的事件更容易,同時方便后續(xù)的關聯(lián)規(guī)則挖掘。

    系統(tǒng)集群出現(xiàn)故障時,往往會重復故障操作,例如重復要求連接等,此時相似或者相同的事件將被頻繁記錄到日志中,導致存在冗余日志。當發(fā)現(xiàn)相同的日志數(shù)據(jù)重復出現(xiàn)時,本文只保留第一條記錄,刪除其它后續(xù)記錄,消除冗余日志對關聯(lián)規(guī)則挖掘的負面影響。

    2 關聯(lián)規(guī)則挖掘

    2.1 基本概念

    關聯(lián)規(guī)則挖掘?qū)儆跀?shù)據(jù)挖掘的一種研究方法,用以發(fā)現(xiàn)事務及關聯(lián)項之間的關系[15]。設[I={a1,a2,...,an}],其中a為n個不同的項,I稱為總項集,記N是事務處理S的集合,每個事務處理S是項的集合,則[S?I]。設X、Y是I的兩個不同非空子集,如果有[X→Y],則稱其是一條關聯(lián)規(guī)則。關聯(lián)規(guī)則的衡量標準用支持度support和置信度confident描述。式(1)和式(2)為support和confident的定義。

    其中,support表示X與Y同時在事務集中出現(xiàn)的次數(shù)與事務總數(shù)N的比率,confident表示X與Y同時出現(xiàn)的次數(shù)與X單獨出現(xiàn)次數(shù)的比率。關聯(lián)規(guī)則的支持度和置信度越高,說明規(guī)則的關聯(lián)性越強。

    關聯(lián)規(guī)則挖掘的本質(zhì)就是給定事務集N,找出其中所有支持度不小于最小支持度min_support且置信度不小于最小置信度min_confident的關聯(lián)規(guī)則。關聯(lián)規(guī)則挖掘一般由兩步組成:①找出所有不小于最小支持度的項集,該項集稱為頻繁項集;②基于頻繁項集再生成不小于最小置信度的規(guī)則,該規(guī)則稱為強規(guī)則。

    關聯(lián)規(guī)則挖掘經(jīng)典算法Apriori,是由候選頻繁項集產(chǎn)生規(guī)則的算法代表,但Apriori在進行候選消除時,會產(chǎn)生大量的候選集,同時每次消除也可能重復掃描事務集,面對海量日志數(shù)據(jù)集時算法效率較低。FP-Growth是一種關聯(lián)規(guī)則挖掘算法,它通過兩次掃描事務集構造頻繁項樹實現(xiàn)頻繁項集挖掘,整個挖掘過程不必產(chǎn)生候選頻繁項集合[15]。FP-Growth算法處理海量數(shù)據(jù)時效率很高,適合運用在海量數(shù)據(jù)的關聯(lián)規(guī)則挖掘中,因此本文采用它挖掘歷史日志數(shù)據(jù)并生成故障事件關聯(lián)規(guī)則。

    2.2 FP-Growth算法概述

    FP-Growth算法基于Apriori原理,通過將事務集存儲到FP-tree(Frequent Pattern tree,頻繁項樹),進而挖掘頻繁項和關聯(lián)規(guī)則。FP-Growth算法挖掘關聯(lián)規(guī)則流程如圖2所示。

    具體過程描述如下:

    (1)掃描事務集N,找出所有頻繁模式下的頻繁項F1,將F1按支持度降序排序,生成頻繁項頭表。

    (2)再次掃描事務集N,建立頻繁模式樹FP-tree并填寫頭表指針。FP-tree是一棵前綴樹,根節(jié)點是標記為“NULL”的root,不表示任何項,其余節(jié)點包含頻繁項和該項在本條路徑上的支持度。一條路徑上的節(jié)點集合都是事務集中滿足最小支持度的頻繁項集合,其中節(jié)點按照項的支持度排列,支持度越高的項離根節(jié)點越近,從而使更多的項可共享前綴。建立樹之后,填寫頻繁項頭表的指針,指向樹中該項的節(jié)點。同時相同的頻繁項之間使用指針相連。

    (3)從底部遍歷頻繁項頭表。當遍歷未結束時,挖掘該項的頻繁項集和關聯(lián)規(guī)則。當遍歷完整個表之后,結束FP-Growth算法。

    (4)提取頻繁項條件模式基。設此時遍歷的頻繁項為a,存在從root節(jié)點到節(jié)點a的路徑L,L上不包含a的部分所組成的路徑稱為a的前綴路徑Lp,a為Lp的后綴項。樹中可能存在多個a節(jié)點,則會得到多個前綴路徑,所有前綴路徑組成頻繁項a的條件模式基。

