• <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 ?

    VAE過采樣與遷移學習在網絡入侵檢測中的應用

    2021-08-06 19:34:19黃仲英楊印根雷震春
    計算機時代 2021年7期
    關鍵詞:遷移學習

    黃仲英 楊印根 雷震春

    摘? 要: 在網絡入侵檢測中,異常樣本通常要比正常樣本少得多,數(shù)據(jù)的不平衡問題會導致檢測模型的分類結果傾向于多數(shù)類,影響模型準確率。文章提出應用變分自編碼器(VAE)模型對網絡入侵檢測中的不平衡數(shù)據(jù)進行過采樣,通過學習原數(shù)據(jù)的特征后生成新樣本重新平衡數(shù)據(jù)分布,以提高檢測模型的性能。在訓練檢測模型時采用遷移學習方法,先在過采樣后混合的數(shù)據(jù)集上預訓練,再遷移到原數(shù)據(jù)集上進行訓練,得到最終的檢測模型。在NSL-KDD數(shù)據(jù)集上進行實驗,網絡入侵檢測模型使用前饋神經網絡。結果表明,基于深度學習的VAE過采樣方法比傳統(tǒng)的SMOTE過采樣方法要更加有效,提高了網絡入侵檢測模型準確率3.23%。

    關鍵詞: 網絡入侵檢測; VAE; 遷移學習; SMOTE; 不平衡數(shù)據(jù)

    中圖分類號:TP393.08? ? ? ? ? 文獻標識碼:A? ? ? 文章編號:1006-8228(2021)07-50-05

    Application of VAE oversampling and transfer learning in network intrusion detection

    Huang Zhongying, Yang Yingen, Lei Zhenchun

    (School of Computer and Information Engineering, Jiangxi Normal University, Nanchang, Jiangxi 330022, China)

    Abstract: In network intrusion detection, the number of malicious samples is extremely less than that of normal samples. The data imbalance will lead to the classification results of detection models inclined to most categories, which leads to the low accuracy of the detection models. This paper proposes to use the variational auto-encoder (VAE) model to oversample the imbalanced data in network intrusion detection, and rebalance the data distribution with the new samples generated by learning the features of the original data, so as to improve the performance of detection model. When training the detection model, the transfer learning method is adopted, the final model is pre-training on the oversampled and mixed data set, and then training on the original data set. The experiment is carried out on NSL-KDD data set, and the network intrusion detection model uses feedforward neural network. The results show that the VAE oversampling method based on deep learning is more effective than the traditional SMOTE oversampling method, and the accuracy of network intrusion detection model is improved by 3.23%.

    Key words: network intrusion detection; VAE; transfer learning; SMOTE; imbalanced data

    0 引言

    入侵檢測模型的作用是監(jiān)視和分析網絡通信,通過主動響應來識別網絡中的異常行為[1]。在實際應用中,由于網絡入侵行為并不是時刻都在發(fā)生,因此獲取大量標簽樣本比較困難,需要耗費大量的人力物力,這就造成檢測模型的訓練集中惡意入侵類別的標簽數(shù)據(jù)量較少,使得集中出現(xiàn)數(shù)據(jù)不平衡的問題。有限的標簽數(shù)據(jù)只能反饋有限的信息,在少量的標簽樣本環(huán)境下訓練出來的檢測模型往往影響其檢測性能。

    從不平衡的數(shù)據(jù)中訓練模型對于研究界來說是一個挑戰(zhàn)。常規(guī)的網絡入侵檢測模型在不平衡數(shù)據(jù)集中通常表現(xiàn)不佳,因為它們會導致分類結果偏向于樣本數(shù)量多的類[2]。目前,在處理網絡入侵檢測數(shù)據(jù)集中的數(shù)據(jù)不平衡問題時,研究者通常使用欠采樣或者過采樣方法進行處理。如陳高升等人[3]提出的基于簇內樣本平均分類錯誤率的欠采樣方法,在減少多數(shù)類樣本數(shù)量的同時保留盡量多的對構建分類器有用的信息,最終得到一個平衡的數(shù)據(jù)集再進行實驗。Abhishek Divekar等人[4]使用SMOTE過采樣技術與隨機欠采樣技術結合對數(shù)據(jù)集中的惡意攻擊標簽樣本數(shù)據(jù)進行調整構建一個均衡版本的NSL-KDD數(shù)據(jù)集進行網絡入侵檢測實驗。

    通過欠采樣的方法對數(shù)據(jù)集進行處理容易丟失多數(shù)類樣本信息導致模型對多數(shù)類的分類精度下降。SMOTE過采樣方法則是基于簡單的插值運算進行樣本的過采樣,容易制造出冗余的數(shù)據(jù)樣本增加模型的訓練難度。隨著信息技術的發(fā)展,越來越多的入侵攻擊方式也在不斷的走向智能化、多樣化,傳統(tǒng)的過采樣方法原理簡單,已經不再適用于當下的網絡環(huán)境。

