• <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
    亚洲人成电影免费在线| 久久热在线av| 成年版毛片免费区| 无遮挡黄片免费观看| 女性生殖器流出的白浆| 欧美人与性动交α欧美精品济南到| 夫妻午夜视频| 老熟妇乱子伦视频在线观看| 在线观看免费视频网站a站| 黄色视频,在线免费观看| 久久午夜亚洲精品久久| 看免费av毛片| 一进一出抽搐gif免费好疼 | 女人精品久久久久毛片| 咕卡用的链子| 久久久国产欧美日韩av| 精品国产乱码久久久久久男人| 国产熟女午夜一区二区三区| 精品国产乱子伦一区二区三区| 久久香蕉精品热| 一级a爱片免费观看的视频| 亚洲狠狠婷婷综合久久图片| 黄色片一级片一级黄色片| 精品国内亚洲2022精品成人| 老司机靠b影院| 亚洲,欧美精品.| 1024视频免费在线观看| 久久午夜综合久久蜜桃| 一区二区三区激情视频| 亚洲av美国av| 大香蕉久久成人网| 黄色怎么调成土黄色| 国产亚洲精品久久久久久毛片| 午夜福利欧美成人| 69av精品久久久久久| 中出人妻视频一区二区| 又黄又爽又免费观看的视频| 在线观看一区二区三区| av超薄肉色丝袜交足视频| 自拍欧美九色日韩亚洲蝌蚪91| 在线观看舔阴道视频| 亚洲av成人不卡在线观看播放网| 五月开心婷婷网| 一级作爱视频免费观看| 亚洲av成人一区二区三| 午夜影院日韩av| 亚洲九九香蕉| 亚洲欧美激情综合另类| 搡老熟女国产l中国老女人| 99国产极品粉嫩在线观看| 五月开心婷婷网| 国产极品粉嫩免费观看在线| 男男h啪啪无遮挡| 午夜视频精品福利| 久久香蕉国产精品| 热99re8久久精品国产| 中文字幕av电影在线播放| 99久久久亚洲精品蜜臀av| 亚洲欧美日韩无卡精品| 亚洲国产精品一区二区三区在线| 午夜久久久在线观看| 又黄又爽又免费观看的视频| 久久精品国产清高在天天线| 男人操女人黄网站| 亚洲精品久久午夜乱码| 婷婷精品国产亚洲av在线| 国产精品爽爽va在线观看网站 | 黄色视频不卡| 久久这里只有精品19| 麻豆一二三区av精品| 国产精品综合久久久久久久免费 | 黑丝袜美女国产一区| 精品久久久久久电影网| 在线观看舔阴道视频| 涩涩av久久男人的天堂| 精品国产乱码久久久久久男人| 首页视频小说图片口味搜索| 一边摸一边抽搐一进一出视频| 国产又色又爽无遮挡免费看| 日韩高清综合在线| 窝窝影院91人妻| 精品电影一区二区在线| 亚洲性夜色夜夜综合| 桃色一区二区三区在线观看| 97人妻天天添夜夜摸| 婷婷六月久久综合丁香| 国产色视频综合| 午夜免费鲁丝| 国产男靠女视频免费网站| 叶爱在线成人免费视频播放| 色综合欧美亚洲国产小说| 女性被躁到高潮视频| 国产精品香港三级国产av潘金莲| 99riav亚洲国产免费| 久久热在线av| 人人妻,人人澡人人爽秒播| 黄色视频,在线免费观看| 欧美丝袜亚洲另类 | 天天躁夜夜躁狠狠躁躁| 视频区欧美日本亚洲| 免费在线观看亚洲国产| 99国产精品一区二区三区| 欧美在线黄色| 久久精品亚洲av国产电影网| 一级毛片高清免费大全| 欧美av亚洲av综合av国产av| 久久精品91无色码中文字幕| 精品国产乱子伦一区二区三区| 久久久久久人人人人人| 中文字幕另类日韩欧美亚洲嫩草| 高清在线国产一区| 热re99久久精品国产66热6| 久久精品影院6| 免费在线观看黄色视频的| 在线国产一区二区在线| 男女下面进入的视频免费午夜 | 欧美黑人精品巨大| 超色免费av| 夜夜躁狠狠躁天天躁| 午夜精品国产一区二区电影| 