    (5)判斷頻繁項a是否存在條件模式基,若其存在則繼續(xù)算法,否則返回到遍歷頻繁項頭表。

    (6)得到頻繁項a的條件模式基后,將其作為新事務集建立一棵新的FP-tree,稱為a的條件模式樹。

    (7)挖掘頻繁項集,生成關聯(lián)規(guī)則。首先在a的條件模式樹上挖掘頻繁項集,可得到與a相關的頻繁項集。若該頻繁項集中的任一項仍存在條件模式基,即遞歸重復地提取頻繁項集,直至所有頻繁項都沒有條件模式基,此時得到所有的頻繁項集。使用頻繁項集生成關聯(lián)規(guī)則,滿足最小置信度的規(guī)則即為有效規(guī)則。

    3 故障預測

    3.1 故障預測規(guī)則提取

    電力系統(tǒng)日志數(shù)據(jù)經(jīng)過預處理后,對于每一類故障事件f,通過截取發(fā)生在f之前相同時間內(nèi)的日志序列,生成故障事件相關的日志序列,所有f的相關日志序列組成日志序列集合N。

    對f的日志序列集N進行分析,統(tǒng)計不同日志數(shù)據(jù)項生成總項集[I={a1,a2,...,an,f}],a表示與事件f相關的日志數(shù)據(jù)。從總項集I中截取若干連續(xù)子序列[{am+1,am+2,...,] [am+j}],生成故障預測規(guī)則[r={am+1,am+2,...,am+j}→f]。此時的項集[{am+1,am+2,...,am+j,f}]即為頻繁項集,預測規(guī)則即為滿足置信度要求的關聯(lián)規(guī)則,故可使用FP-Growth算法提取預測規(guī)則。

    經(jīng)過詢問電力系統(tǒng)運維專家和實驗驗證,本文使用的最小支持度min_support為0.6,最小置信度min_confident為0.8,提取的所有故障預測規(guī)則r組成預測規(guī)則集R。

    3.2 預測步驟

    得到預測規(guī)則集R后,可根據(jù)實時的最新日志數(shù)據(jù)對系統(tǒng)故障進行預測。故障預測與時間緊密相關,假設T1表示預測模型預測故障f的時間,T2表示故障f實際發(fā)生時間,T3表示本次預測失效時間。若[T1

    (1)生成待定規(guī)則集。對于故障預測規(guī)則[r={am+1,am+2,...,am+j}→f],用[am+j]匹配當前產(chǎn)生的日志數(shù)據(jù),當日志[am+j]產(chǎn)生時,選取以[am+j]結束的規(guī)則作為待定規(guī)則,所有待定規(guī)則組成待定規(guī)則集。

    (2)生成驗證規(guī)則集。截取日志[am+j]之前n行(這里n為參數(shù))的日志數(shù)據(jù)序列段S,判斷S是否包含[{am+1,am+2,...,am+j-1}]規(guī)則集,若包含則匹配成功,將該待定規(guī)則加入驗證規(guī)則集,并記錄預測時間T1。

    (3)故障預測。對于驗證規(guī)則集中的規(guī)則[r→f],預測故障事件f應在T3時間點之前發(fā)生。若f在時間點T3之前發(fā)生,則此次預測成功,否則預測失敗。

    4 實驗評估

    本文獲取甘肅省電力投資集團有限責任公司某電力系統(tǒng)中的50萬余條日志,日志時間范圍從2018年1月—2018年6月。在該日志數(shù)據(jù)集中,日志數(shù)據(jù)包含ERROR、FAIL、WRONG和FATAL等關鍵字,表示系統(tǒng)出現(xiàn)故障。本文將包含這4種關鍵詞的日志記錄標識為故障事件,其它日志則標識為正常事件。

    本文使用了準確率accuracy、召回率recall對模型的預測效果進行評估。其中,準確率的計算方法如式(3)所示,召回率如式(4)所示。

    [accuracy=正確預測的次數(shù)總預測次數(shù)] (3)

    [recall=正確預測的故障事件數(shù)量總故障事件數(shù)量] (4)