    近年來,在深度生成模型領域變分自編碼器(Variational Auto-Encoders,VAE)被視為深度學習領域最具研究價值的方法之一,得到越來越多的應用。如圖像處理領域中,田棟文等人[5]提出一種基于VAE的跨域圖像生成算法,利用編碼器對跨域圖像進行編碼得到其內容屬性和風格屬性后再進行拼接實現(xiàn)跨域圖像過采樣。人臉識別領域中,李頊晟等人[6]設計了一種基于自編碼器結構的生成對抗網絡,使模型既能生成人臉圖像,又可以對人臉圖像進行編碼和重構。張鵬升等人[7]設計基于變分自編碼器的產生式模型,采用[β-VAE]模型學習隱空間與真實圖片空間關系,提高圖片生成質量,并使用模擬加無監(jiān)督學習方法,提高模型在訓練過程的穩(wěn)定性。語音處理領域中,Aggarwal等人[8]利用VAE和歸一化流對表達性言語進行一次文本-語音合成,使用一個表達風格的例子作為編碼器的參考輸入,以生成所需風格的任何文本。范純龍等人[9]提出了一種基于變分自編碼器(VAE)的無監(jiān)督交互式旋律生成方法,通過給VAE引入顯式的旋律輪廓條件推理學習,實現(xiàn)了對生成旋律局部與全局特征的靈活控制。基于深度生成模型的數(shù)據(jù)過采樣方式已經在許多領域得到應用,其在過采樣時利用深度學習方法強大的學習能力,通過深度生成模型學習到待采樣數(shù)據(jù)的分布后,再進行數(shù)據(jù)的過采樣。

    在當下復雜的網絡環(huán)境中,傳統(tǒng)的過采樣方法已經不適用于網絡入侵檢測數(shù)據(jù)集中不平衡數(shù)據(jù)的過采樣。深度生成模型在圖片處理、語音識別、自然語言處理等領域得到廣泛應用,說明其在數(shù)據(jù)過采樣方面具有很大的優(yōu)勢。本文應用深度生成模型中的變分自編碼器模型對網絡入侵檢測數(shù)據(jù)集中的不平衡數(shù)據(jù)進行過采樣,通過深度生成模型過采樣,重新平衡數(shù)據(jù)集的樣本數(shù)量分布后再訓練檢測模型,以提高檢測模型的準確率。本文實驗在網絡入侵檢測數(shù)據(jù)集NSL-KDD上進行,并且將傳統(tǒng)的SMOTE過采樣方法與深度生成模型中的VAE過采樣方法對檢測模型準確率的優(yōu)化情況進行對比。

    1 基于過采樣的入侵檢測模型

    1.1 SMOTE過采樣方法

    SMOTE過采樣方法是基于插值的方法從現(xiàn)有的數(shù)據(jù)樣本中合成新樣本,其原理如圖1所示。

    SMOTE過采樣方法通過在兩個最近鄰的樣本連線中隨機取一點作為新合成的樣本,具體步驟如下。

    Step1 對于數(shù)據(jù)集中的少數(shù)類樣本[xi],找出樣本[xi]的K個近鄰;

    Step2 在樣本[xi]的K個近鄰中隨機選擇一個樣本記為[xij],同時生成一個0到1之間的隨機數(shù)[α1],然后根據(jù)式(1)生成一個新的樣本[xi1]:

    [xi1=xi+α1?(xij-xi)] ⑴

    Step3 根據(jù)需要過采樣的數(shù)量,重復Step1和Step2即可以完成數(shù)據(jù)的過采樣。

    1.2 VAE過采樣方法

    變分自編碼器是深度生成模型的一種形式,是由Kingma等人[10]提出的基于變分貝葉斯(Variational Bayes,VB)推斷的生成式網絡結構。如圖2所示,VAE由編碼器和解碼器兩個部分組成[11],編碼器將原始數(shù)據(jù)X轉化為隱向量Z,解碼器將隱向量Z還原成盡可能接近原始數(shù)據(jù)的生成數(shù)據(jù)X'。

    在進行樣本生成時,編碼器通過內部神經網絡將真實樣本X編碼到隱空間的一個概率分布[q(Z|X)]中,由均值μ和方差σ2確定,然后從[q(Z|X)]中隨機采樣得到隱向量Z作為解碼器的輸入,最后得到生成樣本X'。由于解碼器的概率分布受到隱向量Z的約束[12],因此確定一個基于Z的條件概率分布[p(X'|Z)]。VAE的損失函數(shù)如下:

    [cost=KLN(μ(X),σ2(X))N(0,1)-logPp(X'|Z)(X)] ⑵

    在訓練時將數(shù)據(jù)解碼映射到標準正態(tài)分布N(0,1)中,使用KL散度表示[q(Z|X)]與標準正態(tài)分布N(0,1)的距離,用概率分布[p(X'|Z)]下P(X)的對數(shù)似然表示生成樣本X'與輸入樣本X的距離。通過將損失函數(shù)最小化得到最優(yōu)模型后,利用解碼器進行樣本的過采樣。

    1.3 基于過采樣與遷移學習的入侵檢測模型

    網絡入侵檢測是指對異常的網絡流量和活動進行監(jiān)控,并將其與正常的網絡預期行為進行區(qū)分[13]。本文使用深度前饋神經網絡[14]構建網絡入侵檢測模型,并且應用變分自編碼器模型對網絡入侵檢測數(shù)據(jù)集中的不平衡數(shù)據(jù)進行過采樣,然后在過采樣后混合的數(shù)據(jù)集上訓練檢測模型。

    在傳統(tǒng)的檢測模型構建時,首先在訓練集上對檢測模型訓練至最優(yōu)狀態(tài)以后再到測試集上進行檢測實驗,而本實驗中的訓練集包括過采樣后混合的數(shù)據(jù)集以及沒有過采樣處理的原數(shù)據(jù)集,為了檢測模型盡可能的學習到訓練集中的樣本特征,本文提出使用遷移學習的方法來構建檢測模型。在檢測模型訓練時,首先在過采樣后混合的訓練集上訓練檢測模型,然后再遷移到沒有過采樣處理的訓練集上進行微調訓練確定最終的模型。系統(tǒng)流程如圖3所示。

