• <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 ?

    回環(huán)軟件缺陷數(shù)量預(yù)測模型

    2021-04-12 05:18:56紀(jì)欣沅
    計算機工程與應(yīng)用 2021年7期

    李 莉,紀(jì)欣沅,宋 嵩

    東北林業(yè)大學(xué) 信息與計算機工程學(xué)院,哈爾濱 150040

    軟件缺陷預(yù)測[1-5]指的是通過對歷史軟件數(shù)據(jù)的學(xué)習(xí)得出缺陷預(yù)測模型,然后對新的軟件模塊進行預(yù)測分析。缺陷預(yù)測的主要應(yīng)用場景為在軟件測試之前,預(yù)先分析出可能存在的缺陷。根據(jù)預(yù)測的目的可將缺陷預(yù)測模型大致分為兩類:(1)二分類問題的軟件缺陷預(yù)測模型,即預(yù)測軟件模塊是否含有缺陷。(2)基于缺陷數(shù)量的軟件模塊排序預(yù)測,并根據(jù)預(yù)測出的缺陷數(shù)量的多少給出模塊的排序。

    基于二分類問題的軟件缺陷預(yù)測模型目的是預(yù)測軟件模塊是否含有缺陷,引導(dǎo)測試人員將注意力集中在包含缺陷的軟件模塊上,并調(diào)用測試資源進行軟件模塊測試。此方法能有效指導(dǎo)測試人員,提高了測試效率,但是仍然無法正確預(yù)測所有的軟件模塊。如果將有缺陷的模塊錯誤的預(yù)測為無缺陷的模塊時,則存在不能及時發(fā)現(xiàn)缺陷的情況,如果將無錯誤的模塊預(yù)測為有缺陷的模塊,會引起測試資源浪費。

    基于缺陷數(shù)量的軟件模塊排序預(yù)測,根據(jù)模型預(yù)測出的軟件模塊缺陷的數(shù)量,按照缺陷數(shù)量的多少進行排序,集中資源優(yōu)先測試軟件缺陷數(shù)量多的模塊。在實際中,準(zhǔn)確缺陷數(shù)量預(yù)測具有極高的難度,較難給出精確的軟件模塊缺陷個數(shù),因此相關(guān)領(lǐng)域根據(jù)預(yù)測出的軟件模塊缺陷數(shù)量對軟件模塊進行排序,根據(jù)排序結(jié)果分配測試資源。

    2012年,Wang等[6]提出了一種基于狀態(tài)轉(zhuǎn)換模型的軟件缺陷數(shù)量預(yù)測方法。該方法利用歷史數(shù)據(jù)構(gòu)建狀態(tài)轉(zhuǎn)換模型,然后利用馬爾可夫鏈預(yù)測未來狀態(tài)下的缺陷個數(shù)。2015年,Rathore等[7]提出了利用遺傳算法和決策樹回歸算法進行軟件模塊缺陷數(shù)量預(yù)測,實驗采用promise 數(shù)據(jù)集,結(jié)果表明,該模型具有較好的預(yù)測效果。2016年,Rathore等[8]探究了決策樹回歸算法在同項目和跨項目兩種情況下軟件缺陷數(shù)量預(yù)測的性能,實驗結(jié)果表明,在同項目中決策樹回歸算法具有更好的預(yù)測性能。2017年,Rathore等[9]提出了利用線性回歸的組合規(guī)則模型和梯度增強回歸組合規(guī)則模型進行軟件缺陷數(shù)量預(yù)測,實驗表明,梯度增強回歸則和規(guī)則模型具有較好的性能。2019年,Ni等[10]提出了基于Pareto的多目標(biāo)優(yōu)化算法,經(jīng)過試驗證明取得了良好的效果。

    2018年,馬子逸等[11]提出了面向軟件缺陷個數(shù)預(yù)測的混合特征選擇方法,該方法在保證預(yù)測性能的同時降低了特征的選擇時間。2018年,簡藝恒等[12]提出了基于數(shù)據(jù)過采樣和集成學(xué)習(xí)的軟件缺陷數(shù)目預(yù)測方法。實驗結(jié)果表明相比于原始的預(yù)測方法,此方法在性能上有較大的提升。2018年,付忠旺等[13]提出了回歸算法對軟件缺陷個數(shù)預(yù)測模型性能的影響。實驗結(jié)果表明梯度boosting回歸算法和貝葉斯嶺回歸算法具有更好的預(yù)測效果。2019年,李葉飛等[14]提出了針對軟件缺陷數(shù)預(yù)測的特征選擇方法。此模型能夠有效地移除冗余和無關(guān)的特征,構(gòu)建高效的軟件缺陷數(shù)預(yù)測模型。

    通過對當(dāng)前軟件缺陷數(shù)量預(yù)測方法的研究,軟件缺陷數(shù)量預(yù)測的研究工作主要分成兩類:第一類是通過改進回歸算法,提高缺陷預(yù)測的準(zhǔn)確度。當(dāng)數(shù)據(jù)集中特征維度過大時,可能會造成維度災(zāi)難。第二類是通過研究特征之間的相關(guān)性,消除無關(guān)特征和冗余特征,提高軟件缺陷預(yù)測的準(zhǔn)確性。軟件模塊產(chǎn)生缺陷的情況多種多樣,僅憑借特征之間的相關(guān)性來判斷軟件缺陷產(chǎn)生的條件是不夠的。