    在評估預測效果時,本文限制預測的有效時間為T1后的30min內(nèi),若被預測事件發(fā)生的時間T2滿足[T1

    本文以2018年1-2月的日志作為訓練集,利用FP-Growth算法挖掘這兩個月的日志,并產(chǎn)生故障事件預測規(guī)則集R。以3-6月的日志數(shù)據(jù)作為測試集進行效果評估。算法評估結果如圖3所示,測試集中4個月的故障預測平均準確率為89.5%,平均召回率為79.8%。在這4個月日志數(shù)據(jù)上進行的預測結果相差不大,預測準確率和召回率都較高,但是召回率低于準確率。召回率較低的原因可能是,基于關聯(lián)規(guī)則挖掘提取的故障預測規(guī)則,只能預測與其它日志密切關聯(lián)的故障,同時該故障在訓練集中出現(xiàn)過,不能預測與其它日志關聯(lián)性很低或者訓練集中未出現(xiàn)的故障。3-6月的日志中可能出現(xiàn)關聯(lián)性很低的故障,或者電力系統(tǒng)在這段時間進行升級或改進,產(chǎn)生了訓練集中沒有的故障,故而預測結果的召回率略低。

    如圖4所示,算法整體運行復雜度較低,與傳統(tǒng)的正則表達式匹配故障模式相比較,執(zhí)行效率較高。綜上,該算法在電力系統(tǒng)的故障預測中取得了一定效果。

    5 結語

    本文在不需要電力系統(tǒng)領域先驗知識的前提下,提出一種基于FP-Growth算法的電力系統(tǒng)故障預測模型,挖掘系統(tǒng)歷史日志中的關聯(lián)規(guī)則并進行故障預測。首先,分析電力系統(tǒng)日志特征,根據(jù)故障預測需要,對原始日志進行替換和冗余過濾預處理;然后,介紹關聯(lián)規(guī)則挖掘和FP-Growth算法;再使用FP-Growth算法挖掘故障事件的預測規(guī)則,并生成待定規(guī)則集和驗證規(guī)則集,實現(xiàn)故障預測;最后,在電力系統(tǒng)日志數(shù)據(jù)集上進行實驗評估,由預測模型的平均正確率及平均召回率可以看出該方法有效。

    雖然該方法取得了一定效果,但目前仍存在一定缺陷,如預測的平均召回率較低、不能預測日志中未曾發(fā)生過的故障等。故障預測規(guī)則自學習可能是解決該問題的一種方法,也是未來基于歷史日志挖掘故障預測規(guī)則的研究方向。

    參考文獻:

    [1] 賈統(tǒng),李影,吳中海. 基于日志數(shù)據(jù)的分布式軟件系統(tǒng)故障診斷綜述. 軟件學報,2020,31(7):1997-2018.

    [2] 李剛,陳怡瀟,黃沛爍.? 基于日志分析的信息通信網(wǎng)絡安全預警研究[J]. 電力信息與通信技術,2018,16(12):1-8.

    [3] 廖湘科,李姍姍,董威,等. 大規(guī)模軟件系統(tǒng)日志研究綜述[J]. 軟件學報,2016,27(8):1934-1947.

    [4] SALFNER F, LENK M, MALEK M. A survey of online failure prediction methods[J].? ACM Computing Surveys, 2010, 42(3): 1-42.

    [5] 馮士龍,臺憲青,馬治杰. 改進的基于日志聚類的異常檢測方法[J]. 計算機工程與設計,2020,41(4):1087-1092.

    [6] 王振華. 基于日志分析的網(wǎng)絡設備故障預測研究[D]. 重慶:重慶大學,2015.

    [7] 崔元. 面向大規(guī)模網(wǎng)絡日志的主動故障檢測方法的研究[D]. 長春:東北師范大學,2017.

    [8] 王衛(wèi)華,應時,賈向陽,等. 一種基于日志聚類的多類型故障預測方法[J]. 計算機工程, 2018,44(7):67-73.

    [9] 年夫順. 關于故障預測與健康管理技術的幾點認識[J]. 儀器儀表學報,2018,39(8):1-14.

    [10] 樊建昌,余粟. 基于決策樹的日志分析方法[J]. 軟件導刊,2020,19(1):99-102.

    [11] DU M, LI F,ZHENG G,et al. DeepLog: anomaly detection and diagnosis from system logs through deep learning[C]. ACM Sigsac Conference on Computer & Communications Security, 2017.

    [12] LIN Q,ZHANG H,LOU JG,et al. Log clustering based problem identification for online service systems[C]. IEEE/ACM International Conference on Software Engineering Companion. IEEE,2016:102-111.

    [13] TYAGI K, THAKUR S. Predictive classification of ECG parameters using association rule mining[J]. Advances in Computer and Computational Sciences ,2017:619-627.

    [14] MENG W B, LIU Y, et al. LogAnomaly: unsupervised detection of sequential and quantitative anomalies in unstructured logs[C]. The Internationl Joint Conference on Artificial Intelligence,2019.

