• <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 ?

    基于多任務(wù)聯(lián)合學(xué)習(xí)的入侵檢測方法

    2022-03-26 06:53:36劉勝全
    關(guān)鍵詞:多任務(wù)類別損失

    劉 源,劉勝全,劉 艷

    (新疆大學(xué)信息科學(xué)與工程學(xué)院,新疆 烏魯木齊 830046)

    0 引言

    近些年來,互聯(lián)網(wǎng)技術(shù)飛速發(fā)展且逐漸成熟,網(wǎng)絡(luò)所帶來的便利已經(jīng)滲透到了人們生產(chǎn)生活中的各個方面,隨之而來的是網(wǎng)絡(luò)攻擊的風(fēng)險也急劇增加.網(wǎng)絡(luò)攻擊的罪魁禍?zhǔn)字痪褪蔷W(wǎng)絡(luò)入侵,現(xiàn)有的入侵檢測技術(shù)基于模式匹配,準(zhǔn)確率高但卻需要人工建立特征庫,而基于深度學(xué)習(xí)的入侵檢測方法無須人工提取特征,但對于少數(shù)類攻擊檢測率低,因此如何提高少數(shù)類的識別率是目前網(wǎng)絡(luò)入侵檢測方法面臨的主要難題.

    在文本分類領(lǐng)域,TextCNN取得了非常好的分類效果[1],它采用一個主任務(wù)加兩個輔助任務(wù)完成整個分類模型的構(gòu)建,借助輔助任務(wù)來改善原任務(wù)模型的性能.

    相較于傳統(tǒng)機器學(xué)習(xí)方法,深度學(xué)習(xí)在特征提取方面有著更好的表現(xiàn),近年來隨著深度學(xué)習(xí)的逐漸成熟,入侵檢測方法也逐漸向深度學(xué)習(xí)靠攏.Javaid等[2]采用稀疏自編碼器做特征提取,取得了比傳統(tǒng)機器學(xué)習(xí)更好的結(jié)果;Tan等[3]將預(yù)訓(xùn)練深度置信網(wǎng)絡(luò)(DBN)引入入侵檢測,同時與傳統(tǒng)機器學(xué)習(xí)方法進行了對比;楊昆明等[4]在采用深度置信網(wǎng)絡(luò)的情況下,使用SVM代替SOFTMAX分類器,在二分類上取得了更好的結(jié)果;Deng等[5]將卷積神經(jīng)網(wǎng)絡(luò)(CNN)應(yīng)用于入侵檢測,將流量信息轉(zhuǎn)換為灰度圖再通過CNN提取特征,加強了模型的通用性,同時取得了較好的成果;Kim等[6]使用了長短時記憶網(wǎng)絡(luò)(LSTM),同時提出了一種神經(jīng)語言模型,將系統(tǒng)調(diào)用序列建模為一種自然語言,降低了誤報率;方圓等[7]提出了一種混合模型,將卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)串聯(lián)起來,先經(jīng)過CNN提取出網(wǎng)絡(luò)流量的空間特征,再通過LSTM對已經(jīng)時間序列化的數(shù)據(jù)進行訓(xùn)練最終得到結(jié)果.

    上述深度學(xué)習(xí)方法均采用單一任務(wù),即對模型只進行二分類或多分類訓(xùn)練,該方法雖然對常見類型能夠有較好的判別,但流量數(shù)據(jù)不平衡性導(dǎo)致少數(shù)類別召回率低的問題仍然存在.本文結(jié)合注意力混合模型與多任務(wù)學(xué)習(xí),對高維流量特征的權(quán)重進行初始化,從眾多信息中選擇出更關(guān)鍵的信息.再分別提取空間特征與時序特征,將兩部分特征進行融合,從而獲得更加全面的流量信息,通過輔助任務(wù)的加入,降低數(shù)據(jù)不平衡性的影響以提升分類準(zhǔn)確率和泛化性能.

    1 模型簡介

    1.1 多任務(wù)學(xué)習(xí)

    多任務(wù)學(xué)習(xí)的主要目標(biāo)是通過多個相關(guān)的不同任務(wù),來優(yōu)化共享網(wǎng)絡(luò)的參數(shù),多任務(wù)學(xué)習(xí)能夠更好地挖掘任務(wù)之間具有的聯(lián)系[8].

    多任務(wù)學(xué)習(xí)包括聯(lián)合學(xué)習(xí)、自主學(xué)習(xí)和帶輔助任務(wù)的學(xué)習(xí).其中帶輔助任務(wù)的學(xué)習(xí)方式通過劃分任務(wù)為主任務(wù)和輔助任務(wù),利用輔助任務(wù)的信息來改進主任務(wù)的學(xué)習(xí)性能,從而可以學(xué)習(xí)到多個任務(wù)上的統(tǒng)一表示,進而實現(xiàn)對輔助任務(wù)的注意力機制.因此通過多任務(wù)學(xué)習(xí),能夠改善樣本不平衡性帶來的分類誤差.多任務(wù)學(xué)習(xí)模型公式為

    (1)

    其中:wm為第m個任務(wù)的一列的權(quán)重,xm,j為第m個任務(wù)的第j個樣例,ym,j代表對應(yīng)的輸出,εm代表噪聲.式中多個任務(wù)的信息共享是通過共享特征與共享隱層神經(jīng)元實現(xiàn)的,所有任務(wù)都由某種結(jié)構(gòu)相連接,通過同時優(yōu)化多個損失函數(shù),使網(wǎng)絡(luò)的泛化能力更加強大.