    針對以上問題,本文提出了回環(huán)軟件缺陷數(shù)量預(yù)測模型(PNSDL)。本文從特征之間的相關(guān)性和特征對于數(shù)據(jù)簇的貢獻度出發(fā)進行特征提取,將學(xué)習(xí)器的性能作為最佳特征子集選擇的評價準(zhǔn)則。通過分析軟件缺陷的產(chǎn)生和不同特征之間的聯(lián)系,利用反距離加權(quán)的方式將學(xué)習(xí)器和數(shù)據(jù)動態(tài)的進行集成,最終得出軟件缺陷數(shù)量預(yù)測模型。

    1 回環(huán)軟件缺陷預(yù)測模型

    1.1 研究動機

    聚類分析的基本思想是根據(jù)物以類聚的原理,將數(shù)據(jù)分成不同的簇,簇與簇之間的相似度盡可能的小,而簇內(nèi)數(shù)據(jù)之間具有較高的相似度。在軟件缺陷數(shù)據(jù)集中,軟件模塊度量元之間的關(guān)系決定了軟件模塊是否產(chǎn)生缺陷和產(chǎn)生缺陷的數(shù)量,因此需要采取必要措施挖掘不同度量元組合和產(chǎn)生缺陷數(shù)量之間的關(guān)系。

    本文采用改進的密度峰值聚類[15],此方法不需要預(yù)先指定簇的個數(shù),改進了最初的密度峰值聚類需要手動選取簇中心的缺陷,有效避免了人工選取存在的誤差。

    當(dāng)數(shù)據(jù)的規(guī)模逐漸增大,數(shù)據(jù)維度也隨之增加。進行特征選擇可以減少數(shù)據(jù)維度,刪除無用的度量元,有效地提高數(shù)據(jù)的處理效率。特征選擇主要分為三類:過濾式特征選擇、包裹式特征選擇、嵌入式特征選擇。本文采用了包裹式特征選擇,將學(xué)習(xí)器的性能作為特征子集的評價標(biāo)準(zhǔn)。

    1.2 模型設(shè)計

    回環(huán)軟件缺陷數(shù)量預(yù)測模型主要分成兩部分,即回環(huán)特征選擇和加權(quán)集成預(yù)測。模型整體流程如圖1所示。

    1.2.1 回環(huán)特征選擇

    在回環(huán)特征選擇階段,選擇融合了改進密度峰值聚類的包裹式回環(huán)特征選擇方法,在每一次回環(huán)中進行特征選擇,并訓(xùn)練出學(xué)習(xí)器。首先對數(shù)據(jù)進行聚類分析,劃分出不同的簇,訓(xùn)練學(xué)習(xí)器,篩選出貢獻率最大的特征作為初始特征,其余特征作為備選特征。接下來根據(jù)初始特征重新將數(shù)據(jù)進行聚類劃分,然后訓(xùn)練不同的學(xué)習(xí)器,并測試學(xué)習(xí)器,得出測試指標(biāo),依據(jù)測試指標(biāo)選擇出的特征重新進行數(shù)據(jù)提取,此時作為第一次回環(huán)。在回環(huán)選擇中,當(dāng)測試指標(biāo)不再減小,或者備選特征組無任何特征時,回環(huán)結(jié)束。否則,在備選特征組中選擇一個特征加入初始特征中重新進行聚類、特征選擇并持續(xù)回環(huán)。偽代碼如下所示:

    圖1 回環(huán)軟件缺陷數(shù)量預(yù)測流程圖

    輸入:數(shù)據(jù)集

    輸出:特征組和學(xué)習(xí)器

    1. 對數(shù)據(jù)進行聚類,選擇聚類中心icl

    2. 數(shù)據(jù)劃分到不同的簇cl

    3. 采用嶺回歸模型對各簇進行訓(xùn)練,

    4. 提取重要特征組成特征組features,其余特征作為備選特征sum_features

    5. For sum_features數(shù)量-features數(shù)量to 0 do

    6. Fori=0 tosum_features數(shù)量do

    7. 臨時特征組temp_features=features+sum_features[i]

    8. 根據(jù)temp_features將數(shù)據(jù)重新進行聚類;

    9. 訓(xùn)練學(xué)習(xí)器模型,測試得到指標(biāo)數(shù)據(jù);

    10. End for

    11. 根據(jù)指標(biāo)選擇最優(yōu)特征,將特征加入特征組features,減少sum_features中的特征;

    12. If特征指標(biāo)不再減小

    13. 當(dāng)前features為最優(yōu)特征組

    14. 當(dāng)前特征組對應(yīng)的各類簇的學(xué)習(xí)器為最優(yōu)簇學(xué)習(xí)器

    15. Break

    16. End if

    17. End for

    回環(huán)特征選擇流程如圖2所示,具體操作步驟如下:

    (1)數(shù)據(jù)預(yù)處理。數(shù)據(jù)歸一化,把數(shù)據(jù)的范圍設(shè)定在0~1之間,降低特征數(shù)據(jù)對于預(yù)測模型的影響。

    (2)聚類分析。計算每一條數(shù)據(jù)fi其自身的密度ρi,與高密度點之間的距離δi。用dij表示數(shù)據(jù)fi和數(shù)據(jù)fj之間的歐式距離,則dij的計算如公式(1)所示:

    其中,m表示特征的個數(shù),χ表示每一條數(shù)據(jù)所對應(yīng)的特征。數(shù)據(jù)fi的自身密度ρi表示為與其距離小于截斷距離dc的所有特征個數(shù),其定義如公式(2)所示:

    其中,X作為一種二值函數(shù),當(dāng)dij?dc<0 時,函數(shù)X的結(jié)果為1;當(dāng)dij?dc>0 時,函數(shù)X的結(jié)果為0;dc為截斷距離。數(shù)據(jù)fi與高密度點之間的距離δi的計算方法為,將密度按照從大到小的順序排列:ρi>ρj>ρk>…。δi的大小為密度大于ρi的密度點中,距離fi最近的點的歐式距離,當(dāng)fi的密度最大,則δi的大小為距離fi最遠(yuǎn)的點的歐式距離。

