• <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
    亚洲天堂国产精品一区在线| 怎么达到女性高潮| 成人av在线播放网站| 一本一本综合久久| 床上黄色一级片| 人人妻人人澡欧美一区二区| av天堂中文字幕网| 一区二区三区激情视频| 免费无遮挡裸体视频| 亚洲va日本ⅴa欧美va伊人久久| 可以在线观看毛片的网站| 成人欧美大片| 波多野结衣巨乳人妻| 一区二区三区国产精品乱码| 黑人操中国人逼视频| 人人妻人人看人人澡| 国产午夜精品论理片| 欧美日本视频| 天堂av国产一区二区熟女人妻| 免费在线观看成人毛片| 十八禁人妻一区二区| 麻豆av在线久日| 欧美xxxx黑人xx丫x性爽| 久久中文字幕人妻熟女| 欧美日韩中文字幕国产精品一区二区三区| 岛国视频午夜一区免费看| 丰满人妻一区二区三区视频av | 又大又爽又粗| 这个男人来自地球电影免费观看| 成人无遮挡网站| 国产91精品成人一区二区三区| 亚洲国产欧洲综合997久久,| 国产av不卡久久| а√天堂www在线а√下载| 精品无人区乱码1区二区| 啦啦啦观看免费观看视频高清| 在线观看免费视频日本深夜| 亚洲,欧美精品.| 天天躁日日操中文字幕| 日韩欧美国产在线观看| 精品久久久久久久久久免费视频| 午夜福利在线观看免费完整高清在 | 欧美国产日韩亚洲一区| 亚洲中文字幕日韩| 午夜免费观看网址| 国模一区二区三区四区视频 | 国产成年人精品一区二区| 久久天躁狠狠躁夜夜2o2o| 熟女少妇亚洲综合色aaa.| 久久精品亚洲精品国产色婷小说| 嫩草影视91久久| 97超视频在线观看视频| 男人和女人高潮做爰伦理| 亚洲天堂国产精品一区在线| 人妻夜夜爽99麻豆av| 精品乱码久久久久久99久播| 欧美成狂野欧美在线观看| 一本精品99久久精品77| 国产99白浆流出| 久久久久久久久久黄片| 麻豆国产av国片精品| 久久国产精品人妻蜜桃| 悠悠久久av| 日本精品一区二区三区蜜桃| 国产真实乱freesex| 久久久精品大字幕| 国产精品久久久久久久电影 | 久久久久国内视频| 看免费av毛片| 国产三级中文精品| а√天堂www在线а√下载| 国产单亲对白刺激| 一级黄色大片毛片| 亚洲18禁久久av| 高清毛片免费观看视频网站| 啦啦啦观看免费观看视频高清| 老汉色∧v一级毛片| 欧美黄色片欧美黄色片| 后天国语完整版免费观看| 久久国产精品人妻蜜桃| 又粗又爽又猛毛片免费看| 亚洲精品粉嫩美女一区| 免费在线观看成人毛片| 欧美激情久久久久久爽电影| 欧美午夜高清在线| 麻豆国产av国片精品| 国产激情欧美一区二区| 欧美又色又爽又黄视频| 成人午夜高清在线视频| 亚洲欧洲精品一区二区精品久久久| 一个人看的www免费观看视频| 国产精品香港三级国产av潘金莲| 国产成人影院久久av| 亚洲天堂国产精品一区在线| 男人舔女人的私密视频| 欧美一区二区国产精品久久精品| 麻豆国产av国片精品| 日本一本二区三区精品| 精品一区二区三区视频在线观看免费| 欧美一区二区国产精品久久精品| 99久久综合精品五月天人人| 精品不卡国产一区二区三区| 国产av不卡久久| 日本与韩国留学比较| 久久久精品欧美日韩精品| 老司机午夜十八禁免费视频| 色老头精品视频在线观看| 亚洲片人在线观看| 后天国语完整版免费观看| 美女被艹到高潮喷水动态| 伊人久久大香线蕉亚洲五| 嫩草影院精品99| 在线看三级毛片| 一本综合久久免费| 黄色女人牲交| 亚洲欧美日韩高清专用| 欧美乱码精品一区二区三区| 99久久精品热视频| 久久久国产成人免费| 