    1.2 膠囊網(wǎng)絡(luò)

    傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在池化層會丟失大量的信息,這就導(dǎo)致網(wǎng)絡(luò)的輸入微小變化的敏感度降低,其輸出幾乎是不變的.但是我們希望網(wǎng)絡(luò)能夠保留更多的細節(jié)信息.Sabour等[9]提出了膠囊網(wǎng)絡(luò)結(jié)構(gòu)克服了這些缺點.膠囊網(wǎng)絡(luò)提供了一個實體間局部到全局的關(guān)系方法,在膠囊網(wǎng)絡(luò)里,細節(jié)的層次結(jié)構(gòu)信息會被網(wǎng)絡(luò)提取出來,由于提取的細節(jié)信息更多,所以膠囊網(wǎng)絡(luò)僅需少量的數(shù)據(jù)即可達到更好的效果.

    膠囊網(wǎng)絡(luò)由膠囊層組成,每一層都被劃分為一組稱為膠囊的神經(jīng)元,膠囊的輸入輸出均為向量形式.為使膠囊的輸出向量表示為某種概率,Hinton使用了壓縮函數(shù)(Squashing)對向量進行歸一化,保證向量的長度在0,1之間.

    圖1為膠囊網(wǎng)絡(luò)示意圖,其中squash函數(shù)的公式為

    (2)

    式中:vj為膠囊j的輸出,sj為膠囊j所有輸入向量的加權(quán)和,即前層膠囊的輸出向量,其公式為

    (3)

    其中cij為耦合系數(shù),由softmax函數(shù)計算求出,其初值為bij,cij的公式為

    (4)

    其中bij是膠囊i耦合到膠囊j的對數(shù)先驗概率,它依賴于兩個膠囊的位置和類型.通過計算上一層中每個膠囊的輸出vj與預(yù)測μij之間的一致性,重新確定耦合系數(shù).

    (5)

    通過動態(tài)路由算法,不斷迭代,最終計算出膠囊的輸出vj.

    圖1 膠囊網(wǎng)絡(luò)結(jié)構(gòu)

    1.3 簡單循環(huán)單元

    簡單循環(huán)單元(SRU)是由Tao等[10]于2017年提出.GRU網(wǎng)絡(luò)能夠很好地解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)誤差梯度隨著時間長度的增加而逐漸變小難以收斂的缺點,但是傳統(tǒng)RNN結(jié)構(gòu)如LSTM和GRU在計算當(dāng)前時間步狀態(tài)時需要上一個時間步的隱層輸出,這嚴(yán)重限制了RNN模型的并行計算能力,拖慢了整個序列的處理速度.而SRU對GRU的門結(jié)構(gòu)進行了修改,引入了Skip-Connection結(jié)構(gòu)[11].使當(dāng)前時間步計算不再依賴上一個時間步的隱層輸出,大大加強了并行計算能力.SRU的單元公式為

    (6)

    ft=s(Wfxt+bf);

    (7)

    rt=s(Wrxt+br);

    (8)

    (9)

    ht=rt·g(ct)+(1-rt)·xt.

    (10)

    1.4 聯(lián)合學(xué)習(xí)模型

    入侵檢測問題可以看作一個多分類問題,其問題可以形式化如下:存在一個流量空間X以及固定的類別集合L=(l1,l2,l3,…,lj),對于訓(xùn)練集D,D?X,每條流量可以表示為〈d,l〉?X×L,我們的目標(biāo)是訓(xùn)練一個分類器C:X→L,對于給定的d?X,確定C(d)?L.

    膠囊網(wǎng)絡(luò)沒法有效提取上下文數(shù)據(jù)長期的依賴關(guān)系,但卻能很好地提取局部層次結(jié)構(gòu)特征.SRU能夠提取數(shù)據(jù)間的時序依賴關(guān)系,但卻對局部層次特征表現(xiàn)較差.通過結(jié)合不同模型的特點,更加全面提取數(shù)據(jù)特征[12].而為了解決數(shù)據(jù)分布不平衡帶來的收斂速度慢、泛化性能差等影響,引入了輔助二分類任務(wù),通過二分類判斷流量是否為入侵流量,將單任務(wù)學(xué)習(xí)中難以提取的入侵特征引入作為輔助信息,通過與多分類任務(wù)學(xué)習(xí)相同的共享網(wǎng)絡(luò)結(jié)構(gòu),來調(diào)整共享隱層的權(quán)重,減小模型對多數(shù)類別的偏向,增強其泛化能力,聯(lián)合學(xué)習(xí)模型的工作流程如圖2所示.

    圖2 混合模型結(jié)構(gòu)

    (1) 對78維的流量數(shù)據(jù)進行歸一化,其中xmin,xmax分別代表X每個分量的最小和最大值.

    (11)

    (2) 將歸一化后的數(shù)據(jù)一份轉(zhuǎn)化為9*9的灰度圖輸入膠囊網(wǎng)絡(luò)模塊得到特征向量Hc,一份通過注意力層后輸入SRU模塊得到特征向量Hr.

    (3) 將Hc與Hr拼接,得到混合后的向量Hf.

    (4) 通過全連接層由softmax分類器分類.