    對于聚類中心的選取,馬春來等[15]將密度峰值聚類方法進行改進。首先計算聚類中心的指標(biāo)γ,如公式(3)所示:

    其中,z(·)為歸一化函數(shù),然后根據(jù)γ的值進行降序排列,尋找到γ趨勢變化最大的點γc,并將γ>γc的點均作為聚類中心。

    (3)特征提取。依據(jù)聚類中心,將數(shù)據(jù)劃分成不同的簇,訓(xùn)練簇對應(yīng)的學(xué)習(xí)器。依據(jù)特征的貢獻度,得出特征排名,將每一個簇的前三種特征進行提取,組成初始特征組,其余特征作為備選特征組。

    (4)數(shù)據(jù)劃分。根據(jù)初始特征組重新對數(shù)據(jù)進行聚類,得到新的數(shù)據(jù)簇,訓(xùn)練學(xué)習(xí)器,并得到測試指標(biāo)。

    (5)回環(huán)特征提取。依據(jù)測試指標(biāo)從備選特征組中選取一個特征,加入初始特征組,重復(fù)進行第(4)步,直到測試指標(biāo)不再改善,或者備選特征組的特征全部提取出。此時初始特征組包含的特征就是最優(yōu)特征,各簇的學(xué)習(xí)器為最優(yōu)簇學(xué)習(xí)器。

    圖2 回環(huán)特征選擇流程圖

    1.2.2 反距離加權(quán)集成預(yù)測

    本文采用反距離加權(quán)[16]集成的方式進行學(xué)習(xí)器的集成。通過聚類分析,具有相似特征的數(shù)據(jù)被分到同一個簇。在同一個簇中的軟件模塊所產(chǎn)生的缺陷數(shù)量和類型相似,但是軟件模塊產(chǎn)生缺陷的原因多種多樣,產(chǎn)生的模塊和多個簇都具有相關(guān)性,不能簡單的劃分到某一個簇中進行判斷。本文提出的反距離加權(quán)集成方法是一種動態(tài)的加權(quán)集成方法。通過測量待預(yù)測數(shù)據(jù)到各簇中心的距離,動態(tài)的計算各簇學(xué)習(xí)器在預(yù)測此條數(shù)據(jù)中所占的權(quán)重。將各簇學(xué)習(xí)器的預(yù)測值進行加權(quán)集成,得到最終預(yù)測結(jié)果。偽代碼如下所示:

    輸入:待預(yù)測數(shù)據(jù)

    輸出:預(yù)測結(jié)果

    1. 計算待預(yù)測數(shù)據(jù)到各簇中心的歐式距離dist

    2. 得到數(shù)據(jù)在各簇學(xué)習(xí)器中的預(yù)測值result_i

    3. sum_value=sum(1/dist)

    4. 各簇對應(yīng)學(xué)習(xí)器的權(quán)值w_i=(1/dist)/sum_value

    5. sum_result=sum(w_i* result_i)

    反距離加權(quán)集成流程如圖3所示。

    圖3 反距離加權(quán)集成流程圖

    具體步驟如下所示:

    (1)計算數(shù)據(jù)到各個數(shù)據(jù)簇中心的距離dist,距離采用歐式距離的計算方式。

    (2)根據(jù)到各個數(shù)據(jù)簇中心的距離,采用反距離公式,計算簇所對應(yīng)的學(xué)習(xí)器的權(quán)值,作為此學(xué)習(xí)器的權(quán)重。計算方法如公式(4)所示:

    (3)集成學(xué)習(xí),將不同學(xué)習(xí)器預(yù)測出的結(jié)果result和學(xué)習(xí)器對應(yīng)的權(quán)重w相乘,最后相加得到的結(jié)果就是最終的預(yù)測結(jié)果。計算方法如公式(5)所示:

    sum_result為集成的預(yù)測結(jié)果,resulti為各學(xué)習(xí)器預(yù)測的結(jié)果,wi為對應(yīng)的權(quán)重。得到集成的預(yù)測結(jié)果后,將預(yù)測結(jié)果根據(jù)缺陷數(shù)量進行排序,最終得到軟件模塊排名。

    2 實驗結(jié)果及分析

    2.1 數(shù)據(jù)集

    在本文的實驗研究中,采用了公開的promise 數(shù)據(jù)集,并提取了數(shù)據(jù)集中重要20 種特征:加權(quán)方法數(shù)(wmc)、繼承樹深度(dit)、孩子數(shù)(noc)、對象類之間的耦合度(cbo)、類的響應(yīng)(rfc)、內(nèi)聚缺乏度(lcom)、傳入耦合(ca)、傳出耦合(ce)、公開方法數(shù)(npm)、方法間的組件數(shù)(lcom3)、代碼行數(shù)(loc)、數(shù)據(jù)訪問度量(dam)、聚合度量(moa)、功能抽象度量(mfa)、方法間的內(nèi)聚度(cam)、繼承耦合(ic)、方法間耦合(cbm)、平均方法復(fù)雜度(amc)、最大Mc Cabe環(huán)形復(fù)雜度(max_cc)、平均Mc Cabe 環(huán)形復(fù)雜度(avg_cc)。如表1 詳細(xì)列出了promise數(shù)據(jù)集中這些項目的統(tǒng)計信息。