    整個系統(tǒng)流程如下。

    ⑴ 網絡入侵數(shù)據(jù)預處理。主要包括字符型特征屬性數(shù)值化、數(shù)據(jù)標準化、標簽數(shù)值化等。

    ⑵ 訓練VAE過采樣模型。將NSL-KDD數(shù)據(jù)集中的數(shù)據(jù)樣本編碼映射到高斯分布N(0,1)中,其中,編碼器和解碼器都是5隱層每層400個神經元的前饋神經網絡。過采樣模型在訓練時使用Relu函數(shù)作為每個隱層的激活函數(shù),并使用Adam optimizer優(yōu)化器進行最小損失求解,得到最優(yōu)狀態(tài)下的過采樣模型。

    ⑶ 數(shù)據(jù)過采樣。對網絡入侵檢測數(shù)據(jù)集中的少數(shù)類進行過采樣,使用VAE中的解碼器以及SMOTE過采樣方法對少數(shù)類的樣本進行過采樣,然后將過采樣的樣本與原樣本混合,使得所有類別樣本數(shù)量相等。

    ⑷ 入侵檢測分類。本實驗的檢測模型使用5個隱含層,每個隱含層有100個神經元的FNN模型。在進行入侵檢測實驗時,首先將過采樣數(shù)據(jù)與原數(shù)據(jù)混合,然后在混合后的數(shù)據(jù)集上迭代訓練檢測模型100次得到預訓練的模型;再使用遷移學習的方法在原數(shù)據(jù)集上迭代訓練20次,得到最終的檢測模型;最后在測試集上進行測試,并對不同過采樣方法中的檢測模型準確率進行比較。

    2 實驗

    2.1 數(shù)據(jù)集

    本文實驗使用網絡入侵檢測領域內公開的數(shù)據(jù)集NSL-KDD數(shù)據(jù)集,包括1個訓練集KDDTrain+以及2個測試集KDDTest+和KDDTest21[15]。其中訓練集包括22種攻擊類型的標簽樣本,測試集包含39種攻擊類型的標簽樣本。這些標簽樣本屬于5種類型:Benign(正常)、DOS(拒絕服務攻擊)、Probe(探測性暴力破解攻擊)、R2L(遠程對本地攻擊)、U2R(特權升級嘗試攻擊)。表1為訓練集和測試集的5種標簽數(shù)據(jù)數(shù)量分布。

    表1中Benign為正常樣本的類別標簽,其余四種均為惡意攻擊樣本的類別標簽。從表1中可以看出R2L類、U2R類的數(shù)量遠少于Benign類與DOS類的數(shù)量。因此,將R2L類與U2R類視為少數(shù)類,將Benign類與DOS類視為多數(shù)類。檢測模型在訓練時需要大量的標簽數(shù)據(jù)進行學習,樣本少則檢測效果不好。為了解決這一問題,本文應用過采樣的方法先對數(shù)據(jù)集中的不平衡數(shù)據(jù)過采樣后再訓練檢測模型。

    NSL-KDD數(shù)據(jù)集中每個樣本都具有41維特征,其中包含了3個字符型特征,對數(shù)據(jù)的預處理如下。

    ⑴ 字符型特征數(shù)值化。數(shù)據(jù)集中存在3個字符型特征(“protocol_type”、“service”、“flag”)。檢測模型需要輸入數(shù)值型特征進行計算,本文使用one-hot編碼的方式將字符型特征轉換為數(shù)值型。如特征“protocol_type”有3種取值:“tcp”,“udp”,“icmp”,經過one-hot編碼以后對應變成二進制特征向量(1,0,0),(0,1,0),(0,0,1)。將數(shù)據(jù)集內的3個字符型特征使用one-hot編碼轉換為數(shù)值型特征后與剩下的38維數(shù)值型特征組合,得到118維的特征向量,以此作為檢測模型的輸入向量。

    ⑵ 數(shù)據(jù)標準化。訓練集中不同的特征具有不同的量綱,為了消除不同的量綱對實驗的影響,并且加快模型的計算速度。本實驗使用數(shù)據(jù)標準化操作,對數(shù)據(jù)集中的數(shù)據(jù)特征規(guī)整后服從均值為0標準差為1的分布。

    ⑶ 標簽數(shù)值化。將數(shù)據(jù)集內5種數(shù)據(jù)的標簽Benign、Dos、Probe、R2L、U2R進行one-hot編碼轉換為二進制標簽向量。

    2.2 數(shù)據(jù)過采樣

    本文實驗對NSL-KDD數(shù)據(jù)集中的不平衡數(shù)據(jù)使用SMOTE過采樣與VAE過采樣,具體采樣數(shù)據(jù)如下:

    ⑴ SMOTE過采樣。利用傳統(tǒng)的SMOTE過采樣方法,對NSL-KDD數(shù)據(jù)集中訓練集KDDTrain+的惡意攻擊類別DOS、Probe、R2L、U2R的樣本進行過采樣,生成DOS類別樣本21416個,Probe類別樣本55687個,R2L類別樣本66348個,U2R類別樣本67291個。然后,生成的樣本與原樣本混合,得到SMOTE過采樣后的訓練集,其中每個類別樣本的數(shù)量都為67343個。