    [15] 晏杰,亓文娟. 基于Aprior&FP-growth算法的研究[J]. 計算機系統(tǒng)應用,2013,22(5):122-125.

    (責任編輯:孫 娟)

    猜你喜歡
    故障預測關聯(lián)規(guī)則
    變電一次設備故障預測及檢修方法
    基于大數(shù)據(jù)分析的油氣生產(chǎn)設備故障多維分析與預測
    中國市場(2017年11期)2017-05-05 12:15:09
    基于Apriori算法的高校學生成績數(shù)據(jù)關聯(lián)規(guī)則挖掘分析
    論提高裝備故障預測準確度的方法途徑
    價值工程(2016年32期)2016-12-20 20:36:43
    基于關聯(lián)規(guī)則和時間閾值算法的5G基站部署研究
    移動通信(2016年20期)2016-12-10 09:09:04
    關聯(lián)規(guī)則,數(shù)據(jù)分析的一把利器
    數(shù)據(jù)挖掘在高校課堂教學質(zhì)量評價體系中的應用
    關聯(lián)規(guī)則挖掘Apriori算法的一種改進
    中國市場(2016年36期)2016-10-19 04:10:44
    基于關聯(lián)規(guī)則的計算機入侵檢測方法
    山區(qū)輸電線路在線監(jiān)測研究
    婷婷精品国产亚洲av| 亚洲va日本ⅴa欧美va伊人久久| 嫩草影院入口| 国产一区二区激情短视频| 3wmmmm亚洲av在线观看| 精华霜和精华液先用哪个| 午夜福利18| 亚洲 国产 在线| 国产av在哪里看| 亚洲真实伦在线观看| 1000部很黄的大片| av在线蜜桃| 22中文网久久字幕| 欧美三级亚洲精品| 欧美日韩国产亚洲二区| 又爽又黄a免费视频| 91精品国产九色| 国产精品美女特级片免费视频播放器| 国产成人aa在线观看| 午夜爱爱视频在线播放| 午夜精品在线福利| 色播亚洲综合网| 亚洲精品影视一区二区三区av| 欧美成人一区二区免费高清观看| 日日干狠狠操夜夜爽| 天美传媒精品一区二区| 成人午夜高清在线视频| а√天堂www在线а√下载| 91久久精品国产一区二区三区| a级毛片a级免费在线| 女生性感内裤真人,穿戴方法视频| 床上黄色一级片| 国产精品日韩av在线免费观看| 久久精品综合一区二区三区| 制服丝袜大香蕉在线| 日韩av在线大香蕉| 免费人成视频x8x8入口观看| 桃红色精品国产亚洲av| 精品人妻熟女av久视频| 成人av在线播放网站| 欧美xxxx性猛交bbbb| 国产日本99.免费观看| 男人狂女人下面高潮的视频| 黄色丝袜av网址大全| 国产精品一区二区免费欧美| 亚洲人成网站在线播| 别揉我奶头 嗯啊视频| 在线播放国产精品三级| 国产大屁股一区二区在线视频| 亚洲天堂国产精品一区在线| 久久久久久久亚洲中文字幕| 国产欧美日韩精品一区二区| 中文资源天堂在线| 不卡视频在线观看欧美| 午夜福利高清视频| 成人国产一区最新在线观看| 神马国产精品三级电影在线观看| 人人妻,人人澡人人爽秒播| 嫩草影视91久久| 亚洲精品一区av在线观看| av天堂在线播放| 日本 av在线| 国产蜜桃级精品一区二区三区| 香蕉av资源在线| 国产蜜桃级精品一区二区三区| 国产精品久久久久久精品电影| 天堂动漫精品| 有码 亚洲区| 成年女人永久免费观看视频| 校园人妻丝袜中文字幕| 嫩草影院入口| 国产人妻一区二区三区在| 欧美3d第一页| 精品久久久久久成人av| 亚洲国产精品久久男人天堂| 日韩大尺度精品在线看网址| 亚洲午夜理论影院| 亚洲最大成人中文| 亚洲专区国产一区二区| 久久精品人妻少妇| 亚洲真实伦在线观看| 日韩欧美精品v在线| 成人国产一区最新在线观看| 