叶爱在线成人免费视频播放| 午夜成年电影在线免费观看| 老司机靠b影院| 午夜福利免费观看在线| 欧美一级毛片孕妇| 一边摸一边做爽爽视频免费| 老汉色av国产亚洲站长工具| 99久久精品国产亚洲精品| 免费在线观看视频国产中文字幕亚洲| 久久精品国产清高在天天线| 午夜精品久久久久久毛片777| 成人精品一区二区免费| 日韩精品免费视频一区二区三区| tocl精华| 亚洲专区字幕在线| 亚洲第一青青草原| e午夜精品久久久久久久| 国产精品国产高清国产av| 国产精品久久久人人做人人爽| 又大又爽又粗| 国产熟女xx| av在线播放免费不卡| 在线观看免费日韩欧美大片| 国产伦一二天堂av在线观看| 免费av毛片视频| 在线观看免费日韩欧美大片| 99国产精品99久久久久| 丰满的人妻完整版| 欧美成狂野欧美在线观看| 国产激情欧美一区二区| 日韩成人在线观看一区二区三区| 午夜免费激情av| 中文字幕av电影在线播放| 亚洲美女黄片视频| 午夜免费激情av| 久久国产亚洲av麻豆专区| 欧美av亚洲av综合av国产av| 制服诱惑二区| 老司机深夜福利视频在线观看| 日本 av在线| 久久九九热精品免费| 真人做人爱边吃奶动态| 欧美黑人精品巨大| 精品国产一区二区久久| 一级a爱视频在线免费观看| 亚洲熟妇中文字幕五十中出 | 男人舔女人下体高潮全视频| 久99久视频精品免费| 免费在线观看视频国产中文字幕亚洲| 天堂动漫精品| 中文字幕色久视频| 久久香蕉精品热| 国产免费现黄频在线看| 国产av一区在线观看免费| 精品国产超薄肉色丝袜足j| 久久久久久久午夜电影 | 在线免费观看的www视频| 国产极品粉嫩免费观看在线| 变态另类成人亚洲欧美熟女 | 人人妻人人澡人人看| 亚洲va日本ⅴa欧美va伊人久久| 1024香蕉在线观看| av片东京热男人的天堂| 精品少妇一区二区三区视频日本电影| 精品久久久久久久毛片微露脸| 成人亚洲精品av一区二区 | 国产成人一区二区三区免费视频网站| 黄色成人免费大全| 90打野战视频偷拍视频| 91大片在线观看| 人人妻,人人澡人人爽秒播| 国产精品 国内视频| 亚洲在线自拍视频| 精品人妻1区二区| 电影成人av| 高潮久久久久久久久久久不卡| 免费看a级黄色片| 久久精品91无色码中文字幕| av电影中文网址| 丰满的人妻完整版| 成人国语在线视频| 黄色 视频免费看| 男女之事视频高清在线观看| 啦啦啦在线免费观看视频4| 亚洲第一av免费看| 黄色片一级片一级黄色片| 午夜激情av网站| 琪琪午夜伦伦电影理论片6080| 成人三级做爰电影| 999久久久国产精品视频| 日本免费a在线| 最新美女视频免费是黄的| 国产三级在线视频| 午夜精品久久久久久毛片777| 色婷婷久久久亚洲欧美| 美女高潮到喷水免费观看| 亚洲avbb在线观看| 午夜影院日韩av| 国产精华一区二区三区| 成人永久免费在线观看视频| 国产欧美日韩一区二区三| 精品一区二区三区四区五区乱码| 欧美成人午夜精品| 精品国产乱码久久久久久男人| 9色porny在线观看| 精品一区二区三卡| 两人在一起打扑克的视频| 国产视频一区二区在线看| 精品久久久久久久毛片微露脸| 成人影院久久| 国产xxxxx性猛交| 久99久视频精品免费| 国产精品99久久99久久久不卡| 90打野战视频偷拍视频| 淫妇啪啪啪对白视频| 亚洲自拍偷在线| 成人手机av| 欧美日韩瑟瑟在线播放| 国产免费现黄频在线看| 久久影院123| 新久久久久国产一级毛片| 黄片大片在线免费观看| 老熟妇乱子伦视频在线观看| 免费高清在线观看日韩| 一级毛片女人18水好多| 