    對于多任務(wù)損失函數(shù)來說,X為輸入向量,Yi為第i個任務(wù)的標(biāo)簽,其總損失可以表示為

    (12)

    其中λi為損失Li的權(quán)重,是對于每個任務(wù)所做貢獻的衡量,手動調(diào)節(jié)λi十分耗時,本文引入動態(tài)權(quán)重搜索.

    (13)

    (14)

    首先計算相對下降率wk,即每個子任務(wù)與前一輪epoch損失的比值,然后除以超參T,T越大代表個任務(wù)間權(quán)重差異越小,最后進行exp映射后,計算各個損失所占比.

    為了提高少數(shù)類的召回率,額外引入一個二分類任務(wù),其中Lc為多分類損失、Lbc為二分類損失,其公式為

    Lmc=-α(1-softmax(H))γ·
    log(softmax(H));

    (15)

    Lbc=-α(1-D(H))γlog(D(H))+
    (1-α)D(H)γlog(1-D(H)).

    (16)

    該公式在原始交叉熵損失上加入平衡因子α和γ對損失函數(shù)進行約束,平衡因子α用來平衡正負樣本,當(dāng)α趨近1時,1-α趨近0,即負樣本比正樣本占比小.而平衡因子γ則對樣本易分程度進行了平衡,由于D(H)的輸出在(0,1)之間,因此當(dāng)γ>1時,D(H)γ增大而(1-D(H))γ減小,即置信度高則該樣本易分,其損失會降低,使模型更關(guān)注難分樣本.

    2 實驗方法與分析

    2.1 數(shù)據(jù)預(yù)處理

    大多數(shù)入侵檢測模型所采用的數(shù)據(jù)集KDD-99或NLS-KDD距今已有十多年[13].然而,對于當(dāng)前的網(wǎng)絡(luò)威脅環(huán)境,這些數(shù)據(jù)集并不能全面反映網(wǎng)絡(luò)流量和入侵攻擊,考慮到網(wǎng)絡(luò)數(shù)據(jù)集應(yīng)該具有時效性,本文采用了CICIDS2017數(shù)據(jù)集[14].該數(shù)據(jù)集由加拿大網(wǎng)絡(luò)安全研究所提供,其融合了真實的正常和攻擊流量.更適合模擬現(xiàn)有網(wǎng)絡(luò)環(huán)境.數(shù)據(jù)集中所包含攻擊類型見表1.其中KDD99與NSL-KDD數(shù)據(jù)集中并不包含Browser、Bdoor以及DNS攻擊類型,而CICIDS-2017包含了現(xiàn)在流行的大多數(shù)攻擊.因此采用該數(shù)據(jù)集訓(xùn)練的模型更加適應(yīng)現(xiàn)有的網(wǎng)絡(luò)環(huán)境.

    表1 數(shù)據(jù)集包含攻擊類型

    CICIDS2017數(shù)據(jù)集十分龐大.其包含3 119 345條數(shù)據(jù),15個類別標(biāo)簽(14個攻擊類型+1個正常類型).刪除缺失數(shù)據(jù)后仍有2 830 540條數(shù)據(jù).該數(shù)據(jù)集雖然包含了大多數(shù)攻擊場景,但是其缺點是數(shù)據(jù)分布不平衡.各類別的分布如表2 所示.

    表2 入侵類型分布

    可以看出BEGIN的占比為83.4%,HeartBleed的占比為0.000 39%,數(shù)據(jù)集非常不平衡將會對分類器的分類性能有嚴(yán)重影響,分類器會更加偏向?qū)颖九袆e為多數(shù)類,而忽視少數(shù)類別,因為這樣能夠更加輕易獲得較低的損失值.因此,在進行訓(xùn)練過程前,需要對數(shù)據(jù)集的不平衡性進行處理.最簡單的方法即為重新劃分類別,該數(shù)據(jù)集中正常類很難再細分,于是可以考慮將少數(shù)攻擊類合并為新的類別,調(diào)整后的類別分布如表3所示.

    從表3中可以看出攻擊類別的占比有著明顯的提升,從而大大降低了類別的不平衡性.由于類別的分布有著很大的不平衡性,正樣本是負樣本的數(shù)倍之多,故模型采用分層K折交叉驗證,即在每一折中都保持著原始數(shù)據(jù)中各個類別的比例關(guān)系.選取K為3,將2/3用于訓(xùn)練,1/3用于測試.訓(xùn)練3次,取其平均值.

    2.2 實驗設(shè)置

    本文在Ubuntu18.04環(huán)境上進行,采用Keras深度學(xué)習(xí)框架,后端實現(xiàn)為TensorFlow-ROCm,集成環(huán)境為Anaconda3.系統(tǒng)硬件配置如下:CPU為AMD ryzen 3600x,內(nèi)存為16 GB,GPU為AMD RX580.具體設(shè)置參數(shù)見表4和5.

    表4 膠囊網(wǎng)絡(luò)參數(shù)設(shè)置

    表5 SRU網(wǎng)絡(luò)參數(shù)設(shè)置

    聯(lián)合學(xué)習(xí)模型中,膠囊網(wǎng)絡(luò)和SRU單元的輸出向量均為64維,經(jīng)過拼接后為128維向量,該向量通過一層前饋全連接網(wǎng)絡(luò)后由softmax分類.層與層之間加入Layer Normalization對數(shù)據(jù)進行歸一化,使其分布一致,避免梯度消失,加快收斂速度.