    ⑵ VAE過采樣。在VAE模型訓練至最優(yōu)狀態(tài)后,通過其內的解碼器,從概率分布[q(Z|X)]中采樣解碼生成新的樣本,對訓練集中DOS、Probe、R2L、U2R類別的樣本進行過采樣,過采樣的數(shù)量與SMOTE過采樣中一致,然后將過采樣中生成的樣本與原樣本混合。

    2.3 入侵檢測實驗結果

    圖4所示為FNN模型作為檢測模型在實驗中的準確率變化情況。首先,檢測模型分別在不同的訓練集(SMOTE過采樣后的訓練集、VAE過采樣后的訓練集)上迭代訓練100次,然后再到原數(shù)據(jù)集上迭代訓練20次后確定最終的模型,最后在測試集上進行測試,得到準確率。

    從圖4中可以看出,在VAE過采樣后混合的數(shù)據(jù)集上訓練出的檢測模型準確率最高,并且在使用遷移學習的方法后準確率還有進一步的提升,這說明模型充分的學習到了數(shù)據(jù)集中各類型樣本的特征。為進一步的分析過采樣方法對檢測模型的作用,本文結合準確率(Accuracy)與各類別分類的精確率和召回率的調和平均值(F1-Score)對不同的過采樣方法進行分析。結果如表2所示。

    相比于原數(shù)據(jù)集上直接檢測分類的方法,VAE過采樣后檢測模型的準確率提高了3.23%,比傳統(tǒng)的SMOTE過采樣方法高1.59%。F1-Score值越大表明模型對該類別的分類精度越高,從四個實驗中的F1-Score可以看出在VAE過采樣后的訓練集上訓練的檢測模型對測試集中各個類別的樣本分類精度都有所提高,基本上都高于傳統(tǒng)的SMOTE過采樣方法。

    綜合圖4和表2中的準確率和F1-Score的值可以得出:使用過采樣方法提高了檢測模型對少數(shù)類的分類精度,從而提高了檢測模型的準確率,并且基于深度學習的VAE過采樣方法在提高檢測模型性能方面要優(yōu)于傳統(tǒng)的SMOTE過采樣方法。出現(xiàn)這種現(xiàn)象的原因可能是SMOTE過采樣的原理過于簡單,其基于插值來合成的過采樣樣本,使得樣本缺乏創(chuàng)新性而成為冗余樣本,增加模型的訓練難度?;谏疃葘W習的過采樣方法,能夠更加準確的學習到待采樣樣本的分布,最大程度的減少冗余樣本的出現(xiàn),并且生成出具有一定創(chuàng)新性的樣本,使得檢測模型在檢測未知攻擊上具有更大的潛力。

    3 結束語

    針對網絡入侵檢測領域中由于訓練集的數(shù)據(jù)數(shù)量分布不平衡而導致檢測模型性能降低的問題。本文以重新平衡數(shù)據(jù)集內的樣本數(shù)量分布為研究目標,通過應用VAE模型對不平衡數(shù)據(jù)進行過采樣,并加入遷移學習的方法在過采樣數(shù)據(jù)集與原數(shù)據(jù)集上訓練檢測模型,提高檢測模型的準確率。在NSL-KDD數(shù)據(jù)集上實驗結果表明,與傳統(tǒng)的SMOTE過采樣方法相比,在提高檢測模型的準確率上基于深度學習的VAE過采樣方法更具有優(yōu)勢。深度生成模型在網絡安全領域存還有非常多的應用場景,更多的應用方式還需要進一步的挖掘。

    參考文獻(References):

    [1] S.Dubey and J.Dubey, "KBB: A Hybrid Method for Intru-sion Detection", in International Conference on Computer, Communication and Control,2015:1-6

    [2] CHAWLA N V, BOWYER K W, HALL L O. SMOTE:Synthetic minority over-sampling technique[J].Artificial Intelligence Research,2002.16:321-357

    [3] 陳高升.基于機器學習的網絡入侵檢測方法研究[D].重慶郵電大學,2020.

    [4] A. DIVEKAR, M. PAREKH, V. SAVLA, R. "Bench-marking datasets for Anomaly-based Network Intrusion Detection: KDD CUP 99 alternatives,"[C]//2018 IEEE 3rd Interna-tional Conference on Computing, Communication and Se-curity (ICCCS), Kathmandu,2018:1-8

    [5] 田棟文.基于自編碼器的圖像生成算法研究[D].北方民族大學,2020.

    [6] 李頊晟.基于自編碼器結構的生成對抗網絡人臉圖像生成技術研究[D].電子科技大學,2020.

    [7] 張鵬升.基于變分自編碼器的人臉正面化產生式模型[J].軟件導刊,2018.17(12):48-51

    [8] BEAULIEU-JONES B K, WU Z S, WILLIAMS C, et al.?Privacy-Preserving Generative Deep Neural Networks Support Clinical Data Sharing[J]. Circulation Cardiovas-cu-lar Quality and Outcomes,2019.12(7).

    [9] 范純龍,張振鑫,丁三軍,滕一平,王翼新.基于變分自編碼器的交互式旋律生成方法[J].計算機應用研究,2021.38(2):479-483

    [10] Kingma D P,Welling M.Auto-encoding variational bayes[C]//International Conference on Learning Represen-tations,2014.