欧美老熟妇乱子伦牲交| 亚洲国产中文字幕在线视频| 日韩精品青青久久久久久| 一边摸一边抽搐一进一小说| 免费日韩欧美在线观看| 国产精品自产拍在线观看55亚洲| xxxhd国产人妻xxx| 在线永久观看黄色视频| 少妇的丰满在线观看| 国产高清视频在线播放一区| 黄片大片在线免费观看| 国产精品98久久久久久宅男小说| 日本免费a在线| 窝窝影院91人妻| 他把我摸到了高潮在线观看| 久久久久国产一级毛片高清牌| 国产欧美日韩一区二区三区在线| 青草久久国产| 侵犯人妻中文字幕一二三四区| 中文字幕另类日韩欧美亚洲嫩草| 国产亚洲精品综合一区在线观看 | 麻豆一二三区av精品| 国产一卡二卡三卡精品| www.精华液| 国产精品影院久久| 女警被强在线播放| 悠悠久久av| 亚洲五月天丁香| 搡老熟女国产l中国老女人| 天堂动漫精品| 亚洲精品国产色婷婷电影| 色在线成人网| 夜夜夜夜夜久久久久| 999久久久精品免费观看国产| 满18在线观看网站| 亚洲一区二区三区不卡视频| 琪琪午夜伦伦电影理论片6080| 丰满迷人的少妇在线观看| 国产不卡一卡二| 精品一区二区三区四区五区乱码| 国产欧美日韩一区二区三区在线| 国产熟女午夜一区二区三区| 欧美成人午夜精品| 久久精品成人免费网站| 9热在线视频观看99| 黄色视频,在线免费观看| 99精品在免费线老司机午夜| 国产精品免费一区二区三区在线| 在线播放国产精品三级| 久热这里只有精品99| 少妇的丰满在线观看| 国产深夜福利视频在线观看| 欧美日韩福利视频一区二区| 老司机靠b影院| www.www免费av| 欧美激情久久久久久爽电影 | 老司机午夜十八禁免费视频| 男人舔女人的私密视频| 一区二区三区精品91| 777久久人妻少妇嫩草av网站| 中文字幕另类日韩欧美亚洲嫩草| 91九色精品人成在线观看| 日韩三级视频一区二区三区| 人人妻人人添人人爽欧美一区卜| 美女高潮喷水抽搐中文字幕| 级片在线观看| 国产欧美日韩一区二区三| 国产亚洲欧美精品永久| 亚洲国产精品sss在线观看 | 女人被躁到高潮嗷嗷叫费观| 午夜精品在线福利| 天堂俺去俺来也www色官网| 人成视频在线观看免费观看| 高清欧美精品videossex| 精品久久久久久久毛片微露脸| 精品国内亚洲2022精品成人| 亚洲精品美女久久av网站| 最近最新中文字幕大全电影3 | 午夜激情av网站| 久久精品国产亚洲av高清一级| 韩国av一区二区三区四区| 琪琪午夜伦伦电影理论片6080| 人妻丰满熟妇av一区二区三区| 欧美激情 高清一区二区三区| 免费av中文字幕在线| 啦啦啦免费观看视频1| 十分钟在线观看高清视频www| 99在线人妻在线中文字幕| 成人18禁在线播放| 一进一出好大好爽视频| 国产精品一区二区在线不卡| 国产一卡二卡三卡精品| 久久热在线av| 91精品三级在线观看| 91大片在线观看| av视频免费观看在线观看| 99久久综合精品五月天人人| 久久国产精品男人的天堂亚洲| 性欧美人与动物交配| 99国产极品粉嫩在线观看| bbb黄色大片| 亚洲国产欧美日韩在线播放| 久久香蕉激情| 好男人电影高清在线观看| 精品熟女少妇八av免费久了| 每晚都被弄得嗷嗷叫到高潮| 国产极品粉嫩免费观看在线| 12—13女人毛片做爰片一| 欧美精品一区二区免费开放| 亚洲国产欧美日韩在线播放| 在线观看免费午夜福利视频| 欧美日韩亚洲高清精品| 麻豆国产av国片精品| 精品国产亚洲在线| 后天国语完整版免费观看| 国产亚洲av高清不卡| 老鸭窝网址在线观看| 久久久久国产精品人妻aⅴ院| 