    本文通過混淆矩陣(見表6)分別計算準(zhǔn)確率 (A),查準(zhǔn)率(P),查全率 (R),和F1值(F1)來評估模型的性能.

    (11)

    表6 混淆矩陣

    (12)

    (13)

    其中P是模型預(yù)測為正例中預(yù)測正確的比重,R是所有真實值是正例的結(jié)果中預(yù)測正確的比重,F(xiàn)1值是對查準(zhǔn)率和查全率進行了綜合考慮,F(xiàn)1值越高,說明模型越穩(wěn)健,性能越好.

    2.3 實驗結(jié)果與分析

    2.3.1 收斂性分析

    圖3和4展示了多任務(wù)聯(lián)合模型訓(xùn)練時的準(zhǔn)確率和損失值的變化趨勢,其中acc和loss分別代表代表準(zhǔn)確率和損失.在20次的迭代訓(xùn)練中,準(zhǔn)確率穩(wěn)定上升直至訓(xùn)練后期趨于平穩(wěn),同時損失值也平穩(wěn)地下降,10輪之后基本穩(wěn)定不再變化,表明本模型良好且能夠快速收斂.訓(xùn)練使用完整數(shù)據(jù)集,對比試驗也采用相同的數(shù)據(jù)集和測試集.

    圖3 多任務(wù)聯(lián)合模型的準(zhǔn)確率

    圖4 多任務(wù)聯(lián)合模型損失

    2.3.2 模型對比分析

    為了驗證本文模型對入侵檢測有著更好的效果,分別對比了文獻[5]中基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測方法,文獻[6]中基于長短時記憶網(wǎng)絡(luò)的方法以及文獻[7]中基于CNN+GRU混合模型的方法.同時也對比了本文模型添加輔助任務(wù)和不添加輔助任務(wù)的情況.通過對比各個模型的性能指標(biāo)來分析模型的優(yōu)缺點,實驗結(jié)果如表7所示.

    表7 不同模型的性能對比 %

    可以看出在單一模型中LSTM和CNN模型的性能基本相同,而由于CNN+GRU混合模型能夠提取更加豐富的特征,故所有類別的F1均高于單一模型.但是3個模型對Infiltration和WebAttack類的檢測上均表現(xiàn)較差,尤其是 Infiltration類,這3種方法均無法檢測出該類.對于不添加輔助函數(shù)的本文模型,性能與CNN+GRU模型類似,對Infiltration類別的判斷有所提高,而添加了輔助任務(wù)的多任務(wù)聯(lián)合學(xué)習(xí)模型不僅在P,R,F(xiàn)1值方面均優(yōu)于對比模型,同時能夠很好的檢測出Infiltration與WebAttack這樣的少數(shù)類別.這是因為數(shù)據(jù)集中惡意樣本數(shù)相對較少,而少數(shù)類別對神經(jīng)網(wǎng)絡(luò)的權(quán)重影響過于小,損失函數(shù)通過忽視少數(shù)類別能夠更簡單的降低損失值,因此本文方法引入一個二分類的輔助損失,通過該損失函數(shù)來調(diào)整網(wǎng)絡(luò)共享層的權(quán)重,使其能夠注意到少數(shù)的攻擊類別.

    2.3.3 輔助損失驗證分析

    在多任務(wù)聯(lián)合學(xué)習(xí)模型中,需要對每個任務(wù)的損失進行權(quán)重分配,必須保證輔助損失能夠微調(diào)模型權(quán)重參數(shù)但又不能主導(dǎo)整個模型的訓(xùn)練[15].通過使用動態(tài)損失權(quán)重和不使用動態(tài)損失權(quán)重進行模型訓(xùn)練來確定該方法是否有效,結(jié)果如表8所示.可以發(fā)現(xiàn)使用動態(tài)損失權(quán)重的模型F1值明顯優(yōu)于不使用該方法.其動態(tài)調(diào)整二分類損失的比重可以更好地調(diào)整模型參數(shù),提高少數(shù)類別的召回率.

    表8 動態(tài)損失權(quán)重 %

    3 結(jié)論

    本文提出的多任務(wù)聯(lián)合學(xué)習(xí)方法,很好地解決了流量數(shù)據(jù)中少數(shù)類別檢測難的問題,將CapsNet與SRU相結(jié)合提取更加全面的流量信息,最后結(jié)合輔助任務(wù)來提升少數(shù)類的召回率.通過對比不同方法的檢測結(jié)果,結(jié)果顯示本文方法在大幅提高少數(shù)類別召回率,同時查準(zhǔn)率也較其他方法有所提升.由于模型針對特定數(shù)據(jù)集訓(xùn)練,未考慮真實網(wǎng)絡(luò)環(huán)境下的流量數(shù)據(jù),所以下一步研究將著重于真實情況下的網(wǎng)絡(luò)入侵,建立一個泛化能力與抗干擾能力更強的入侵監(jiān)測系統(tǒng),來驗證多任務(wù)聯(lián)合學(xué)習(xí)方法的性能.