    [11] 翟正利,梁振明,周煒,孫霞.變分自編碼器模型綜述[J].計算機工程與應用,2019.55(3):1-9

    [12] 羅智鈺,黃立群.基于變分自編碼器的入侵檢測系統(tǒng)設計與實現(xiàn)[J].電腦知識與技術,2020.16(13):22-24

    [13] NASEER S, SALEEM Y, KHALID S. Enhanced NetworkAnomaly Detection Based on Deep Neural Networks[J]. IEEE Access,2018.6:48231-48246

    [14] INGRE B, YADAV A. Performance analysis of NSL-KDD dataset using ANN[C]//International Conference on Signal Processing & Communication Engineering Systems. IEEE,2015:92-96

    [15] TAVALLAEE M, BAGHERI E, LU W, et al. A detailedanalysis of the KDD CUP 99 data set[C]//Computational Intelligence for Security and Defense Applications, 2009. CISDA 2009.? IEEE Symposium on. IEEE,2009:1-6

    猜你喜歡
    遷移學習
    《宋史·曾公亮傳》傳主形象論析
    文學教育(2018年7期)2018-07-17 18:50:52
    基于深度神經網絡的人體動作識別研究
    威斯頓相互作用法在社會保險學課程教學中的實踐
    基于卷積神經網絡的圖像分類技術
    科技視界(2017年32期)2018-01-24 17:54:40
    遷移學習在專業(yè)課程教學中的實踐研究
    遷移學習研究綜述
    從認知角度探討大學英語網絡教學模式
    基于多特征融合的跨域情感分類模型研究
    奇異值分解與移移學習在電機故障診斷中的應用
    一種基于遷移極速學習機的人體行為識別模型
    26uuu在线亚洲综合色| 特大巨黑吊av在线直播| 十分钟在线观看高清视频www | 黄色一级大片看看| 成人午夜精彩视频在线观看| 亚洲性久久影院| 久热久热在线精品观看| 99热这里只有是精品50| 色综合色国产| 老熟女久久久| 国产欧美日韩一区二区三区在线 | 欧美xxxx黑人xx丫x性爽| 亚洲怡红院男人天堂| 成人亚洲欧美一区二区av| 成人午夜精彩视频在线观看| 国产精品国产三级国产专区5o| 美女cb高潮喷水在线观看| 一级a做视频免费观看| 我的老师免费观看完整版| 久久久精品免费免费高清| 国产精品久久久久久精品电影小说 | 插阴视频在线观看视频| 一级毛片 在线播放| 在线观看免费日韩欧美大片 | 插阴视频在线观看视频| 日本猛色少妇xxxxx猛交久久| 最黄视频免费看| 男女啪啪激烈高潮av片| .国产精品久久| 亚洲,欧美,日韩| 精品视频人人做人人爽| 18禁动态无遮挡网站| 久久久色成人| 日本av手机在线免费观看| 国产精品三级大全| 日韩中字成人| 亚洲一区二区三区欧美精品| 三级经典国产精品| 国产淫语在线视频| 精品亚洲成国产av| 美女视频免费永久观看网站| 欧美丝袜亚洲另类| 毛片一级片免费看久久久久| 亚洲国产欧美人成| 亚洲av男天堂| 亚洲熟女精品中文字幕| 在线天堂最新版资源| 欧美人与善性xxx| tube8黄色片| 蜜桃亚洲精品一区二区三区| 亚洲精品第二区| av国产久精品久网站免费入址| 少妇裸体淫交视频免费看高清| 最近最新中文字幕免费大全7| 国产极品天堂在线| 亚洲av二区三区四区| 国产色爽女视频免费观看| 男人狂女人下面高潮的视频| 一级毛片我不卡| 欧美一区二区亚洲| 久久人人爽人人爽人人片va| 免费人妻精品一区二区三区视频| 欧美区成人在线视频| 少妇高潮的动态图| 日日摸夜夜添夜夜添av毛片| 中文字幕人妻熟人妻熟丝袜美| 国产中年淑女户外野战色| 日韩免费高清中文字幕av| 免费观看性生交大片5| 国产亚洲午夜精品一区二区久久| 成人国产麻豆网| 国产精品成人在线| 亚洲欧美一区二区三区黑人 | 亚洲色图综合在线观看| 日韩中文字幕视频在线看片 | 亚洲人与动物交配视频| 国语对白做爰xxxⅹ性视频网站| 精品一区在线观看国产| 五月玫瑰六月丁香| 亚洲天堂av无毛| 久久久亚洲精品成人影院| 精品国产一区二区三区久久久樱花 | av女优亚洲男人天堂| 精品久久久久久久末码| 少妇裸体淫交视频免费看高清| 亚洲国产欧美人成| 色吧在线观看| 在线观看一区二区三区| 久久99蜜桃精品久久| 国产精品一区二区性色av| 日本免费在线观看一区| 看免费成人av毛片| 精品少妇黑人巨大在线播放| 