久久人妻熟女aⅴ| netflix在线观看网站| 在线天堂中文资源库| 怎么达到女性高潮| 亚洲精品国产精品久久久不卡| 人人妻人人添人人爽欧美一区卜| 日韩三级视频一区二区三区| 亚洲精品久久午夜乱码| 亚洲精品美女久久av网站| 看免费av毛片| 视频区欧美日本亚洲| 国产成人精品久久二区二区免费| 极品教师在线免费播放| 欧美 亚洲 国产 日韩一| 欧美日韩亚洲综合一区二区三区_| 99精品在免费线老司机午夜| 露出奶头的视频| 亚洲av片天天在线观看| 国产有黄有色有爽视频| 欧美精品啪啪一区二区三区| 久久久精品欧美日韩精品| 韩国av一区二区三区四区| 国产精品av久久久久免费| 一本综合久久免费| 亚洲欧美一区二区三区黑人| 两性午夜刺激爽爽歪歪视频在线观看 | 在线看a的网站| 欧美日韩瑟瑟在线播放| 色精品久久人妻99蜜桃| 丰满饥渴人妻一区二区三| 香蕉国产在线看| 精品一区二区三区视频在线观看免费 | 日韩欧美在线二视频| 日本 av在线| www.熟女人妻精品国产| 88av欧美| 麻豆一二三区av精品| 国产一区二区三区在线臀色熟女 | 一级片免费观看大全| 欧美国产精品va在线观看不卡| 国产成人精品无人区| 成年版毛片免费区| 黄片大片在线免费观看| 午夜视频精品福利| 色婷婷av一区二区三区视频| 免费少妇av软件| 老司机福利观看| 久久精品aⅴ一区二区三区四区| 国产精品 欧美亚洲| 国产欧美日韩一区二区三| 最近最新中文字幕大全电影3 | 一边摸一边做爽爽视频免费| 国产欧美日韩一区二区精品| 乱人伦中国视频| 亚洲一区高清亚洲精品| 精品一品国产午夜福利视频| 成人影院久久| 成年人免费黄色播放视频| 91精品国产国语对白视频| 嫩草影院精品99| 成人永久免费在线观看视频| 老鸭窝网址在线观看| 亚洲欧美激情在线| 亚洲人成电影免费在线| 久久人人精品亚洲av| av网站在线播放免费| 国产av一区二区精品久久| 伦理电影免费视频| 天堂动漫精品| 午夜91福利影院| 性色av乱码一区二区三区2| 一边摸一边抽搐一进一出视频| 久久天躁狠狠躁夜夜2o2o| 亚洲精品中文字幕在线视频| 波多野结衣一区麻豆| 18禁观看日本| 狂野欧美激情性xxxx| 日本 av在线| 国产aⅴ精品一区二区三区波| 亚洲av成人av| 美国免费a级毛片| 51午夜福利影视在线观看| 国产精品一区二区精品视频观看| 香蕉国产在线看| 色哟哟哟哟哟哟| 女警被强在线播放| 亚洲国产精品999在线| 日本三级黄在线观看| 岛国视频午夜一区免费看| 免费一级毛片在线播放高清视频 | 色婷婷av一区二区三区视频| 在线观看一区二区三区| 9色porny在线观看| 亚洲人成77777在线视频| 不卡av一区二区三区| 久久亚洲真实| 亚洲国产欧美日韩在线播放| 欧美黄色淫秽网站| 国产蜜桃级精品一区二区三区| 黄色a级毛片大全视频| 国产黄a三级三级三级人| 在线观看舔阴道视频| 人成视频在线观看免费观看| 不卡一级毛片| 99久久精品国产亚洲精品| 一a级毛片在线观看| 久久午夜综合久久蜜桃| 琪琪午夜伦伦电影理论片6080| 欧美人与性动交α欧美软件| 免费看十八禁软件| 亚洲全国av大片| 性欧美人与动物交配| 黄色女人牲交| 久久国产亚洲av麻豆专区| 黄频高清免费视频| 久久香蕉精品热| bbb黄色大片| 亚洲第一av免费看| 人人澡人人妻人| 国产精品爽爽va在线观看网站 | 欧美成人免费av一区二区三区| 搡老岳熟女国产| 免费不卡黄色视频| 亚洲少妇的诱惑av| 无人区码免费观看不卡| 日本免费一区二区三区高清不卡 | 