    猜你喜歡
    多任務(wù)類別損失
    少問一句,損失千金
    胖胖損失了多少元
    基于中心化自動加權(quán)多任務(wù)學(xué)習(xí)的早期輕度認知障礙診斷
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    基于判別性局部聯(lián)合稀疏模型的多任務(wù)跟蹤
    基于多任務(wù)異步處理的電力系統(tǒng)序網(wǎng)絡(luò)拓撲分析
    電測與儀表(2016年5期)2016-04-22 01:13:46
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    一般自由碰撞的最大動能損失
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    国产精品成人在线| 日本五十路高清| 免费av毛片视频| 黄频高清免费视频| 热99re8久久精品国产| 最新美女视频免费是黄的| 亚洲一区中文字幕在线| 日韩 欧美 亚洲 中文字幕| videosex国产| 欧美日韩一级在线毛片| 国产成人免费无遮挡视频| 动漫黄色视频在线观看| 国产一区二区三区综合在线观看| 亚洲人成电影观看| 亚洲情色 制服丝袜| 一本大道久久a久久精品| 日韩欧美国产一区二区入口| 国产亚洲欧美在线一区二区| 久久这里只有精品19| 亚洲精品久久午夜乱码| 国产99白浆流出| 欧美午夜高清在线| 大香蕉久久成人网| 黑人欧美特级aaaaaa片| 国产成人欧美| 亚洲精品美女久久久久99蜜臀| 99riav亚洲国产免费| 午夜久久久在线观看| 欧美 亚洲 国产 日韩一| 国产av在哪里看| 欧美日韩中文字幕国产精品一区二区三区 | 国产三级在线视频| 黄频高清免费视频| 国产精品久久电影中文字幕| 久久久久国产精品人妻aⅴ院| 久久国产乱子伦精品免费另类| 久久久久久大精品| 最新在线观看一区二区三区| 757午夜福利合集在线观看| 亚洲第一av免费看| 免费搜索国产男女视频| 国产激情久久老熟女| 不卡av一区二区三区| 村上凉子中文字幕在线| 久久久久久久精品吃奶| 成人三级做爰电影| 变态另类成人亚洲欧美熟女 | 一个人观看的视频www高清免费观看 | 日本vs欧美在线观看视频| 真人做人爱边吃奶动态| av中文乱码字幕在线| 国产成人精品在线电影| 亚洲成国产人片在线观看| 国产熟女xx| 精品人妻1区二区| 黄色视频,在线免费观看| 亚洲人成伊人成综合网2020| 国产精品一区二区在线不卡| 亚洲午夜理论影院| 老司机亚洲免费影院| 亚洲专区中文字幕在线| 亚洲成av片中文字幕在线观看| 午夜免费激情av| 久久久久精品国产欧美久久久| 亚洲国产精品合色在线| 久久久国产欧美日韩av| 日韩视频一区二区在线观看| bbb黄色大片| 精品国内亚洲2022精品成人| 精品一区二区三区视频在线观看免费 | 欧美日韩中文字幕国产精品一区二区三区 | 亚洲男人的天堂狠狠| 亚洲欧美精品综合久久99| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美日韩一级在线毛片| 亚洲av成人一区二区三| 国产真人三级小视频在线观看| а√天堂www在线а√下载| 可以免费在线观看a视频的电影网站| 国产亚洲精品一区二区www| 欧美+亚洲+日韩+国产| 视频区欧美日本亚洲| 国产成人av教育| 久久国产亚洲av麻豆专区| 亚洲全国av大片| 国产精品九九99| 国产欧美日韩综合在线一区二区| 国产免费男女视频| 久热这里只有精品99| 国产成人影院久久av| 99在线视频只有这里精品首页| 成人影院久久| 国产欧美日韩一区二区三区在线| 国产精品九九99| 久久久精品国产亚洲av高清涩受| 高清欧美精品videossex| 亚洲自拍偷在线| 一夜夜www| 婷婷丁香在线五月| 亚洲人成网站在线播放欧美日韩| 成年人免费黄色播放视频| 别揉我奶头~嗯~啊~动态视频| 免费在线观看日本一区| 人人妻,人人澡人人爽秒播| 久久中文字幕人妻熟女| 亚洲免费av在线视频| 搡老熟女国产l中国老女人| 精品久久久久久,| 免费人成视频x8x8入口观看| 精品久久久久久久久久免费视频 | 亚洲五月婷婷丁香| 亚洲国产欧美网| 色在线成人网| 久久精品91无色码中文字幕| 亚洲精品av麻豆狂野| 精品人妻1区二区| 狠狠狠狠99中文字幕| 国产精品久久电影中文字幕| 超碰97精品在线观看| 久久久水蜜桃国产精品网| 国产国语露脸激情在线看| 91九色精品人成在线观看| 欧美av亚洲av综合av国产av| 成年人黄色毛片网站| 久久国产亚洲av麻豆专区| 亚洲自拍偷在线| av网站免费在线观看视频| 久久影院123| 黄色 视频免费看| 亚洲狠狠婷婷综合久久图片| www.