精品国内亚洲2022精品成人| 最好的美女福利视频网| 国产精品 国内视频| 精品久久久久久久久久久久久| 精品不卡国产一区二区三区| 一二三四社区在线视频社区8| 亚洲国产色片| 免费在线观看视频国产中文字幕亚洲| 国产精品av视频在线免费观看| 色精品久久人妻99蜜桃| 99精品在免费线老司机午夜| 午夜福利18| 久久中文字幕一级| 亚洲avbb在线观看| 999久久久国产精品视频| 午夜福利免费观看在线| 美女扒开内裤让男人捅视频| 身体一侧抽搐| 嫩草影院精品99| 精品久久蜜臀av无| 国产一区二区三区视频了| 欧美一区二区国产精品久久精品| 欧美中文综合在线视频| 午夜福利高清视频| 俄罗斯特黄特色一大片| 色尼玛亚洲综合影院| 欧美日韩黄片免| 亚洲精品粉嫩美女一区| 人妻久久中文字幕网| av福利片在线观看| 久久香蕉国产精品| 久久这里只有精品19| 亚洲人成网站高清观看| 精品人妻1区二区| 国产黄色小视频在线观看| 91麻豆av在线| 999精品在线视频| 亚洲中文av在线| 夜夜夜夜夜久久久久| 少妇熟女aⅴ在线视频| 热99在线观看视频| 可以在线观看的亚洲视频| 在线观看舔阴道视频| 亚洲国产看品久久| 国产亚洲精品久久久com| 国产激情欧美一区二区| 99re在线观看精品视频| 精品一区二区三区视频在线 | 老司机深夜福利视频在线观看| 精品电影一区二区在线| 麻豆国产97在线/欧美| 久9热在线精品视频| 看片在线看免费视频| 亚洲av五月六月丁香网| 亚洲美女视频黄频| 精品久久久久久久末码| 国产v大片淫在线免费观看| 色老头精品视频在线观看| 午夜福利在线在线| 叶爱在线成人免费视频播放| 色视频www国产| 一级毛片高清免费大全| 久久国产精品影院| 久久精品夜夜夜夜夜久久蜜豆| 制服丝袜大香蕉在线| 国产成人欧美在线观看| 中文字幕高清在线视频| 亚洲精品在线美女| 宅男免费午夜| 亚洲国产欧美一区二区综合| 亚洲男人的天堂狠狠| 欧美乱码精品一区二区三区| 老熟妇仑乱视频hdxx| 美女黄网站色视频| 亚洲黑人精品在线| 成年女人毛片免费观看观看9| 亚洲av片天天在线观看| 日韩欧美 国产精品| 亚洲,欧美精品.| 丝袜人妻中文字幕| 99久久成人亚洲精品观看| 黄色日韩在线| 午夜福利欧美成人| 亚洲欧美一区二区三区黑人| 亚洲成a人片在线一区二区| 精品一区二区三区av网在线观看| 91av网一区二区| 禁无遮挡网站| 婷婷亚洲欧美| 国产免费av片在线观看野外av| 免费人成视频x8x8入口观看| 亚洲欧美激情综合另类| 国产精品一区二区免费欧美| www日本在线高清视频| 亚洲真实伦在线观看| 亚洲av美国av| 日本免费a在线| 亚洲人与动物交配视频| 免费在线观看日本一区| 欧美三级亚洲精品| 99热只有精品国产| 久久久久国内视频| 一本精品99久久精品77| 午夜两性在线视频| 18禁国产床啪视频网站| a级毛片在线看网站| 精品99又大又爽又粗少妇毛片 | 黄色 视频免费看| 天天添夜夜摸| 免费在线观看日本一区| 九九久久精品国产亚洲av麻豆 | 精品福利观看| 精品久久久久久久毛片微露脸| 午夜成年电影在线免费观看| 人人妻人人澡欧美一区二区| 麻豆国产av国片精品| 无限看片的www在线观看| 午夜福利在线在线| 亚洲av熟女| 日日摸夜夜添夜夜添小说| 99re在线观看精品视频| 老司机午夜十八禁免费视频| 悠悠久久av| 免费搜索国产男女视频| 国产精品99久久久久久久久| 中文字幕人妻丝袜一区二区| 国产成人啪精品午夜网站| 亚洲 国产 在线| 母亲3免费完整高清在线观看| 精品久久久久久久久久免费视频| 午夜福利18| 欧美乱妇无乱码| 免费在线观看视频国产中文字幕亚洲| 久久精品影院6| 蜜桃久久精品国产亚洲av| www.