    表1 數(shù)據(jù)集統(tǒng)計信息

    2.2 數(shù)據(jù)預(yù)處理

    在軟件模塊缺陷數(shù)量預(yù)測中,存在某一種或幾種度量元數(shù)值過大的情況,過大的度量元會影響到模型的測試準(zhǔn)確度,因此采用數(shù)據(jù)歸一化的方法將所有的度量元數(shù)值范圍設(shè)定為0到1之間。本文采用min-max標(biāo)準(zhǔn)化方法,對原始數(shù)據(jù)進行線性變換,使結(jié)果落在0 和1 之間,轉(zhuǎn)換函數(shù)如公式所示:

    其中x為轉(zhuǎn)換前的度量元數(shù)值,x?為轉(zhuǎn)換后的度量元數(shù)值,min為度量元中最小值,max為度量元中最大值。

    2.3 測評指標(biāo)

    為了評估模型在軟件缺陷數(shù)量預(yù)測中的性能,本次實驗采用了平均絕對誤差(MAE)作為性能評價指標(biāo)。平均絕對誤差表示預(yù)測值和觀測值之間絕對誤差的平均值,反映出預(yù)測值和真實值之間的差別。

    2.4 研究問題

    為了驗證PNSDL 方法的預(yù)測性能,因此本文提出了以下兩個問題進行驗證:

    (a)相對于其他的一些基準(zhǔn)特征提取方法,本模型的特征提取部分是否有具有良好的效果?

    (b)相對于其他軟件缺陷預(yù)測模型,本文提出的PNSDL 方法模型是否有效地提高了軟件缺陷預(yù)測準(zhǔn)確率?

    為了回答上述提出的問題,針對(a)問題本文選取了4種特征選擇方法,基于遞歸特征消除的特征選擇方法(RFE)、基于卡方檢驗的特征選擇方法(chi2)、基于樹模型的特征選擇方法(TBFS)、基于L1懲罰項檢驗的特征選擇方法(L1BFS),作為本文特征選擇的比較對象。為了評價特征選擇模型是否具有良好的效果,本文統(tǒng)一將嶺回歸作為特征選擇的預(yù)測模型,以最終的預(yù)測結(jié)果的平均絕對誤差作為評價標(biāo)準(zhǔn)。分別測試每一個特征選擇方法在10個數(shù)據(jù)集中所取得的效果。

    針對(b)問題,為了評價提出的軟件缺陷預(yù)測模型的有效性,本文選用了7 個缺陷預(yù)測模型進行比較:基于線性回歸的組合規(guī)則缺陷模型(LRCR)、基于梯度增強回歸組合規(guī)則的缺陷模型(GRCR)、基于線性回歸的缺陷預(yù)測模型(LR)、基于多層感知機回歸的缺陷預(yù)測模型(MLP)、基于基因編程的缺陷預(yù)測模型(GP)、基于負(fù)二項回歸的缺陷預(yù)測模型(NBR)、基于零膨脹泊松回歸的缺陷預(yù)測模型(ZIP)。對比實驗數(shù)據(jù)來源于Rathore等[8]文中提供的實驗數(shù)據(jù)。

    在實驗研究中,由于密度峰值聚類算法需要預(yù)先指定截距,Rodriguez 等[17]經(jīng)過實驗研究將截距的選取范圍鎖定在1%~2%,因此本實驗采用2%作為截距。同時在回歸模型的選擇上,本實驗采用了嶺回歸作為學(xué)習(xí)器。

    在訓(xùn)練集和測試集的劃分方面,本實驗采用sklearn中提供的數(shù)據(jù)劃分方法train_test_split,將數(shù)據(jù)按照7∶3的比例方式隨機劃分訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。實驗在以下配置的臺式機上運行:操作系統(tǒng)為Win10 64位,CPU為Intel?Core?i7-6700CPU @3.40 GHz 3.41 GHz,內(nèi)存4 GB。

    2.5 結(jié)果分析

    (1)針對研究問題(a)

    本實驗在promise數(shù)據(jù)集上對特征選擇模型進行了實驗研究,使用平均絕對誤差作為評估指標(biāo)。表2記錄了各個特征選擇模型在10組實驗數(shù)據(jù)中分別取得的實驗結(jié)果。

    表2 基于平均絕對誤差的特征選擇模型的性能

    在10 組實驗數(shù)據(jù)中,PNSDL 特征選擇方法取得了7次勝利,平均誤差相較于其余4種特征選擇模型最優(yōu),在誤差率方面,本文特征選擇模型相比于RFE、chi2、TBFS、L1BFS來講分別提升了11.3%、4.5%、4.4%和5.4%。不難看出,本文模型相較于其余4種特征選擇模型來講具有更好的數(shù)據(jù)適用性,提取出的有效特征更加有效,可以在預(yù)測中取得更好的效果。

    (2)針對研究問題(b)

    實驗在promise數(shù)據(jù)集上對本文模型的整體性能進行了實驗研究,使用平均絕對誤差作為評估指標(biāo),并將本文模型與7種基準(zhǔn)方法進行了比較。表3給出了這些方法在平均絕對誤差指標(biāo)上的結(jié)果。

    表3 中,第一列為項目名稱,第二列為本文模型在平均絕對誤差指標(biāo)下取得的結(jié)果,其余列為7種預(yù)測方法在平均絕對誤差指標(biāo)下取得的結(jié)果。在每一行中,最好的結(jié)果被加粗顯示。10 個項目中,PNSDL 預(yù)測模型取得7次勝利,并且10次項目的平均誤差相對于其余模型中效果最佳,最大誤差相比于其余模型最小,最小誤差也低于其余模型。本文模型相比于其余模型在平均絕對誤差的指標(biāo)下,效果最好。在算法誤差改善方面(見表4),PNSDL 相比于LRCR、GRCR、LR、MLP、GP、NBR、ZIP分別提升了10.36%、28.74%、13.51%、36.61%、25.30%、60.14%、54.72%。