搡女人真爽免费视频火全软件 | 久久国内精品自在自线图片| 久久久久国内视频| 在线免费观看不下载黄p国产 | 亚洲成人精品中文字幕电影| 日韩中字成人| 亚洲一级一片aⅴ在线观看| 国产成年人精品一区二区| 老司机午夜福利在线观看视频| 欧美日韩乱码在线| 性插视频无遮挡在线免费观看| 午夜福利在线观看吧| 熟女人妻精品中文字幕| 久久草成人影院| 老女人水多毛片| 日韩一区二区视频免费看| 欧美激情久久久久久爽电影| 1000部很黄的大片| 日韩中字成人| 国产精品一区二区三区四区久久| 一级毛片久久久久久久久女| 嫩草影院入口| 简卡轻食公司| 麻豆av噜噜一区二区三区| 日韩欧美在线二视频| 国产高清三级在线| 成人精品一区二区免费| 一个人看视频在线观看www免费| 女同久久另类99精品国产91| 亚洲专区中文字幕在线| 日本色播在线视频| 精品乱码久久久久久99久播| 欧美精品国产亚洲| 欧美一区二区国产精品久久精品| 中文字幕熟女人妻在线| 美女xxoo啪啪120秒动态图| 最后的刺客免费高清国语| 国产精品久久久久久久久免| 国产高清三级在线| 久久精品国产亚洲av涩爱 | 他把我摸到了高潮在线观看| 国产真实伦视频高清在线观看 | 午夜福利成人在线免费观看| 精品久久久噜噜| 成人精品一区二区免费| 黄色日韩在线| 大型黄色视频在线免费观看| 九九久久精品国产亚洲av麻豆| 国产精品爽爽va在线观看网站| 免费人成视频x8x8入口观看| 美女 人体艺术 gogo| 又爽又黄a免费视频| 日日摸夜夜添夜夜添小说| 黄色配什么色好看| 三级国产精品欧美在线观看| 欧美bdsm另类| 黄色女人牲交| 欧美一区二区国产精品久久精品| 中国美女看黄片| 麻豆成人午夜福利视频| 人妻久久中文字幕网| 国产高清三级在线| 两性午夜刺激爽爽歪歪视频在线观看| 熟女电影av网| 少妇被粗大猛烈的视频| 有码 亚洲区| 少妇猛男粗大的猛烈进出视频 | 亚洲成a人片在线一区二区| 精品99又大又爽又粗少妇毛片 | 久久精品久久久久久噜噜老黄 | 欧美成人a在线观看| 国产精品美女特级片免费视频播放器| 特大巨黑吊av在线直播| 精品久久久噜噜| 国产精品99久久久久久久久| 欧美区成人在线视频| 国产乱人视频| 日韩欧美一区二区三区在线观看| 精品久久久久久久久av| 女人十人毛片免费观看3o分钟| 热99re8久久精品国产| 精品久久久久久久久久久久久| 在线播放无遮挡| h日本视频在线播放| 久久欧美精品欧美久久欧美| 久久亚洲精品不卡| 亚洲精品粉嫩美女一区| 中国美女看黄片| 成年免费大片在线观看| a级一级毛片免费在线观看| 日韩中文字幕欧美一区二区| 国产乱人视频| 亚洲av美国av| 成人午夜高清在线视频| 在线免费观看不下载黄p国产 | avwww免费| 久久久精品欧美日韩精品| 日韩欧美精品免费久久| 夜夜爽天天搞| 高清毛片免费观看视频网站| 可以在线观看的亚洲视频| 老司机福利观看| 97超级碰碰碰精品色视频在线观看| 蜜桃久久精品国产亚洲av| 极品教师在线视频| 天堂网av新在线| 国产白丝娇喘喷水9色精品| 日本五十路高清| 国产高清视频在线观看网站| 91久久精品国产一区二区成人| 麻豆精品久久久久久蜜桃| 国产高清不卡午夜福利| 久久久久免费精品人妻一区二区| 国产午夜福利久久久久久| 日本 av在线| 日本爱情动作片www.在线观看 | 日本欧美国产在线视频| 一本精品99久久精品77| 人妻制服诱惑在线中文字幕| 在线观看av片永久免费下载| 香蕉av资源在线| 极品教师在线免费播放| 一本一本综合久久| 日本三级黄在线观看| 成人永久免费在线观看视频| 91久久精品电影网| 久久婷婷人人爽人人干人人爱| 亚洲aⅴ乱码一区二区在线播放| 国产日本99.