精华液| 妹子高潮喷水视频| av在线天堂中文字幕 | 国产男靠女视频免费网站| 亚洲七黄色美女视频| 热99re8久久精品国产| 中文字幕av电影在线播放| 不卡av一区二区三区| 悠悠久久av| av天堂在线播放| 啦啦啦 在线观看视频| 国产精华一区二区三区| 性少妇av在线| 久久青草综合色| 欧美乱码精品一区二区三区| 欧美日韩国产mv在线观看视频| 久久精品国产综合久久久| 老司机深夜福利视频在线观看| 久久国产精品影院| 91字幕亚洲| 日韩欧美三级三区| 女性生殖器流出的白浆| 视频在线观看一区二区三区| 在线av久久热| 久久伊人香网站| 91在线观看av| 纯流量卡能插随身wifi吗| 88av欧美| 午夜老司机福利片| 又黄又爽又免费观看的视频| 亚洲精品国产精品久久久不卡| 桃色一区二区三区在线观看| 亚洲 欧美 日韩 在线 免费| 精品久久久久久久毛片微露脸| 高清av免费在线| 日韩中文字幕欧美一区二区| 国产亚洲精品久久久久5区| √禁漫天堂资源中文www| 精品一区二区三区视频在线观看免费 | 成年人黄色毛片网站| 免费一级毛片在线播放高清视频 | 久久中文字幕人妻熟女| 我的亚洲天堂| 美女午夜性视频免费| 嫁个100分男人电影在线观看| 91精品国产国语对白视频| 日韩成人在线观看一区二区三区| 久久久国产成人免费| av电影中文网址| 国产蜜桃级精品一区二区三区| 在线观看日韩欧美| 国产精品98久久久久久宅男小说| 99在线人妻在线中文字幕| 在线av久久热| 纯流量卡能插随身wifi吗| 亚洲av第一区精品v没综合| 久久午夜综合久久蜜桃| 无遮挡黄片免费观看| www.www免费av| 丝袜美足系列| 天堂动漫精品| 国产精品永久免费网站| 久久欧美精品欧美久久欧美| 国产一区二区三区在线臀色熟女 | 亚洲熟女毛片儿| 久久国产乱子伦精品免费另类| 黄色视频不卡| 午夜免费激情av| 狂野欧美激情性xxxx| 一级毛片高清免费大全| 不卡一级毛片| 两个人免费观看高清视频| 黄频高清免费视频| 国产欧美日韩综合在线一区二区| 9色porny在线观看| 亚洲av五月六月丁香网| 亚洲成人免费av在线播放| av有码第一页| 无人区码免费观看不卡| 亚洲精品av麻豆狂野| 国产精品亚洲一级av第二区| 一a级毛片在线观看| 黄色视频,在线免费观看| tocl精华| 天堂影院成人在线观看| 老司机在亚洲福利影院| 免费看a级黄色片| 五月开心婷婷网| 免费看十八禁软件| 免费久久久久久久精品成人欧美视频| 一区二区三区国产精品乱码| 亚洲成人免费电影在线观看| www国产在线视频色| 国产激情欧美一区二区| 成人av一区二区三区在线看| 欧美激情极品国产一区二区三区| 级片在线观看| 精品国产一区二区三区四区第35| 很黄的视频免费| 午夜两性在线视频| 久久亚洲真实| 国产精品乱码一区二三区的特点 | 一级作爱视频免费观看| 亚洲欧美日韩另类电影网站| 69av精品久久久久久| 免费一级毛片在线播放高清视频 | 国产成人影院久久av| 亚洲午夜理论影院| 国产一区二区在线av高清观看| 精品久久久久久成人av| 人人妻,人人澡人人爽秒播| 亚洲人成电影观看| 曰老女人黄片| 欧美激情高清一区二区三区| 欧美最黄视频在线播放免费 | 成年女人毛片免费观看观看9| 老汉色∧v一级毛片| 亚洲欧美一区二区三区黑人| 精品久久久精品久久久| 亚洲av日韩精品久久久久久密| 国产精品永久免费网站| 精品一区二区三卡| 国产成人av教育| 国产亚洲精品久久久久久毛片| 亚洲九九香蕉| 国产精品野战在线观看 | 看免费av毛片| 伊人久久大香线蕉亚洲五| 少妇裸体淫交视频免费看高清 | 在线观看免费日韩欧美大片| 亚洲情色 制服丝袜| 久久香蕉精品热| 国产精品二区激情视频| 99riav亚洲国产免费| 脱女人内裤的视频| 国产无遮挡羞羞视频在线观看| 在线观看一区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 岛国在线观看网站| a级片在线免费高清观看视频| 在线av久久热| 亚洲成人免费电影在线观看| 国产精品爽爽va在线观看网站 | 国产野战对白在线观看| 欧美日本中文国产一区发布| 人成视频在线观看免费观看| 十八禁人妻一区二区| 久热这里只有精品99| av超薄肉色丝袜交足视频| 国产成人一区二区三区免费视频网站| 丰满迷人的少妇在线观看| 女同久久另类99精品国产91| 国产av一区二区精品久久| 久久久精品欧美日韩精品| 欧美日韩一级在线毛片| 在线观看免费高清a一片| 91字幕亚洲| videosex国产| e午夜精品久久久久久久| 国产成人免费无遮挡视频| 涩涩av久久男人的天堂| 俄罗斯特黄特色一大片| 