    表3 基于平均絕對誤差的各預(yù)測模型的性能

    表4 PNSDL相比于其他算法誤差改善率%

    綜上,本文模型在進行缺陷預(yù)測的同時,也進行有效的特征提取。每次完成預(yù)測后剩余的特征數(shù)均小于數(shù)據(jù)的總特征數(shù),證明在軟件缺陷預(yù)測中,冗余特征和無關(guān)特征影響軟件缺陷預(yù)測模型的性能。本文模型移除這些特征,有效地提高了模型的預(yù)測性能。

    3 結(jié)束語

    為提升軟件缺陷預(yù)測精準(zhǔn)度,本文提出了回環(huán)軟件缺陷數(shù)量預(yù)測模型。

    (1)通過采用回環(huán)特征選擇的方法,選擇的特征更加有效,相比于實驗中對比的4 種特征提取方法,此方法對于不同的數(shù)據(jù)具有更好的適用性。

    (2)考慮到產(chǎn)生軟件模塊缺陷之間特征的關(guān)聯(lián)性,采用反距離加權(quán)集成的方法,有效地提高了軟件缺陷數(shù)量預(yù)測的準(zhǔn)確性,更加有利于對模塊進行排序。

    實驗結(jié)果表明,相比于原有的軟件缺陷數(shù)量預(yù)測模型,軟件缺陷數(shù)目預(yù)測準(zhǔn)確性方面有明顯的提高。

    在后續(xù)的工作中,將進一步提升軟件缺陷預(yù)測模型的穩(wěn)定性,降低預(yù)測結(jié)果和真實值之間的誤差,并進一步優(yōu)化模型,使其適用于跨項目軟件缺陷預(yù)測。