免费观看| 黄色欧美视频在线观看| 久久久久国产精品人妻aⅴ院| 日韩欧美精品v在线| 我要看日韩黄色一级片| 能在线免费观看的黄片| av在线老鸭窝| 国产黄片美女视频| 人人妻,人人澡人人爽秒播| 亚洲av美国av| 深爱激情五月婷婷| 别揉我奶头~嗯~啊~动态视频| 亚洲美女搞黄在线观看 | 国产av麻豆久久久久久久| 国产一级毛片七仙女欲春2| 精品久久久久久,| 最近中文字幕高清免费大全6 | 日日夜夜操网爽| h日本视频在线播放| 五月伊人婷婷丁香| 日本熟妇午夜| 亚洲精品久久国产高清桃花| 蜜桃亚洲精品一区二区三区| 欧美极品一区二区三区四区| 中文字幕久久专区| 免费看av在线观看网站| 日韩欧美三级三区| 小蜜桃在线观看免费完整版高清| 久久久久久久亚洲中文字幕| 日本-黄色视频高清免费观看| 精品一区二区免费观看| 可以在线观看的亚洲视频| 在线a可以看的网站| 成年人黄色毛片网站| 少妇熟女aⅴ在线视频| 窝窝影院91人妻| 一边摸一边抽搐一进一小说| 一区二区三区四区激情视频 | 校园人妻丝袜中文字幕| avwww免费| 小说图片视频综合网站| 亚洲第一区二区三区不卡| 自拍偷自拍亚洲精品老妇| 美女大奶头视频| 婷婷六月久久综合丁香| 一区福利在线观看| 淫秽高清视频在线观看| 久久6这里有精品| 亚洲av免费在线观看| 午夜影院日韩av| 黄片wwwwww| 国产精品日韩av在线免费观看| 久久久久久久久大av| 伊人久久精品亚洲午夜| 国产精品一及| 一a级毛片在线观看| 日韩欧美 国产精品| 国产精品一区二区性色av| 欧美最黄视频在线播放免费| 97热精品久久久久久| 欧美不卡视频在线免费观看| 变态另类成人亚洲欧美熟女| 国产探花在线观看一区二区| 国产v大片淫在线免费观看| 久9热在线精品视频| 夜夜夜夜夜久久久久| 日韩大尺度精品在线看网址| 亚洲欧美日韩高清专用| 一进一出抽搐动态| 久久精品国产亚洲网站| 中文字幕精品亚洲无线码一区| 美女 人体艺术 gogo| 久久人妻av系列| 成人亚洲精品av一区二区| 精品午夜福利视频在线观看一区| 国产精品久久久久久久久免| 亚洲熟妇熟女久久| 成人毛片a级毛片在线播放| 成人特级黄色片久久久久久久| 成人一区二区视频在线观看| 最近在线观看免费完整版| 中亚洲国语对白在线视频| 亚洲av一区综合| 高清毛片免费观看视频网站| 高清在线国产一区| 国产乱人伦免费视频| 久久精品久久久久久噜噜老黄 | 日本免费a在线| 在线免费观看不下载黄p国产 | 亚洲av成人av| 99在线视频只有这里精品首页| 观看免费一级毛片| 一个人看的www免费观看视频| 哪里可以看免费的av片| 精品久久久久久久久久久久久| 99国产极品粉嫩在线观看| 真人一进一出gif抽搐免费| 亚洲色图av天堂| 国产精品自产拍在线观看55亚洲| 国产激情偷乱视频一区二区| 国产男人的电影天堂91| 久久精品国产鲁丝片午夜精品 | 亚洲美女搞黄在线观看 | 欧美性猛交╳xxx乱大交人| 乱码一卡2卡4卡精品| 成人三级黄色视频| 国产日本99.免费观看| 亚洲中文字幕日韩| 成人无遮挡网站| 熟妇人妻久久中文字幕3abv| 淫秽高清视频在线观看| 国产精品野战在线观看| 五月玫瑰六月丁香| 亚洲在线自拍视频| 97超视频在线观看视频| 成人亚洲精品av一区二区| av天堂在线播放| 男人和女人高潮做爰伦理| 亚洲国产精品合色在线| 搡老妇女老女人老熟妇| 亚洲性久久影院| 国产av不卡久久| 高清在线国产一区| 国产精品av视频在线免费观看| 久久草成人影院| 又粗又爽又猛毛片免费看| 最近最新免费中文字幕在线| 欧美激情久久久久久爽电影| 免费观看人在逋| 国产在线男女| 九色成人免费人妻av| 老女人水多毛片| 国内揄拍国产精品人妻在线| 免费看日本二区| 欧美又色又爽又黄视频| 精品无人区乱码1区二区| 1000部很黄的大片| 亚洲最大成人手机在线| 在线观看免费视频日本深夜| 嫩草影院入口| .