国产区一区二久久| netflix在线观看网站| 久久人人精品亚洲av| 国产伦人伦偷精品视频| 国产精品久久电影中文字幕| 色哟哟哟哟哟哟| 一二三四社区在线视频社区8| 国产精品久久电影中文字幕| 成人三级黄色视频| 女人精品久久久久毛片| 乱人伦中国视频| 后天国语完整版免费观看| 亚洲欧美精品综合一区二区三区| a级毛片在线看网站| 国产精品久久久久成人av| videosex国产| 色综合婷婷激情| 啦啦啦 在线观看视频| 9色porny在线观看| 丰满的人妻完整版| 色尼玛亚洲综合影院| 国产成人系列免费观看| 成人国语在线视频| 亚洲国产毛片av蜜桃av| 精品久久蜜臀av无| 久久人人精品亚洲av| 久久这里只有精品19| ponron亚洲| 国产欧美日韩一区二区精品| 丰满饥渴人妻一区二区三| av网站免费在线观看视频| 两性午夜刺激爽爽歪歪视频在线观看 | av有码第一页| 久久青草综合色| 少妇被粗大的猛进出69影院| 美女 人体艺术 gogo| 黄色成人免费大全| 国产精品 国内视频| 成人永久免费在线观看视频| 一二三四社区在线视频社区8| 女人被狂操c到高潮| 国产精品免费视频内射| 久久久久久大精品| 午夜成年电影在线免费观看| 国产主播在线观看一区二区| 国产精品永久免费网站| 日本 av在线| 精品欧美一区二区三区在线| 久久狼人影院| av网站在线播放免费| 国产又爽黄色视频| 欧美成人免费av一区二区三区| 国产三级在线视频| 少妇的丰满在线观看| 精品人妻1区二区| 国产麻豆69| 亚洲专区中文字幕在线| x7x7x7水蜜桃| 久久人人精品亚洲av| 日本vs欧美在线观看视频| 亚洲av成人不卡在线观看播放网| 热99re8久久精品国产| 91字幕亚洲| 女警被强在线播放| 黑人巨大精品欧美一区二区蜜桃| 操美女的视频在线观看| 国产精品久久久av美女十八| 少妇的丰满在线观看| 国产成人系列免费观看| 美女扒开内裤让男人捅视频| 日韩欧美一区二区三区在线观看| 丰满人妻熟妇乱又伦精品不卡| 久久精品国产亚洲av香蕉五月| 欧美中文综合在线视频| av视频免费观看在线观看| 久久伊人香网站| 夜夜看夜夜爽夜夜摸 | 亚洲欧美一区二区三区久久| 久久人妻福利社区极品人妻图片| 在线十欧美十亚洲十日本专区| 亚洲精品中文字幕一二三四区| 久久精品亚洲熟妇少妇任你| 人成视频在线观看免费观看| 亚洲欧美日韩另类电影网站| 欧美乱妇无乱码| 亚洲一区二区三区色噜噜 | 岛国在线观看网站| 中亚洲国语对白在线视频| 老司机在亚洲福利影院| 18禁裸乳无遮挡免费网站照片 | 久久久久久久久免费视频了| 黄色视频不卡| netflix在线观看网站| 亚洲性夜色夜夜综合| 女人爽到高潮嗷嗷叫在线视频| 大陆偷拍与自拍| 91九色精品人成在线观看| 久久人妻福利社区极品人妻图片| 色老头精品视频在线观看| 免费人成视频x8x8入口观看| 国产亚洲精品久久久久久毛片| 在线观看免费日韩欧美大片| 老熟妇仑乱视频hdxx| 99久久国产精品久久久| 久久久国产欧美日韩av| 一级片'在线观看视频| 久久精品aⅴ一区二区三区四区| 男女高潮啪啪啪动态图| 中文字幕人妻丝袜一区二区| 亚洲 欧美一区二区三区| 啦啦啦 在线观看视频| 美女福利国产在线| 免费女性裸体啪啪无遮挡网站| 欧美人与性动交α欧美软件| 日韩人妻精品一区2区三区| 黑人巨大精品欧美一区二区mp4| 久久久久九九精品影院| 免费在线观看影片大全网站| 国产成人一区二区三区免费视频网站| 波多野结衣av一区二区av| 中出人妻视频一区二区| 国产av一区二区精品久久| 国产日韩一区二区三区精品不卡| 国产精品九九99| netflix在线观看网站| 久久人妻熟女aⅴ| 女性被躁到高潮视频| 免费搜索国产男女视频| 精品一区二区三区视频在线观看免费 | 高潮久久久久久久久久久不卡| 在线天堂中文资源库| 91精品国产国语对白视频| 俄罗斯特黄特色一大片| 欧美日韩av久久| 高清毛片免费观看视频网站 | 午夜福利在线观看吧| 欧美成人午夜精品| 欧美人与性动交α欧美精品济南到| 欧美+亚洲+日韩+国产| 成人国语在线视频| 两个人免费观看高清视频| xxx96com| 91成年电影在线观看| 国产伦一二天堂av在线观看| 日韩av在线大香蕉| 久久国产精品影院| 中文字幕人妻熟女乱码| 无遮挡黄片免费观看| 欧美中文综合在线视频| 国产精品一区二区三区四区久久 | 国产亚洲欧美98| 精品国产一区二区三区四区第35| 久久久久精品国产欧美久久久| 日本精品一区二区三区蜜桃| 色播在线永久视频| 满18在线观看网站| 亚洲欧美激情在线| 久久午夜亚洲精品久久| 亚洲欧美激情在线| 巨乳人妻的诱惑在线观看| 欧美激情 高清一区二区三区| 亚洲人成电影免费在线| 亚洲 