自偷自拍.com| 亚洲五月婷婷丁香| 一二三四在线观看免费中文在| 亚洲无线在线观看| 国产人伦9x9x在线观看| 午夜影院日韩av| 禁无遮挡网站| 久久国产精品影院| 91久久精品国产一区二区成人 | 成人国产综合亚洲| 少妇裸体淫交视频免费看高清| 精品国产乱子伦一区二区三区| 啦啦啦免费观看视频1| 麻豆成人午夜福利视频| 欧美三级亚洲精品| 中国美女看黄片| 又黄又粗又硬又大视频| 成人特级av手机在线观看| 人妻久久中文字幕网| 亚洲自偷自拍图片 自拍| 亚洲av成人不卡在线观看播放网| 男女做爰动态图高潮gif福利片| 狠狠狠狠99中文字幕| 成人鲁丝片一二三区免费| 亚洲va日本ⅴa欧美va伊人久久| 国产又色又爽无遮挡免费看| 美女cb高潮喷水在线观看 | 久久精品影院6| 热99re8久久精品国产| 99久久99久久久精品蜜桃| 亚洲真实伦在线观看| 男女之事视频高清在线观看| 亚洲国产中文字幕在线视频| 国产精品一区二区精品视频观看| 国产欧美日韩一区二区三| 亚洲国产色片| 亚洲无线观看免费| 一进一出抽搐gif免费好疼| 九九久久精品国产亚洲av麻豆 | 97超级碰碰碰精品色视频在线观看| 人人妻人人看人人澡| 精品久久久久久,| 国产成人精品久久二区二区91| 亚洲avbb在线观看| 在线观看免费视频日本深夜| 国产不卡一卡二| 国产精品九九99| 欧美在线一区亚洲| 日韩有码中文字幕| 欧洲精品卡2卡3卡4卡5卡区| 午夜日韩欧美国产| 九九在线视频观看精品| avwww免费| 国产精品 国内视频| 欧美大码av| 国内精品美女久久久久久| 久久精品综合一区二区三区| 香蕉国产在线看| 日日夜夜操网爽| 好男人电影高清在线观看| 19禁男女啪啪无遮挡网站| 一进一出抽搐动态| 日韩精品中文字幕看吧| 亚洲精品美女久久久久99蜜臀| 午夜精品久久久久久毛片777| 午夜精品一区二区三区免费看| 免费在线观看影片大全网站| 一夜夜www| 欧美另类亚洲清纯唯美| 熟女电影av网| 听说在线观看完整版免费高清| 精品午夜福利视频在线观看一区| 九九在线视频观看精品| 久久久精品欧美日韩精品| 真实男女啪啪啪动态图| 丰满人妻一区二区三区视频av | 真实男女啪啪啪动态图| 久久精品国产清高在天天线| 日本在线视频免费播放| 久久婷婷人人爽人人干人人爱| 亚洲第一欧美日韩一区二区三区| 在线视频色国产色| 两人在一起打扑克的视频| 免费在线观看影片大全网站| 久久久久九九精品影院| 麻豆成人av在线观看| 性色av乱码一区二区三区2| 午夜日韩欧美国产| a级毛片在线看网站| 欧美日韩瑟瑟在线播放| 国产成人精品久久二区二区91| 国产精品亚洲美女久久久| 国产成人福利小说| 美女被艹到高潮喷水动态| 99精品欧美一区二区三区四区| 伦理电影免费视频| 99久久精品热视频| 久久久久精品国产欧美久久久| 精华霜和精华液先用哪个| 精品一区二区三区四区五区乱码| 又粗又爽又猛毛片免费看| 国产亚洲av嫩草精品影院| 一个人看的www免费观看视频| 日日干狠狠操夜夜爽| 欧美高清成人免费视频www| 女生性感内裤真人,穿戴方法视频| 国产成人av激情在线播放| 国产精品,欧美在线| 国产av一区在线观看免费| 美女免费视频网站| 成人亚洲精品av一区二区| 最好的美女福利视频网| 女人被狂操c到高潮| 2021天堂中文幕一二区在线观| 在线免费观看不下载黄p国产 | 国产成人aa在线观看| 黄色 视频免费看| 欧美高清成人免费视频www| 国产真人三级小视频在线观看| av在线蜜桃| 精品免费久久久久久久清纯| 日本熟妇午夜| 91久久精品国产一区二区成人 | 国产精品1区2区在线观看.