亚洲无线观看免费| 国产成人精品一,二区| 久久精品国产亚洲av天美| 九九爱精品视频在线观看| 香蕉精品网在线| 天堂俺去俺来也www色官网| 丝袜脚勾引网站| 2021少妇久久久久久久久久久| 欧美成人一区二区免费高清观看| 午夜免费鲁丝| 激情 狠狠 欧美| 国产高清国产精品国产三级 | 亚洲不卡免费看| 久久99热6这里只有精品| 国产精品久久久久成人av| 国产精品一区二区在线不卡| 欧美另类一区| 日韩av免费高清视频| 成人国产麻豆网| 精品人妻视频免费看| 午夜福利在线在线| 国产免费一级a男人的天堂| 精品酒店卫生间| 国产毛片在线视频| 精品一品国产午夜福利视频| 熟妇人妻不卡中文字幕| 亚洲欧美日韩另类电影网站 | 卡戴珊不雅视频在线播放| 日韩强制内射视频| xxx大片免费视频| 丰满人妻一区二区三区视频av| 美女主播在线视频| 亚洲av日韩在线播放| 免费av不卡在线播放| 黑丝袜美女国产一区| 亚洲经典国产精华液单| 久久久久国产网址| 内射极品少妇av片p| 欧美+日韩+精品| 国产精品国产av在线观看| 久久久久久久亚洲中文字幕| 欧美高清性xxxxhd video| 天堂俺去俺来也www色官网| 亚洲欧美一区二区三区国产| 毛片女人毛片| 欧美日韩国产mv在线观看视频 | 小蜜桃在线观看免费完整版高清| 99热这里只有是精品50| 老师上课跳d突然被开到最大视频| 伊人久久国产一区二区| 狠狠精品人妻久久久久久综合| 极品教师在线视频| 韩国高清视频一区二区三区| 国产黄色视频一区二区在线观看| 一级黄片播放器| 国产精品一区www在线观看| 日韩 亚洲 欧美在线| 97精品久久久久久久久久精品| 狂野欧美激情性bbbbbb| 久久人人爽人人片av| 久久精品久久久久久久性| 韩国高清视频一区二区三区| 国产成人精品婷婷| 搡老乐熟女国产| 亚洲欧美日韩卡通动漫| 精品一区在线观看国产| 一本—道久久a久久精品蜜桃钙片| av播播在线观看一区| 少妇人妻一区二区三区视频| 欧美日韩在线观看h| 成人毛片60女人毛片免费| 一级片'在线观看视频| 久久99精品国语久久久| 91午夜精品亚洲一区二区三区| 51国产日韩欧美| 春色校园在线视频观看| av女优亚洲男人天堂| 欧美精品亚洲一区二区| 青春草国产在线视频| 亚洲国产成人一精品久久久| 精品99又大又爽又粗少妇毛片| 国产日韩欧美亚洲二区| av在线老鸭窝| 国产高清三级在线| 国产日韩欧美在线精品| 久久久精品免费免费高清| 久久久久久久久久成人| 久久久久久久久久久免费av| 欧美三级亚洲精品| 男的添女的下面高潮视频| 欧美亚洲 丝袜 人妻 在线| 99热国产这里只有精品6| 国产精品国产三级国产av玫瑰| 国产亚洲91精品色在线| 一边亲一边摸免费视频| 国产精品爽爽va在线观看网站| 久久久久久久精品精品| 一区二区三区四区激情视频| 99久国产av精品国产电影| 免费黄色在线免费观看| 少妇 在线观看| 秋霞在线观看毛片| a级毛片免费高清观看在线播放| av国产精品久久久久影院| 在现免费观看毛片| 丝袜脚勾引网站| 啦啦啦啦在线视频资源| 中文字幕亚洲精品专区| 国产日韩欧美在线精品| 欧美日本视频| 成人免费观看视频高清| 国产熟女欧美一区二区| 久久久久久九九精品二区国产| 日韩一本色道免费dvd| 国产高潮美女av| 欧美精品一区二区免费开放| 日日撸夜夜添| 国产精品爽爽va在线观看网站| av在线播放精品| 精品久久久久久久末码| 欧美精品亚洲一区二区| 特大巨黑吊av在线直播| 直男gayav资源| 成人综合一区亚洲| 国产在线视频一区二区| 久久久久久久久久人人人人人人| 1000部很黄的大片| 日韩av在线免费看完整版不卡| 只有这里有精品99| 亚洲av男天堂| 舔av片在线| 欧美日韩国产mv在线观看视频 | 亚洲欧美日韩东京热| 日韩人妻高清精品专区| 欧美日韩在线观看h| 爱豆传媒免费全集在线观看| 国产亚洲最大av| 欧美xxxx黑人xx丫x性爽| 黄色视频在线播放观看不卡| 成人二区视频| av在线老鸭窝| 看免费成人av毛片| 午夜福利在线观看免费完整高清在| 亚洲av国产av综合av卡| 亚洲av.av天堂| 激情 狠狠 欧美| 国内精品宾馆在线| 欧美3d第一页| 国产亚洲av片在线观看秒播厂| 免费人成在线观看视频色| 亚洲国产精品999| 大陆偷拍与自拍| 在线观看av片永久免费下载| 少妇被粗大猛烈的视频| 又粗又硬又长又爽又黄的视频| 天堂8中文在线网| 91精品伊人久久大香线蕉| 国产老妇伦熟女老妇高清| 中文字幕免费在线视频6| 精品一品国产午夜福利视频| 亚洲在久久综合| 人妻夜夜爽99麻豆av| 3wmmmm亚洲av在线观看| 日韩av免费高清视频| 六月丁香七月| 一级毛片aaaaaa免费看小| 高清视频免费观看一区二区| av国产免费在线观看| 丰满迷人的少妇在线观看| 久久青草综合色| a 毛片基地| 久久精品国产a三级三级三级| 午夜视频国产福利| 