• <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 ?

    基于速率修正PSO 和核基ELM 的云數(shù)據(jù)庫惡意行為識別方法

    2022-06-02 14:41:08李玉玲朱詠梅劉東紅顧振飛
    電子器件 2022年1期
    關(guān)鍵詞:分類數(shù)據(jù)庫特征

    李玉玲 ,朱詠梅 ,劉東紅 ,顧振飛

    (1.上海電子信息職業(yè)技術(shù)學(xué)院電子技術(shù)與工程學(xué)院,上海 201411;2.南京信息職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)與通信學(xué)院,江蘇 南京 210023)

    云數(shù)據(jù)庫[1]是一種經(jīng)過優(yōu)化被部署到云計算環(huán)境中的數(shù)據(jù)庫,可以實現(xiàn)按需付費、按需擴展、高可用性以及存儲整合等優(yōu)勢。相對于用戶自建數(shù)據(jù)庫,云數(shù)據(jù)庫具有更經(jīng)濟、更專業(yè)、更高效、更可靠的特點。隨著云計算技術(shù)的成熟,云數(shù)據(jù)庫也在各行各業(yè)中得到了廣泛的應(yīng)用并發(fā)揮著不可替代的作用。盡管如此,從傳統(tǒng)數(shù)據(jù)庫往云數(shù)據(jù)庫的轉(zhuǎn)換仍然面臨著一些挑戰(zhàn),其中最為關(guān)鍵的就是如何保證云數(shù)據(jù)庫的安全性[2,3]。目前針對云數(shù)據(jù)庫的惡意行為攻擊尤其突出,一些大型企業(yè)的云數(shù)據(jù)庫幾乎每天都會面對大量的服務(wù)器干預(yù)、網(wǎng)絡(luò)滲透以及SQL 注入等各類惡意行為攻擊。事實上,許多企業(yè)已經(jīng)將惡意行為視為他們?nèi)粘I(yè)務(wù)運營的最大威脅。在云數(shù)據(jù)庫逐漸取代傳統(tǒng)數(shù)據(jù)庫的大趨勢下,如何避免惡意行為的攻擊以及降低攻擊風(fēng)險是相關(guān)行業(yè)以及學(xué)者必須解決的當(dāng)務(wù)之急。

    目前主要有兩類惡意行為檢測方案。第一種是基于特征的惡意行為檢測[4,5],這種方案維護一個已知攻擊的特征數(shù)據(jù)庫,通過特征數(shù)據(jù)庫去匹配已知的惡意行為攻擊。Lu 等人[21]提出了一種Poster架構(gòu),對網(wǎng)絡(luò)鏈接、服務(wù)延遲、吞吐量等流量特征設(shè)定惡意攻擊的判別閾值,通過比較實時監(jiān)測數(shù)據(jù)和判別閾值確定是否發(fā)生了惡意攻擊行為。何亨等人[22]將數(shù)據(jù)包IP 頭部和TCP 頭部作為特征數(shù)據(jù),根據(jù)預(yù)先設(shè)定的規(guī)則,當(dāng)其中特定額度特征數(shù)據(jù)超過閾值時就報告相應(yīng)的異常行為。文獻[25]基于貝葉斯算法自適應(yīng)地推理出僵尸網(wǎng)絡(luò)生命周期事件之間的因果關(guān)系,從而計算每個主機的感染可能性。

    第二種是基于異常的入侵檢測系統(tǒng)[6,7],這種方案通過觀察正常的流量數(shù)據(jù)并學(xué)習(xí)其規(guī)律,一旦檢測到不符合正常規(guī)律的流量數(shù)據(jù)后,就認為存在惡意行為。Damian 等人[23]提出了基于人工神經(jīng)網(wǎng)絡(luò)的入侵檢測系統(tǒng),特征生成器從細粒度數(shù)據(jù)流中提取流量統(tǒng)計信息并進行處理形成流量特征,傳輸至分類器,由分類器檢測數(shù)據(jù)平面中的惡意活動,控制器監(jiān)控特征生成器和分類器的操作,并對流量分類的結(jié)果進行可視化。文獻[24]構(gòu)建了基于深度神經(jīng)網(wǎng)絡(luò)模型的入侵檢測系統(tǒng),該模型中使用NSLKDD 數(shù)據(jù)集進行訓(xùn)練,并通過在SDN 中獲得的網(wǎng)絡(luò)鏈接時間長度、網(wǎng)絡(luò)協(xié)議類型、從源地址到目的地址的數(shù)據(jù)字節(jié)數(shù)、從目的地址到源地址的數(shù)據(jù)字節(jié)數(shù)、兩秒內(nèi)同一主機的連接數(shù)、兩秒內(nèi)同一服務(wù)的連接數(shù)這6 個基本特征來進行SDN 異常流量檢測。此外他們還將門控循環(huán)單元(Gated Recurrent Unit,GRU)提升網(wǎng)絡(luò)的長短期記憶。

    以上兩種方案均是基于某種既定規(guī)則去實現(xiàn)惡意行為檢測的,盡管方案具備一定的有效性[8,9],但是檢測過程的計算復(fù)雜度較高且依賴于規(guī)則的人工維護[10]。對于常見惡意行為攻擊之外的新型攻擊手段,現(xiàn)有的檢測方案缺乏較好的應(yīng)對策略。因此我們需要針對云數(shù)據(jù)庫設(shè)計一種更為泛用的惡意行為檢測模型來保障其安全性[11]。