| 俄罗斯特黄特色一大片| 特级一级黄色大片| 黄频高清免费视频| 不卡av一区二区三区| 性色av乱码一区二区三区2| 欧美乱色亚洲激情| 亚洲欧美日韩卡通动漫| 婷婷精品国产亚洲av| 欧美成人性av电影在线观看| 欧美日韩瑟瑟在线播放| 国产精品 国内视频| 一个人看的www免费观看视频| 91久久精品国产一区二区成人 | 日韩中文字幕欧美一区二区| 男人的好看免费观看在线视频| 全区人妻精品视频| 18禁裸乳无遮挡免费网站照片| 国产精品乱码一区二三区的特点| 色播亚洲综合网| 欧美日韩瑟瑟在线播放| 嫩草影院入口| 小说图片视频综合网站| 两性夫妻黄色片| 国产精品亚洲一级av第二区| 一本一本综合久久| 999久久久国产精品视频| 18禁黄网站禁片午夜丰满| 好男人电影高清在线观看| 亚洲人与动物交配视频| 人人妻人人澡欧美一区二区| 99久国产av精品| 色噜噜av男人的天堂激情| 国产激情久久老熟女| 国产精品av视频在线免费观看| 亚洲精品456在线播放app | 黄色丝袜av网址大全| 精品国产三级普通话版| 国内久久婷婷六月综合欲色啪| 国产精品香港三级国产av潘金莲| 99久久成人亚洲精品观看| 国产私拍福利视频在线观看| 99热这里只有是精品50| 天堂√8在线中文| 国产伦精品一区二区三区四那| 九九热线精品视视频播放| 91在线观看av| 日本a在线网址| 激情在线观看视频在线高清| 久久精品91无色码中文字幕| 亚洲精品在线美女| 18禁黄网站禁片午夜丰满| 99国产极品粉嫩在线观看| 欧美3d第一页| 国产高清激情床上av| 黄色丝袜av网址大全| 日韩欧美三级三区| 亚洲av中文字字幕乱码综合| 精品国产乱码久久久久久男人| 无限看片的www在线观看| 成人午夜高清在线视频| 小说图片视频综合网站| 麻豆国产av国片精品| 好男人电影高清在线观看| 97超级碰碰碰精品色视频在线观看| 久久国产乱子伦精品免费另类| 法律面前人人平等表现在哪些方面| 无限看片的www在线观看| 国产成人精品无人区| 免费无遮挡裸体视频| 18美女黄网站色大片免费观看| 亚洲人成网站在线播放欧美日韩| 美女cb高潮喷水在线观看 | 久久草成人影院| 日韩 欧美 亚洲 中文字幕| 日本三级黄在线观看| 香蕉av资源在线| 人妻丰满熟妇av一区二区三区| 麻豆国产97在线/欧美| netflix在线观看网站| 精品国产乱码久久久久久男人| 国产精品一区二区三区四区免费观看 | 91av网站免费观看| 黄色成人免费大全| 国产淫片久久久久久久久 | 99久久99久久久精品蜜桃| 欧美日韩乱码在线| 日本成人三级电影网站| 国产欧美日韩一区二区精品| 免费看a级黄色片| 校园春色视频在线观看| 免费电影在线观看免费观看| 99国产精品99久久久久| 欧美成人性av电影在线观看| 日韩中文字幕欧美一区二区| 热99re8久久精品国产| 国产精品久久久av美女十八| 亚洲第一电影网av| 19禁男女啪啪无遮挡网站| 欧美乱码精品一区二区三区| 一个人观看的视频www高清免费观看 | 91麻豆精品激情在线观看国产| 99热精品在线国产| 国产精品精品国产色婷婷| 免费看光身美女| 亚洲av第一区精品v没综合| 又紧又爽又黄一区二区| 熟女人妻精品中文字幕| 日韩欧美精品v在线| 亚洲男人的天堂狠狠| 男女床上黄色一级片免费看| 91九色精品人成在线观看| 色播亚洲综合网| 999久久久精品免费观看国产| 美女 人体艺术 gogo| www日本黄色视频网| 黄色丝袜av网址大全| 国产午夜精品久久久久久| 国产精品99久久久久久久久| 18禁裸乳无遮挡免费网站照片| 18禁观看日本| 亚洲av电影不卡..