少妇高潮的动态图| 国产精品偷伦视频观看了| 中文精品一卡2卡3卡4更新| 免费观看无遮挡的男女| 五月天丁香电影| 国产久久久一区二区三区| 国产又色又爽无遮挡免| 欧美日韩一区二区视频在线观看视频在线| 婷婷色综合大香蕉| 色吧在线观看| 久久韩国三级中文字幕| 妹子高潮喷水视频| 久热这里只有精品99| 免费av不卡在线播放| 日本av免费视频播放| 欧美国产精品一级二级三级 | 久久青草综合色| 久久精品夜色国产| 国产日韩欧美在线精品| 黄色日韩在线| 一区在线观看完整版| 免费久久久久久久精品成人欧美视频 | 欧美一级a爱片免费观看看| 黄色配什么色好看| 国产精品福利在线免费观看| 国产成人精品婷婷| 好男人视频免费观看在线| 女的被弄到高潮叫床怎么办| 成人综合一区亚洲| 最近中文字幕2019免费版| 国产午夜精品久久久久久一区二区三区| 中国三级夫妇交换| 久久青草综合色| 99久国产av精品国产电影| 老熟女久久久| 黄色配什么色好看| 男女边摸边吃奶| 在线观看三级黄色| 日韩欧美精品免费久久| 美女视频免费永久观看网站| 另类亚洲欧美激情| 高清午夜精品一区二区三区| 亚洲美女视频黄频| 久久人人爽av亚洲精品天堂 | 国产精品久久久久久久电影| 草草在线视频免费看| 久久97久久精品| 久久人人爽人人片av| 一级毛片aaaaaa免费看小| 亚洲av日韩在线播放| 亚洲综合色惰| 久久韩国三级中文字幕| 成人二区视频| 久久久久久久久久成人| 国产亚洲5aaaaa淫片| 噜噜噜噜噜久久久久久91| 日韩 亚洲 欧美在线| 大又大粗又爽又黄少妇毛片口| 国产白丝娇喘喷水9色精品| 国产一区二区在线观看日韩| 在线观看国产h片| 麻豆成人午夜福利视频| 国产 一区 欧美 日韩| 久久国产精品大桥未久av | 纵有疾风起免费观看全集完整版| 亚洲怡红院男人天堂| 视频中文字幕在线观看| 精品一区二区三区视频在线| 伊人久久国产一区二区| 一个人看的www免费观看视频| 最黄视频免费看| 久久久精品94久久精品| 国产精品一区www在线观看| 国产免费又黄又爽又色| 国产精品久久久久久久电影| www.色视频.com| 好男人视频免费观看在线| 精品99又大又爽又粗少妇毛片| 久久av网站| 亚洲精品自拍成人| 久久ye,这里只有精品| 亚洲精品第二区| 国产av一区二区精品久久 | 成人国产麻豆网| 日韩成人av中文字幕在线观看| 干丝袜人妻中文字幕| 尾随美女入室| 日日啪夜夜撸| 偷拍熟女少妇极品色| 日本黄色片子视频| 欧美+日韩+精品| 亚洲熟女精品中文字幕| 色视频在线一区二区三区| 干丝袜人妻中文字幕| 亚洲久久久国产精品| 91aial.com中文字幕在线观看| 国产精品女同一区二区软件| 少妇 在线观看| 91狼人影院| 欧美精品一区二区免费开放| 一级二级三级毛片免费看| 久久久久精品性色| 日韩欧美一区视频在线观看 | 久久久久国产网址| 日本与韩国留学比较| 视频中文字幕在线观看| 极品教师在线视频| 亚洲经典国产精华液单| 高清日韩中文字幕在线| 国产永久视频网站| 视频中文字幕在线观看| av黄色大香蕉| 亚洲精品aⅴ在线观看| 国产亚洲91精品色在线| 精品人妻熟女av久视频| 国产欧美日韩精品一区二区| av.在线天堂| 十分钟在线观看高清视频www | 日日啪夜夜撸| av在线播放精品| 涩涩av久久男人的天堂| 99视频精品全部免费 在线| 99热网站在线观看| 久久久色成人| 小蜜桃在线观看免费完整版高清| 中文字幕av成人在线电影| 噜噜噜噜噜久久久久久91| 韩国高清视频一区二区三区| 女人久久www免费人成看片| 高清日韩中文字幕在线| 日韩 亚洲 欧美在线| 高清视频免费观看一区二区| 少妇人妻 视频| 美女cb高潮喷水在线观看| 日韩电影二区| 国产黄色免费在线视频| 天堂8中文在线网| 狠狠精品人妻久久久久久综合| 插逼视频在线观看| xxx大片免费视频| 欧美精品亚洲一区二区| 欧美激情国产日韩精品一区| 国产成人91sexporn| 下体分泌物呈黄色| 亚洲最大成人中文| 成人国产av品久久久| av.在线天堂| 亚洲内射少妇av| 成人二区视频| 国产av精品麻豆| 九色成人免费人妻av| 免费黄色在线免费观看| 亚洲国产日韩一区二区| 国产成人免费观看mmmm| 国产美女午夜福利| 不卡视频在线观看欧美| 亚洲精品乱久久久久久| 免费黄色在线免费观看| 亚洲中文av在线| 亚洲国产欧美在线一区| 99热全是精品| 黄色日韩在线| 一边亲一边摸免费视频| 免费看av在线观看网站| 人体艺术视频欧美日本| 欧美国产精品一级二级三级 | 97精品久久久久久久久久精品| 久久毛片免费看一区二区三区| 看十八女毛片水多多多| 寂寞人妻少妇视频99o| 国产精品久久久久久久电影| www.av在线官网国产| 国产精品一区二区在线观看99| 欧美xxⅹ黑人| 久久久久久伊人网av| 日韩欧美精品免费久久| 精品一区二区三卡| 日本与韩国留学比较| 美女内射精品一级片tv| 