国产精品久久| 亚洲国产精品成人综合色| netflix在线观看网站| 波多野结衣高清作品| 成人亚洲精品av一区二区| av天堂在线播放| 日韩 亚洲 欧美在线| 久久精品91蜜桃| 99久久无色码亚洲精品果冻| 欧美日韩瑟瑟在线播放| 亚洲aⅴ乱码一区二区在线播放| 久久久久久久久久成人| 男女之事视频高清在线观看| 内射极品少妇av片p| 我要看日韩黄色一级片| 联通29元200g的流量卡| 日韩欧美三级三区| 国产色爽女视频免费观看| 久久精品夜夜夜夜夜久久蜜豆| 蜜桃亚洲精品一区二区三区| 91av网一区二区| 干丝袜人妻中文字幕| 男人舔奶头视频| 最近在线观看免费完整版| 久久精品91蜜桃| 亚洲最大成人手机在线| 精品一区二区三区人妻视频| 日本欧美国产在线视频| 国产极品精品免费视频能看的| 男人的好看免费观看在线视频| 欧美日韩综合久久久久久 | 少妇的逼水好多| 欧美日韩中文字幕国产精品一区二区三区| 18+在线观看网站| 日韩强制内射视频| 中文字幕av在线有码专区| 国产一区二区激情短视频| 欧美最黄视频在线播放免费| 亚洲av日韩精品久久久久久密| 免费在线观看日本一区| 亚洲熟妇熟女久久| 91在线观看av| 免费观看人在逋| 国产精品亚洲美女久久久| 一级毛片久久久久久久久女| 婷婷亚洲欧美| 国产精品久久视频播放| 亚洲成人免费电影在线观看| 久久久国产成人免费| 成人毛片a级毛片在线播放| 色噜噜av男人的天堂激情| 成人亚洲精品av一区二区| 男女做爰动态图高潮gif福利片| 中文字幕免费在线视频6| 在线观看一区二区三区| 欧美国产日韩亚洲一区| 88av欧美| 国产在线男女| 淫秽高清视频在线观看| 欧美绝顶高潮抽搐喷水| 中亚洲国语对白在线视频| 成年版毛片免费区| 桃红色精品国产亚洲av| av在线蜜桃| 熟女人妻精品中文字幕| 国产av在哪里看| 午夜精品久久久久久毛片777| 日韩一区二区视频免费看| 成人精品一区二区免费| 久久精品国产自在天天线| 国产淫片久久久久久久久| 亚洲专区国产一区二区| 国产一区二区三区在线臀色熟女| 真实男女啪啪啪动态图| 久久精品国产亚洲av香蕉五月| 国产成人aa在线观看| 波多野结衣巨乳人妻| 午夜福利欧美成人| 中文字幕精品亚洲无线码一区| 永久网站在线| 校园人妻丝袜中文字幕| 亚洲中文日韩欧美视频| 99热网站在线观看| bbb黄色大片| 小说图片视频综合网站| 极品教师在线免费播放| 亚洲欧美精品综合久久99| 老熟妇仑乱视频hdxx| 少妇猛男粗大的猛烈进出视频 | 亚洲精品亚洲一区二区| 最后的刺客免费高清国语| 国产午夜精品论理片| 少妇的逼好多水| 国产精品永久免费网站| 日本与韩国留学比较| 午夜精品久久久久久毛片777| 国产精品亚洲一级av第二区| 国产高清有码在线观看视频| 中国美白少妇内射xxxbb| 欧美精品国产亚洲| 亚洲精品乱码久久久v下载方式| 国产男靠女视频免费网站| 热99re8久久精品国产| 亚洲自拍偷在线| 国产av麻豆久久久久久久| 91久久精品电影网| 一区二区三区免费毛片| 午夜福利在线观看免费完整高清在 | 亚洲av五月六月丁香网| 天天躁日日操中文字幕| 亚洲人成网站在线播放欧美日韩| 国产亚洲精品久久久com| 日本黄大片高清| 国产成人av教育| 最好的美女福利视频网| 精品久久久久久成人av| 精品乱码久久久久久99久播| 免费人成在线观看视频色| 舔av片在线| 两性午夜刺激爽爽歪歪视频在线观看| 成人午夜高清在线视频| 小说图片视频综合网站| 国产成人aa在线观看| 亚洲精品日韩av片在线观看| 亚洲国产精品久久男人天堂| 国产精品免费一区二区三区在线| 窝窝影院91人妻| 一个人免费在线观看电影| 免费无遮挡裸体视频| 性色avwww在线观看| 99久久久亚洲精品蜜臀av| 麻豆精品久久久久久蜜桃| av国产免费在线观看| 精品99又大又爽又粗少妇毛片 | 亚洲国产日韩欧美精品在线观看| 最近中文字幕高清免费大全6 | 一个人免费在线观看电影| av天堂中文字幕网| 日韩亚洲欧美综合| 日韩欧美国产一区二区入口| 老司机福利观看| 日韩欧美三级三区| 欧美高清成人免费视频www| 日本免费a在线| 国产老妇女一区| 热99re8久久精品国产| 国产 一区精品| 免费黄网站久久成人精品| 亚洲18禁久久av| 中文字幕av在线有码专区| 日本免费a在线| .