    直男gayav资源| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 最近手机中文字幕大全| 国产一级毛片在线| 亚洲av中文字字幕乱码综合| 少妇高潮的动态图| 国内少妇人妻偷人精品xxx网站| 最新中文字幕久久久久| 草草在线视频免费看| 深爱激情五月婷婷| 久久久久网色| 亚洲精品一区蜜桃| 白带黄色成豆腐渣| 亚洲精品成人久久久久久| 日韩强制内射视频| 国产精品久久久久久精品电影小说 | 亚洲丝袜综合中文字幕| ponron亚洲| 久久亚洲精品不卡| 亚洲高清免费不卡视频| 国产精品久久久久久久久免| 国产精品99久久久久久久久| 91aial.com中文字幕在线观看| 国产一区二区亚洲精品在线观看| 亚洲av免费高清在线观看| 亚洲久久久久久中文字幕| 国产伦在线观看视频一区| 日韩人妻高清精品专区| 国产国拍精品亚洲av在线观看| 一区二区三区免费毛片| 午夜久久久久精精品| 三级经典国产精品| 26uuu在线亚洲综合色| 一级毛片久久久久久久久女| 男人狂女人下面高潮的视频| 国产精品乱码一区二三区的特点| 国产三级在线视频| 日本av手机在线免费观看| 少妇熟女欧美另类| 国产一区有黄有色的免费视频 | 永久网站在线| 久久精品影院6| 日本一二三区视频观看| av在线老鸭窝| 在线天堂最新版资源| 亚洲美女视频黄频| 国产高清有码在线观看视频| 欧美高清性xxxxhd video| 亚洲在久久综合| 国产精品国产三级专区第一集| 亚洲欧洲日产国产| 亚洲成人久久爱视频| 国产视频内射| 免费看日本二区| 亚洲av电影在线观看一区二区三区 | 国产黄色小视频在线观看| 久久久久久国产a免费观看| 亚洲av电影在线观看一区二区三区 | 欧美高清成人免费视频www| 少妇熟女aⅴ在线视频| 亚洲中文字幕日韩| 亚洲精品,欧美精品| 日韩制服骚丝袜av| 国产一区二区在线av高清观看| av视频在线观看入口| 精品欧美国产一区二区三| 国产精品美女特级片免费视频播放器| 成人鲁丝片一二三区免费| 久久草成人影院| 黑人高潮一二区| 最近中文字幕高清免费大全6| 日本爱情动作片www.在线观看| 18禁裸乳无遮挡免费网站照片| 国产69精品久久久久777片| 乱系列少妇在线播放| 美女内射精品一级片tv| 国产一区二区在线av高清观看| 婷婷六月久久综合丁香| 日韩大片免费观看网站 | 久久精品久久精品一区二区三区| 一二三四中文在线观看免费高清| 中文欧美无线码| 美女大奶头视频| 国产欧美另类精品又又久久亚洲欧美| 久久精品综合一区二区三区| 国产一区二区在线av高清观看| 欧美激情在线99| 亚洲欧美日韩高清专用| 性色avwww在线观看| 乱系列少妇在线播放| 91精品国产九色| 丝袜喷水一区| 免费无遮挡裸体视频| 国产伦在线观看视频一区| 亚洲av日韩在线播放| 少妇被粗大猛烈的视频| 我的老师免费观看完整版| 午夜福利在线在线| 日本午夜av视频| 久久人人爽人人爽人人片va| 18禁在线播放成人免费| 一边摸一边抽搐一进一小说| 在线观看av片永久免费下载| 26uuu在线亚洲综合色| 国产成人91sexporn| 黄片无遮挡物在线观看| 国产一区二区在线观看日韩| 亚洲国产欧洲综合997久久,| 国产高清有码在线观看视频| 国产成人aa在线观看| 国产乱来视频区| 男人狂女人下面高潮的视频| 成人美女网站在线观看视频| 亚洲欧美日韩东京热| 人妻制服诱惑在线中文字幕| 国产精品一区二区性色av| 国产亚洲5aaaaa淫片| 蜜臀久久99精品久久宅男| 高清日韩中文字幕在线| 色哟哟·www| 九九热线精品视视频播放| 18禁裸乳无遮挡免费网站照片| 啦啦啦啦在线视频资源| 女的被弄到高潮叫床怎么办| 欧美高清性xxxxhd video| 国产在视频线在精品| av在线老鸭窝| 欧美激情久久久久久爽电影| 午夜福利网站1000一区二区三区| av免费观看日本| 国产一区二区三区av在线| 国产国拍精品亚洲av在线观看| 国产成人精品婷婷| 免费大片18禁| 91在线精品国自产拍蜜月| 国产一区二区亚洲精品在线观看| 国产精品久久久久久av不卡| 桃色一区二区三区在线观看| 国产精品熟女久久久久浪| 亚洲av.av天堂| 在线免费观看的www视频| 男人舔奶头视频| 日韩一本色道免费dvd| 亚洲精品亚洲一区二区| 日本wwww免费看| 99久久中文字幕三级久久日本| 有码 亚洲区| 天天躁日日操中文字幕| 三级国产精品片| 久久草成人影院| 久久久精品大字幕| 99热这里只有是精品50| 欧美区成人在线视频| 欧美日本视频| 亚洲丝袜综合中文字幕| 你懂的网址亚洲精品在线观看 | 毛片女人毛片| 最近手机中文字幕大全| 成人无遮挡网站| 国产亚洲精品久久久com| 美女xxoo啪啪120秒动态图| 成人av在线播放网站| 春色校园在线视频观看| 一本久久精品| 亚洲内射少妇av| 91久久精品国产一区二区三区| 午夜福利在线观看吧| 水蜜桃什么品种好| 最近最新中文字幕大全电影3| 又爽又黄a免费视频| 国内精品一区二区在线观看| 亚洲欧美成人精品一区二区| 免费观看精品视频网站| 国产成人精品一,二区| 国产又黄又爽又无遮挡在线| 国产白丝娇喘喷水9色精品| 国产精品福利在线免费观看| 久久久久久久久久黄片| 国产亚洲午夜精品一区二区久久 | 男女啪啪激烈高潮av片| 麻豆国产97在线/欧美| 亚洲av免费高清在线观看| 久久草成人影院| 不卡视频在线观看欧美| 亚洲欧美精品专区久久| 嫩草影院精品99| 人妻少妇偷人精品九色| 男女那种视频在线观看| 人妻制服诱惑在线中文字幕| 五月伊人婷婷丁香| 菩萨蛮人人尽说江南好唐韦庄 | 精品国内亚洲2022精品成人| 成人毛片60女人毛片免费| 亚洲国产精品sss在线观看| 黑人高潮一二区| 观看美女的网站| 欧美色视频一区免费| 女的被弄到高潮叫床怎么办| 一级毛片aaaaaa免费看小| 亚洲国产精品国产精品| 亚洲不卡免费看| 亚洲精品一区蜜桃| 不卡视频在线观看欧美| 