亚洲第一av免费看| 亚洲真实伦在线观看| av卡一久久| 人妻 亚洲 视频| 少妇丰满av| 国产精品一区www在线观看| 国产毛片在线视频| 亚洲国产av新网站| 在线 av 中文字幕| 久久毛片免费看一区二区三区| 少妇人妻一区二区三区视频| 最近手机中文字幕大全| 国产精品国产av在线观看| 日本wwww免费看| 欧美精品亚洲一区二区| 成人免费观看视频高清| 日韩av免费高清视频| 久久久久久人妻| 欧美精品人与动牲交sv欧美| 国产高清有码在线观看视频| 久久久久精品久久久久真实原创| 国产欧美另类精品又又久久亚洲欧美| 国产美女午夜福利| 女人久久www免费人成看片| 91久久精品国产一区二区三区| 蜜桃久久精品国产亚洲av| 午夜福利网站1000一区二区三区| av在线播放精品| 日韩欧美一区视频在线观看 | 边亲边吃奶的免费视频| 久久综合国产亚洲精品| 亚洲精品国产av蜜桃| 人体艺术视频欧美日本| 成人漫画全彩无遮挡| 精品久久久噜噜| 亚洲欧美日韩无卡精品| 热99国产精品久久久久久7| 亚洲最大成人中文| 夫妻午夜视频| 极品少妇高潮喷水抽搐| 亚洲精品日韩在线中文字幕| 精品久久久久久久末码| 国产欧美日韩精品一区二区| 日本色播在线视频| 久久久久精品性色| 波野结衣二区三区在线| 成人特级av手机在线观看| 在线观看人妻少妇| 免费高清在线观看视频在线观看| 成人亚洲精品一区在线观看 | 最后的刺客免费高清国语| 少妇高潮的动态图| 日韩av免费高清视频| 免费看av在线观看网站| 交换朋友夫妻互换小说| 亚洲高清免费不卡视频| 国产伦理片在线播放av一区| 五月玫瑰六月丁香| 亚洲精品456在线播放app| 亚洲国产高清在线一区二区三| 午夜免费鲁丝| a级一级毛片免费在线观看| 菩萨蛮人人尽说江南好唐韦庄| 最近的中文字幕免费完整| 伦理电影大哥的女人| 一级二级三级毛片免费看| 联通29元200g的流量卡| 久久久久精品久久久久真实原创| 在线免费十八禁| 女性生殖器流出的白浆| 久久综合国产亚洲精品| 国产成人午夜福利电影在线观看| 97超视频在线观看视频| 国产精品久久久久久久久免| 午夜日本视频在线| 春色校园在线视频观看| 五月开心婷婷网| 校园人妻丝袜中文字幕| 少妇的逼水好多| 亚洲自偷自拍三级| 99热这里只有精品一区| 久久99蜜桃精品久久| 精品人妻熟女av久视频| 亚洲电影在线观看av| 亚洲欧美日韩卡通动漫| kizo精华| 国产精品免费大片| 丝袜喷水一区| 日韩不卡一区二区三区视频在线| 亚洲精品第二区| 高清午夜精品一区二区三区| 最近中文字幕高清免费大全6| 国产精品人妻久久久久久| 亚洲国产欧美在线一区| 精品亚洲乱码少妇综合久久| 国产精品偷伦视频观看了| 狂野欧美白嫩少妇大欣赏| 在线看a的网站| 最近手机中文字幕大全| 一个人看的www免费观看视频| 日本爱情动作片www.在线观看| 欧美日本视频| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲人与动物交配视频| 亚洲国产高清在线一区二区三| 欧美成人一区二区免费高清观看| 黄色配什么色好看| 天堂8中文在线网| kizo精华| 国产视频首页在线观看| 久久这里有精品视频免费| 又粗又硬又长又爽又黄的视频| 久久久久久久亚洲中文字幕| 我的女老师完整版在线观看| 国产深夜福利视频在线观看| 亚洲欧洲国产日韩| 久久久久久人妻| 日韩伦理黄色片| 韩国高清视频一区二区三区| 久久久久久九九精品二区国产| 亚洲国产色片| 亚洲精品aⅴ在线观看| 五月天丁香电影| 国产免费福利视频在线观看| 一本一本综合久久| 亚洲av日韩在线播放| 在现免费观看毛片| 插逼视频在线观看| 性色avwww在线观看| av福利片在线观看| 久久国产亚洲av麻豆专区| 久久鲁丝午夜福利片| 久久6这里有精品| 色综合色国产| 亚洲成人手机| 波野结衣二区三区在线| videossex国产| 国产精品久久久久久久电影| 插阴视频在线观看视频| 高清午夜精品一区二区三区| 免费观看的影片在线观看| 日本免费在线观看一区| 中文字幕精品免费在线观看视频 | 亚洲国产高清在线一区二区三| 中文字幕精品免费在线观看视频 | 寂寞人妻少妇视频99o| 一本一本综合久久| 午夜福利网站1000一区二区三区| 国产精品嫩草影院av在线观看| 午夜福利网站1000一区二区三区| 国产精品久久久久久精品电影小说 | 蜜臀久久99精品久久宅男| 麻豆精品久久久久久蜜桃| 一区二区三区精品91| 亚洲精品中文字幕在线视频 | 久久久久国产网址| 久久韩国三级中文字幕| 国产男女超爽视频在线观看| 我要看黄色一级片免费的| 我的老师免费观看完整版| 国产成人aa在线观看| 免费高清在线观看视频在线观看| 亚洲av综合色区一区| 成人国产麻豆网| 国产大屁股一区二区在线视频| 亚洲精品色激情综合| av专区在线播放| 激情五月婷婷亚洲| 亚洲人成网站高清观看| 精品久久久久久久久亚洲|