国产精品久久| 一进一出抽搐动态| 最新中文字幕久久久久| 国产在线精品亚洲第一网站| 欧美性感艳星| av天堂中文字幕网| 熟女人妻精品中文字幕| 欧美bdsm另类| 美女被艹到高潮喷水动态| 亚洲av一区综合| 欧美最新免费一区二区三区| 精品一区二区三区视频在线| 亚洲精品日韩av片在线观看| 国产高清三级在线| 国产精品自产拍在线观看55亚洲| 欧美最新免费一区二区三区| 国产麻豆成人av免费视频| 国产不卡一卡二| 国产精品一区二区免费欧美| 日韩强制内射视频| 国产乱人伦免费视频| 国产人妻一区二区三区在| 日本与韩国留学比较| 色尼玛亚洲综合影院| 免费高清视频大片| 又黄又爽又免费观看的视频| av女优亚洲男人天堂| 国产午夜精品久久久久久一区二区三区 | 无人区码免费观看不卡| 搡女人真爽免费视频火全软件 | 色5月婷婷丁香| 中国美女看黄片| 免费在线观看影片大全网站| 老司机午夜福利在线观看视频| 日韩欧美三级三区| 欧美激情国产日韩精品一区| 18禁裸乳无遮挡免费网站照片| 日日啪夜夜撸| 亚洲久久久久久中文字幕| 变态另类丝袜制服| 欧美激情国产日韩精品一区| 久久国内精品自在自线图片| 日本色播在线视频| 亚洲在线观看片| 男女之事视频高清在线观看| 精品一区二区三区人妻视频| 欧美成人免费av一区二区三区| 国产高清视频在线观看网站| 久久精品国产亚洲av涩爱 | 日韩av在线大香蕉| 日本免费一区二区三区高清不卡| 亚洲男人的天堂狠狠| 国产成人福利小说| 国产精品98久久久久久宅男小说| 中文字幕精品亚洲无线码一区| 一进一出好大好爽视频| 免费av观看视频| www.www免费av| av中文乱码字幕在线| 久久人妻av系列| 欧美日韩乱码在线| 亚洲成人久久性| 欧美日韩亚洲国产一区二区在线观看| 国产精品三级大全| .国产精品久久| 99热这里只有是精品在线观看| 国产精品免费一区二区三区在线| 一个人看视频在线观看www免费| 国产精品嫩草影院av在线观看 | 欧美丝袜亚洲另类 | 国产欧美日韩精品一区二区| 欧美zozozo另类| 精品人妻偷拍中文字幕| 欧美成人免费av一区二区三区| 99在线人妻在线中文字幕| 欧美日韩瑟瑟在线播放| 亚洲成人久久爱视频| 久久久久久伊人网av| 中文资源天堂在线| 国产亚洲精品久久久com| 18禁黄网站禁片免费观看直播| 国产欧美日韩精品一区二区| 日本 欧美在线| av中文乱码字幕在线| 亚洲在线自拍视频| 免费搜索国产男女视频| 日韩精品青青久久久久久| 天堂影院成人在线观看| 一级毛片久久久久久久久女| 国产女主播在线喷水免费视频网站 | 乱码一卡2卡4卡精品| 制服丝袜大香蕉在线| 三级国产精品欧美在线观看| 一卡2卡三卡四卡精品乱码亚洲| 有码 亚洲区| 在线观看免费视频日本深夜| 国产单亲对白刺激| 亚洲精品粉嫩美女一区| 免费av不卡在线播放| 啦啦啦啦在线视频资源| 久久人人爽人人爽人人片va| 免费无遮挡裸体视频| 成年免费大片在线观看| 国产亚洲91精品色在线| 亚洲av五月六月丁香网| 麻豆精品久久久久久蜜桃| 久久久久久伊人网av| 91狼人影院| 中亚洲国语对白在线视频| 我的老师免费观看完整版| 久久精品国产亚洲网站| 亚洲乱码一区二区免费版| 蜜桃久久精品国产亚洲av|