欧美一区二区三区| 乱人伦中国视频| 别揉我奶头~嗯~啊~动态视频| 午夜两性在线视频| av超薄肉色丝袜交足视频| 成年版毛片免费区| 日韩欧美免费精品| 精品国产国语对白av| 国产精品av久久久久免费| 在线观看舔阴道视频| 一二三四社区在线视频社区8| 丰满迷人的少妇在线观看| 1024香蕉在线观看| 精品久久蜜臀av无| 天天影视国产精品| 久久草成人影院| 精品一区二区三卡| 日韩欧美在线二视频| 久久天堂一区二区三区四区| 亚洲国产中文字幕在线视频| 国产成人系列免费观看| 性少妇av在线| 午夜免费成人在线视频| 国产成人av教育| av天堂在线播放| 少妇的丰满在线观看| 在线观看一区二区三区激情| 18禁黄网站禁片午夜丰满| 亚洲成人久久性| 欧美日韩一级在线毛片| www.自偷自拍.com| 精品国产一区二区久久| 久久久久亚洲av毛片大全| 99久久精品国产亚洲精品| 午夜影院日韩av| 久久久久国产一级毛片高清牌| 色在线成人网| 国产极品粉嫩免费观看在线| 久久欧美精品欧美久久欧美| 美女 人体艺术 gogo| 亚洲国产欧美日韩在线播放| 国产色视频综合| 免费在线观看影片大全网站| bbb黄色大片| av中文乱码字幕在线| 精品欧美一区二区三区在线| 久久精品aⅴ一区二区三区四区| 国产成人一区二区三区免费视频网站| 国产男靠女视频免费网站| 久久久久久久久久久久大奶| 亚洲欧美精品综合一区二区三区| 亚洲精华国产精华精| 美女国产高潮福利片在线看| 亚洲黑人精品在线| 一级a爱视频在线免费观看| 免费人成视频x8x8入口观看| 国产精品99久久99久久久不卡| 久久精品亚洲av国产电影网| 午夜精品国产一区二区电影| 精品一区二区三区四区五区乱码| 国产精品影院久久| 狂野欧美激情性xxxx| 欧美av亚洲av综合av国产av| 亚洲男人的天堂狠狠| 少妇被粗大的猛进出69影院| 国内久久婷婷六月综合欲色啪| 丰满的人妻完整版| 怎么达到女性高潮| 午夜福利在线免费观看网站| 久久精品国产综合久久久| 亚洲七黄色美女视频| 亚洲午夜精品一区,二区,三区| 久久精品国产亚洲av高清一级| 成年版毛片免费区| 久久性视频一级片| 天天躁夜夜躁狠狠躁躁| 亚洲一区高清亚洲精品| 男人舔女人下体高潮全视频| 在线播放国产精品三级| 亚洲熟妇中文字幕五十中出 | 欧美日韩亚洲高清精品| 十八禁人妻一区二区| 成人特级黄色片久久久久久久| 18禁裸乳无遮挡免费网站照片 | 久久99一区二区三区| 9热在线视频观看99| 久久天躁狠狠躁夜夜2o2o| 在线观看免费视频日本深夜| 黄片大片在线免费观看| 精品一区二区三区视频在线观看免费 | 在线观看免费午夜福利视频| 久久婷婷成人综合色麻豆| 久99久视频精品免费| 美女扒开内裤让男人捅视频| 国产精品香港三级国产av潘金莲| 国产精品永久免费网站| 亚洲男人天堂网一区| 国产成人免费无遮挡视频| 嫩草影院精品99| 欧美日韩瑟瑟在线播放| 在线观看午夜福利视频| 免费看a级黄色片| 亚洲情色 制服丝袜| 一夜夜www| 99久久久亚洲精品蜜臀av| 精品欧美一区二区三区在线| 80岁老熟妇乱子伦牲交| 91大片在线观看| 国产欧美日韩精品亚洲av| 男男h啪啪无遮挡| 在线观看午夜福利视频| 午夜福利影视在线免费观看| 久久99一区二区三区| 久热爱精品视频在线9| 国产精品偷伦视频观看了| 国产高清视频在线播放一区| 精品一区二区三区四区五区乱码| 欧美av亚洲av综合av国产av| 最近最新中文字幕大全电影3 | 欧美av亚洲av综合av国产av| 一级毛片女人18水好多| 亚洲一码二码三码区别大吗| 午夜精品国产一区二区电影| 国产高清videossex| 精品国产乱码久久久久久男人| 欧美亚洲日本最大视频资源| 成熟少妇高潮喷水视频| 久久久久久大精品| 夜夜看夜夜爽夜夜摸 | 亚洲精品一区av在线观看| 久久人人爽av亚洲精品天堂| 精品国产乱码久久久久久男人| 免费在线观看影片大全网站| 国产精品 欧美亚洲| 丝袜美腿诱惑在线| 12—13女人毛片做爰片一| 夫妻午夜视频| 俄罗斯特黄特色一大片| 麻豆久久精品国产亚洲av | 欧美日本中文国产一区发布| 国产精品1区2区在线观看.| 色婷婷av一区二区三区视频| www.999成人在线观看| 国产乱人伦免费视频| 亚洲成a人片在线一区二区| 一二三四社区在线视频社区8| 97人妻天天添夜夜摸| 国产区一区二久久| 久久久水蜜桃国产精品网| 又紧又爽又黄一区二区| 国产区一区二久久| 成年人免费黄色播放视频| av免费在线观看网站| 在线av久久热| av有码第一页| 日韩中文字幕欧美一区二区| 欧美日韩亚洲国产一区二区在线观看| 午夜福利在线免费观看网站| 亚洲一区二区三区色噜噜 | 天天影视国产精品| 亚洲在线自拍视频|