神马国产精品三级电影在线观看| 色综合亚洲欧美另类图片| av视频在线观看入口| 亚洲国产精品久久男人天堂| 国语自产精品视频在线第100页| 国产一区二区三区av在线| 少妇的逼好多水| 国产黄色小视频在线观看| 人妻少妇偷人精品九色| a级一级毛片免费在线观看| 午夜福利在线观看免费完整高清在| 中文天堂在线官网| 少妇丰满av| 91精品伊人久久大香线蕉| 麻豆精品久久久久久蜜桃| 尾随美女入室| 久久欧美精品欧美久久欧美| a级毛片免费高清观看在线播放| 亚洲精品国产av成人精品| 又爽又黄a免费视频| 免费观看在线日韩| 国产成人91sexporn| 久久久精品欧美日韩精品| 免费在线观看成人毛片| 日韩视频在线欧美| 亚洲成色77777| 色综合亚洲欧美另类图片| 日本av手机在线免费观看| 99热这里只有是精品在线观看| 国产伦精品一区二区三区四那| 九九在线视频观看精品| 国产精品,欧美在线| 精品久久国产蜜桃| 岛国在线免费视频观看| 中文字幕亚洲精品专区| 亚洲美女搞黄在线观看| 国产精品一区二区三区四区久久| 国产视频内射| .国产精品久久| 毛片一级片免费看久久久久| 亚洲丝袜综合中文字幕| 少妇的逼好多水| 日本一本二区三区精品| 国产男人的电影天堂91| 又爽又黄a免费视频| 亚洲欧美成人综合另类久久久 | 直男gayav资源| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美激情在线99| 亚洲人成网站在线观看播放| 国产一区二区在线av高清观看| 国产精品不卡视频一区二区| 人人妻人人澡欧美一区二区| 好男人在线观看高清免费视频| 淫秽高清视频在线观看| 亚洲经典国产精华液单| 爱豆传媒免费全集在线观看| 精品人妻一区二区三区麻豆| 欧美bdsm另类| 麻豆精品久久久久久蜜桃| 亚洲欧美日韩无卡精品| 中文字幕精品亚洲无线码一区| 国产一级毛片七仙女欲春2| 国产精品日韩av在线免费观看| 亚洲欧美中文字幕日韩二区| 黄色配什么色好看| 欧美一区二区亚洲| 国产毛片a区久久久久| 欧美3d第一页| 欧美一区二区国产精品久久精品| 欧美最新免费一区二区三区| 日韩欧美精品免费久久| 真实男女啪啪啪动态图| 97在线视频观看| 91精品一卡2卡3卡4卡| 国产亚洲一区二区精品| 成人特级av手机在线观看| 日韩精品青青久久久久久| 日韩在线高清观看一区二区三区| 大香蕉97超碰在线| 麻豆国产97在线/欧美| 国产av在哪里看| 乱人视频在线观看| 国产亚洲av嫩草精品影院| 亚洲欧洲国产日韩| 国语自产精品视频在线第100页| 99久国产av精品| 亚洲av熟女| 99久久精品热视频| 少妇的逼水好多| 亚洲精品国产av成人精品| 国产成人福利小说| 国产精品一区二区三区四区免费观看| 美女高潮的动态| 噜噜噜噜噜久久久久久91| 成人毛片a级毛片在线播放| 亚洲av成人精品一区久久| 少妇猛男粗大的猛烈进出视频 | 春色校园在线视频观看| 欧美日韩精品成人综合77777| 麻豆成人av视频| 天天躁日日操中文字幕| 成人国产麻豆网| 插逼视频在线观看| 又爽又黄a免费视频| 一级毛片我不卡| 国产精品av视频在线免费观看| 国语自产精品视频在线第100页| 久热久热在线精品观看| 91精品伊人久久大香线蕉| 亚洲乱码一区二区免费版| 成人一区二区视频在线观看| 日韩亚洲欧美综合| 亚洲国产精品国产精品| 欧美日韩一区二区视频在线观看视频在线 | 中文天堂在线官网| 国产一区有黄有色的免费视频 | 久久精品91蜜桃| 级片在线观看| 在线免费十八禁| 26uuu在线亚洲综合色| 精品酒店卫生间| 蜜桃久久精品国产亚洲av| 午夜老司机福利剧场| 亚洲美女视频黄频| 国产黄片美女视频| 国产亚洲av片在线观看秒播厂 | 国产成人a∨麻豆精品| 午夜a级毛片| 国产伦理片在线播放av一区| 又爽又黄无遮挡网站| or卡值多少钱| 日韩av不卡免费在线播放| 国产 一区 欧美 日韩| 欧美成人a在线观看| 精品国产三级普通话版| 国产免费福利视频在线观看| 亚洲真实伦在线观看| 国产黄片视频在线免费观看| 内地一区二区视频在线| 18禁在线无遮挡免费观看视频| 五月玫瑰六月丁香| 波野结衣二区三区在线| 中文字幕久久专区| 国产人妻一区二区三区在| 亚洲欧洲日产国产| 九九在线视频观看精品| 观看免费一级毛片| 免费黄色在线免费观看| 一夜夜www| 看非洲黑人一级黄片| 女人久久www免费人成看片 | 国产午夜精品论理片| 别揉我奶头 嗯啊视频| 久久久久网色| 亚洲美女搞黄在线观看| 国产精品综合久久久久久久免费| av又黄又爽大尺度在线免费看 | 夜夜爽夜夜爽视频| 国产乱来视频区| 最近手机中文字幕大全| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 久久久久久久久大av| 欧美三级亚洲精品| 亚洲国产日韩欧美精品在线观看| 一级av片app| 91久久精品国产一区二区成人| 丰满人妻一区二区三区视频av| 欧美又色又爽又黄视频| 最近中文字幕2019免费版| 精品少妇黑人巨大在线播放 | .