在线观看| 黄片小视频在线播放| 国产伦精品一区二区三区四那| 性色av乱码一区二区三区2| 在线观看免费视频日本深夜| 国产成人一区二区三区免费视频网站| 午夜福利欧美成人| 中文字幕久久专区| 91av网站免费观看| 久久久久国产精品人妻aⅴ院| 国产亚洲av嫩草精品影院| 亚洲精品在线观看二区| 欧美国产日韩亚洲一区| 亚洲中文av在线| 99国产精品一区二区三区| 一边摸一边抽搐一进一小说| 国产精品综合久久久久久久免费| 婷婷丁香在线五月| www.999成人在线观看| 一本综合久久免费| 桃红色精品国产亚洲av| 此物有八面人人有两片| 精品久久久久久成人av| 国产黄a三级三级三级人| 国产亚洲精品一区二区www| 一边摸一边抽搐一进一小说| 神马国产精品三级电影在线观看| 日本在线视频免费播放| 视频区欧美日本亚洲| 免费无遮挡裸体视频| 亚洲国产色片| 日韩 欧美 亚洲 中文字幕| 人妻丰满熟妇av一区二区三区| 91av网站免费观看| 精品国产超薄肉色丝袜足j| 日本黄色片子视频| 日韩欧美三级三区| 无限看片的www在线观看| 亚洲五月婷婷丁香| 久9热在线精品视频| 一级a爱片免费观看的视频| 一本精品99久久精品77| 亚洲性夜色夜夜综合| 又紧又爽又黄一区二区| aaaaa片日本免费| 男女做爰动态图高潮gif福利片| 美女被艹到高潮喷水动态| 成人午夜高清在线视频| 一区二区三区高清视频在线| 精品久久蜜臀av无| 免费高清视频大片| 两性午夜刺激爽爽歪歪视频在线观看| 香蕉国产在线看| 国产精品久久久av美女十八| 高潮久久久久久久久久久不卡| 搡老妇女老女人老熟妇| 亚洲电影在线观看av| 欧美3d第一页| 国产精品一区二区三区四区久久| 日本熟妇午夜| 成人av在线播放网站| 五月伊人婷婷丁香| 免费在线观看日本一区| 亚洲aⅴ乱码一区二区在线播放| 老汉色∧v一级毛片| 中出人妻视频一区二区| 国产真人三级小视频在线观看| 脱女人内裤的视频| 色播亚洲综合网| 伊人久久大香线蕉亚洲五| 成人18禁在线播放| 欧美性猛交╳xxx乱大交人| 欧美日韩精品网址| 久久这里只有精品19| 亚洲激情在线av| 一本综合久久免费| 久久久色成人| 啦啦啦免费观看视频1| 成人欧美大片| 成人特级av手机在线观看| av天堂中文字幕网| 女警被强在线播放| 香蕉av资源在线| 国产伦一二天堂av在线观看| 欧美成狂野欧美在线观看| 99re在线观看精品视频| 一级毛片高清免费大全| 国产成人影院久久av| 日韩欧美精品v在线| 免费在线观看日本一区| 母亲3免费完整高清在线观看| 此物有八面人人有两片| 最新美女视频免费是黄的| 18禁美女被吸乳视频| 国产爱豆传媒在线观看| 高清在线国产一区| 我要搜黄色片| 久久久久久人人人人人| 蜜桃久久精品国产亚洲av| 噜噜噜噜噜久久久久久91| 久久精品91蜜桃| 免费看日本二区| 老汉色av国产亚洲站长工具| h日本视频在线播放| 精品熟女少妇八av免费久了| 久久精品aⅴ一区二区三区四区| 中文字幕高清在线视频| 日本一二三区视频观看| 国产一区二区在线观看日韩 | 国产精品乱码一区二三区的特点| 亚洲人成电影免费在线| 午夜免费观看网址| 不卡av一区二区三区| 一进一出抽搐动态| 丰满人妻一区二区三区视频av | 中文亚洲av片在线观看爽| 又爽又黄无遮挡网站|