高清av免费在线| a级片在线免费高清观看视频| 人妻丰满熟妇av一区二区三区| 极品教师在线免费播放| 亚洲专区国产一区二区| 国产国语露脸激情在线看| 丁香欧美五月| 两个人看的免费小视频| 极品教师在线免费播放| 亚洲五月色婷婷综合| 中文字幕人妻熟女乱码| 亚洲第一av免费看| 91老司机精品| 欧美日韩亚洲综合一区二区三区_| 国产精品一区二区精品视频观看| 亚洲人成电影免费在线| 一a级毛片在线观看| xxxhd国产人妻xxx| 日本a在线网址| 日本黄色视频三级网站网址| 夜夜夜夜夜久久久久| 在线永久观看黄色视频| 久久久久久久久中文| 51午夜福利影视在线观看| 激情视频va一区二区三区| 老司机午夜十八禁免费视频| 一进一出好大好爽视频| 午夜日韩欧美国产| 1024视频免费在线观看| 99久久人妻综合| 国产精品久久电影中文字幕| 在线天堂中文资源库| 欧美精品啪啪一区二区三区| 麻豆国产av国片精品| 成人三级黄色视频| 正在播放国产对白刺激| 日韩视频一区二区在线观看| 一级黄色大片毛片| 黄色片一级片一级黄色片| 在线观看免费视频网站a站| 啦啦啦在线免费观看视频4| 高清黄色对白视频在线免费看| 身体一侧抽搐| 精品日产1卡2卡| 99国产精品免费福利视频| 高清欧美精品videossex| 国产精品偷伦视频观看了| 91成人精品电影| 成人影院久久| 久久中文字幕一级| 久久精品91蜜桃| 性欧美人与动物交配| 人人妻人人爽人人添夜夜欢视频| 美国免费a级毛片| 在线观看免费日韩欧美大片| 波多野结衣av一区二区av| 91老司机精品| 日日干狠狠操夜夜爽| 亚洲精品国产区一区二| 精品午夜福利视频在线观看一区| 天堂动漫精品| 久久久久国产精品人妻aⅴ院| 午夜精品久久久久久毛片777| 日韩 欧美 亚洲 中文字幕| 欧美最黄视频在线播放免费 | 亚洲欧美一区二区三区久久| 午夜免费激情av| 亚洲成人精品中文字幕电影 | 亚洲国产看品久久| 黄色毛片三级朝国网站| 日韩人妻精品一区2区三区| 自线自在国产av| 亚洲精品国产色婷婷电影| 99精国产麻豆久久婷婷| 色精品久久人妻99蜜桃| 韩国精品一区二区三区| 亚洲精品国产色婷婷电影| 99国产综合亚洲精品| 亚洲 欧美 日韩 在线 免费| 亚洲免费av在线视频| 亚洲久久久国产精品| 岛国在线观看网站| 亚洲人成电影免费在线| 搡老岳熟女国产| 啦啦啦在线免费观看视频4| 亚洲国产欧美一区二区综合| 91字幕亚洲| 国产av一区在线观看免费| 俄罗斯特黄特色一大片| 不卡一级毛片| 美女扒开内裤让男人捅视频| 露出奶头的视频| 日韩中文字幕欧美一区二区| 成年女人毛片免费观看观看9| 一二三四社区在线视频社区8| 免费日韩欧美在线观看| 在线观看免费午夜福利视频| 国产精品久久久人人做人人爽| 国产熟女xx| 后天国语完整版免费观看| av欧美777| 亚洲av成人一区二区三| 久久性视频一级片| 国产xxxxx性猛交| 一区二区三区国产精品乱码| 久久久久九九精品影院| 波多野结衣av一区二区av| 日日夜夜操网爽| 中国美女看黄片| 在线视频色国产色| 丁香六月欧美| 这个男人来自地球电影免费观看| 欧美av亚洲av综合av国产av| 亚洲精品av麻豆狂野| 一边摸一边抽搐一进一小说| 日韩成人在线观看一区二区三区| 制服人妻中文乱码| 大陆偷拍与自拍| 国产99白浆流出| 法律面前人人平等表现在哪些方面| 久久久久久大精品| 国产亚洲精品久久久久久毛片| 亚洲第一欧美日韩一区二区三区| 成人免费观看视频高清| 国产亚洲精品久久久久久毛片| 欧美成人免费av一区二区三区|