国产精品久久| 亚洲无线观看免费| 亚洲在线自拍视频| 一边摸一边抽搐一进一小说| 久久久久久久久久黄片| 亚洲中文字幕一区二区三区有码在线看| 国产午夜精品一二区理论片| 男人狂女人下面高潮的视频| 国产高清有码在线观看视频| 99热网站在线观看| 在线观看一区二区三区| av在线亚洲专区| 成人美女网站在线观看视频| 亚洲av不卡在线观看| 日本一二三区视频观看| 亚洲国产最新在线播放| 亚洲五月天丁香| 亚洲五月天丁香| 毛片女人毛片| 国产精品一二三区在线看| 亚洲欧美精品综合久久99| 三级毛片av免费| 久热久热在线精品观看| 51国产日韩欧美| 日本黄色片子视频| 蜜桃亚洲精品一区二区三区| 男人和女人高潮做爰伦理| 又爽又黄无遮挡网站| 亚洲国产精品成人久久小说| 日韩高清综合在线| 午夜福利视频1000在线观看| 1024手机看黄色片| 久久精品夜色国产| 国产精品蜜桃在线观看| 人妻系列 视频| 桃色一区二区三区在线观看| 非洲黑人性xxxx精品又粗又长| 成人午夜高清在线视频| 亚洲aⅴ乱码一区二区在线播放| 91在线精品国自产拍蜜月| 亚洲国产精品成人综合色| 亚洲欧美清纯卡通| 国产在视频线精品| 亚洲欧美清纯卡通| 一级毛片我不卡| 亚洲最大成人手机在线| 非洲黑人性xxxx精品又粗又长| 亚洲美女搞黄在线观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲精品一区蜜桃| 欧美潮喷喷水| 亚洲丝袜综合中文字幕| 色综合色国产| 国产极品精品免费视频能看的| 中文天堂在线官网| 日本黄色视频三级网站网址| 国产精品永久免费网站| 一级毛片aaaaaa免费看小| 中文字幕av在线有码专区| av播播在线观看一区| av在线天堂中文字幕| 我要搜黄色片| 岛国在线免费视频观看| 免费搜索国产男女视频| 99久久精品国产国产毛片| 亚洲精品456在线播放app| 又爽又黄无遮挡网站| 天堂影院成人在线观看| 精品久久久噜噜| 国产午夜精品论理片| 全区人妻精品视频| 亚洲中文字幕一区二区三区有码在线看| 精品一区二区三区人妻视频| 亚洲av中文av极速乱| 黄片无遮挡物在线观看| 免费播放大片免费观看视频在线观看 | av女优亚洲男人天堂| 亚洲国产精品成人久久小说| 亚洲欧美精品综合久久99| 亚洲国产精品久久男人天堂| 欧美一级a爱片免费观看看| 免费一级毛片在线播放高清视频| 欧美+日韩+精品| 亚洲在久久综合| 精品国产一区二区三区久久久樱花 | 麻豆成人午夜福利视频| 欧美成人精品欧美一级黄| 又爽又黄a免费视频| 久久久久国产网址| 欧美日韩综合久久久久久| 欧美日本亚洲视频在线播放| 亚洲精品日韩av片在线观看| 99久久精品热视频| 久久久精品欧美日韩精品| 一夜夜www| 毛片女人毛片| 免费在线观看成人毛片| 桃色一区二区三区在线观看| 麻豆精品久久久久久蜜桃| 亚洲图色成人| 亚洲在线观看片| 白带黄色成豆腐渣| 日本-黄色视频高清免费观看| 精品人妻视频免费看| 亚洲国产欧洲综合997久久,| 青青草视频在线视频观看| 能在线免费观看的黄片| 联通29元200g的流量卡| 欧美激情久久久久久爽电影| 国产爱豆传媒在线观看| 亚洲av免费在线观看| 性插视频无遮挡在线免费观看| 女人被狂操c到高潮| 国产成人a区在线观看| 人妻制服诱惑在线中文字幕| 亚洲乱码一区二区免费版| 菩萨蛮人人尽说江南好唐韦庄 | 国产在线男女| 男的添女的下面高潮视频| 欧美日本亚洲视频在线播放| 久久人人爽人人爽人人片va| 欧美zozozo另类| 熟女人妻精品中文字幕| 欧美极品一区二区三区四区| 久久精品国产鲁丝片午夜精品| 中文字幕久久专区| h日本视频在线播放| 日韩精品青青久久久久久| 99热网站在线观看| 九九热线精品视视频播放| 国内精品宾馆在线| 日本一本二区三区精品| 国产白丝娇喘喷水9色精品| 狂野欧美激情性xxxx在线观看| 国模一区二区三区四区视频| 久久久久国产网址| 久久久精品94久久精品| 成人欧美大片| 亚洲自拍偷在线| 中文精品一卡2卡3卡4更新| 午夜亚洲福利在线播放| 国产亚洲精品久久久com| 久久99热6这里只有精品| 99久久精品一区二区三区| 黄色日韩在线| 国产精品无大码| 国产精品女同一区二区软件| 51国产日韩欧美| 永久免费av网站大全| 国产在视频线精品| 少妇熟女aⅴ在线视频| 亚洲精品,欧美精品| 又粗又硬又长又爽又黄的视频| 一级毛片久久久久久久久女| 亚洲欧美清纯卡通| 蜜桃亚洲精品一区二区三区| 国产成人一区二区在线| 寂寞人妻少妇视频99o| 国产欧美另类精品又又久久亚洲欧美| 日韩欧美精品免费久久| 精品人妻一区二区三区麻豆| 两性午夜刺激爽爽歪歪视频在线观看| 男的添女的下面高潮视频| 成年女人永久免费观看视频| 在线免费十八禁| 欧美高清成人免费视频www| 国产高潮美女av| 九色成人免费人妻av| 欧美xxxx性猛交bbbb| 国产探花在线观看一区二区| 老司机影院毛片| 深夜a级毛片| 免费观看性生交大片5| 好男人在线观看高清免费视频| 久久久精品大字幕| 天堂中文最新版在线下载 | 国产av一区在线观看免费| 九九在线视频观看精品| 亚洲18禁久久av| 日韩一区二区三区影片| 级片在线观看| 国产一级毛片七仙女欲春2| 日韩三级伦理在线观看| 日韩高清综合在线| 国产一区有黄有色的免费视频 | 长腿黑丝高跟| 午夜免费激情av| 国产日韩欧美在线精品| 亚洲国产高清在线一区二区三| 七月丁香在线播放| 超碰av人人做人人爽久久| av卡一久久| 男人狂女人下面高潮的视频| 日韩国内少妇激情av| 精品一区二区免费观看| 欧美成人一区二区免费高清观看| 99热这里只有是精品在线观看| 伊人久久精品亚洲午夜| 高清日韩中文字幕在线| 久久久久网色| 成人欧美大片| 日韩精品有码人妻一区| 一本一本综合久久| 欧美人与善性xxx| 国产精品一及| 18禁在线无遮挡免费观看视频| 国产精品电影一区二区三区| 精品人妻偷拍中文字幕| 国产成人福利小说| 男人狂女人下面高潮的视频| 99视频精品全部免费 在线| 亚洲综合精品二区| 亚洲欧美精品自产自拍| 在线免费十八禁| 亚洲欧美日韩无卡精品| 国产精品永久免费网站| 国产成人免费观看mmmm| 中文字幕久久专区| 久久久精品欧美日韩精品| 亚洲欧美日韩东京热| 国产精品久久视频播放| 插逼视频在线观看| 99在线视频只有这里精品首页| 人人妻人人澡欧美一区二区| 欧美另类亚洲清纯唯美| 国产精品国产三级国产av玫瑰| 久久这里有精品视频免费| 视频中文字幕在线观看| av福利片在线观看| 麻豆成人午夜福利视频| 国产一区二区三区av在线| 老司机福利观看| 国产私拍福利视频在线观看| 欧美一级a爱片免费观看看| 激情 狠狠 欧美| kizo精华| 亚洲综合色惰| 国产v大片淫在线免费观看| 色综合色国产| 男女边吃奶边做爰视频| 国产精品蜜桃在线观看|