    (1)本文工作

    針對以上問題,本文提出一種基于改進粒子群優(yōu)化與核極限學(xué)習(xí)機的惡意行為檢測方法(KE-VP)。該方法的核心是對粒子群優(yōu)化算法進行了改進,然后通過與核極限學(xué)習(xí)機相結(jié)合,從而實現(xiàn)一種基于機器學(xué)習(xí)的惡意行為攻擊檢測。通過實驗分析,我們發(fā)現(xiàn)KE-VP 與現(xiàn)有方案相比具備更好的檢測精度和檢測效率。

    (2)相關(guān)工作

    文獻[12]提出了一種基于投票極限學(xué)習(xí)機的異常行為檢測方案,試圖通過神經(jīng)網(wǎng)絡(luò)模型來執(zhí)行DDoS 攻擊的檢測。方案在NSL-KDD 數(shù)據(jù)集上達到了99.18%的檢測精度,在ISCX 數(shù)據(jù)集上達到了92.11%的檢測精度。文獻[13]將泰勒序列與象群優(yōu)化算法相結(jié)合,然后通過一個模糊分類器來實現(xiàn)規(guī)則的學(xué)習(xí)。文獻[14]提出了一種AI 驅(qū)動的多層防護策略模型,包含數(shù)據(jù)采集器、交換器、域控制器、NFV 虛擬化設(shè)施以及智能控制器共5 層架構(gòu)。通過NS3.26 模擬的IP 嗅探、主機劫持、重載流量表、DDoS、控制層飽和等攻擊的測試,該模型能夠很好地識別出大多數(shù)攻擊。文獻[15]提出了一種基于支持向量機的權(quán)限管理算法來對用戶的行為進行分類。

    1 惡意行為檢測

    為了提升云數(shù)據(jù)庫的接入安全性,本文提出了一種稱為KE-VP 的異常行為檢測方案。對于用戶而言,對云數(shù)據(jù)庫的相關(guān)操作都是通過從客戶端發(fā)起的操作請求去執(zhí)行的,而操作請求中是有可能包含一些惡意行為的,這是由于:(1)操作請求是由惡意用戶發(fā)起的;(2)操作請求在傳輸過程中遭到了某種攻擊。因此當(dāng)客戶端向云數(shù)據(jù)庫發(fā)起操作請求后,云數(shù)據(jù)庫需要對收到的操作請求進行必要的檢測。

    本方案首先通過數(shù)據(jù)集來訓(xùn)練KE-VP,然后利用訓(xùn)練好的模型來檢測實際操作請求是否為某種惡意行為攻擊。具體的執(zhí)行流程包括:(1)預(yù)處理;(2)特征抽??;(3)特征降維;(4)特征轉(zhuǎn)換與標(biāo)準化;(5)檢測。下面對這幾個步驟進行介紹。

    1.1 預(yù)處理

    為了防止測試集信息泄露,我們在預(yù)處理之前,將原始的數(shù)據(jù)集劃分為訓(xùn)練集和測試集。原始的訓(xùn)練集包含大量的重復(fù)且非必要的數(shù)據(jù),這些數(shù)據(jù)構(gòu)成了原始數(shù)據(jù)集當(dāng)中的噪聲。因此需要通過去重、填充等操作去除原始數(shù)據(jù)集當(dāng)中的噪聲,防止噪聲對異常行為檢測模型的訓(xùn)練造成影響。

    1.2 特征提取

    在預(yù)處理工作的基礎(chǔ)上,我們從數(shù)據(jù)集當(dāng)中總共提取出47 種數(shù)據(jù)特征,主要包括:流量特征、內(nèi)容特征、基礎(chǔ)特征、生成特征以及時間特征等。以上特征最終用于對行為進行分類。在本文所闡述的工作中,我們根據(jù)公開數(shù)據(jù)集UNSW-NB15[16]對原始數(shù)據(jù)集進行了特征提取。表1 展示了UNSW-NB15 中各個特征的數(shù)據(jù)類型、特征碼號以及特征總數(shù)等。

    表1 UNSW-NB15 數(shù)據(jù)特征的類型、編號及總數(shù)

    1.3 特征降維

    特征降維是一種降低數(shù)據(jù)噪聲、消除共線性問題的重要手段。通過特征降維,模型能夠更好地識別出異常行為。在本文工作中,我們采用了線性判別分析算法(Linear Discriminant Analysis,LDA)來實現(xiàn)降維。LDA[17]原先是一種分類模型,不過該算法生成的投影向量具備良好的降維能力。

    1.4 特征轉(zhuǎn)換

    通常情況下,數(shù)據(jù)集特征包括標(biāo)識類特征和數(shù)值類特征。為便于后面的模型訓(xùn)練,我們需要將所有的標(biāo)識類數(shù)據(jù)轉(zhuǎn)換為數(shù)值類數(shù)據(jù)。UNSW-NB15數(shù)據(jù)集中包含協(xié)議類型、服務(wù)類型以及狀態(tài)數(shù)據(jù)等表示類數(shù)據(jù),我們按照圖1 所示將其逐一轉(zhuǎn)換為數(shù)值類數(shù)據(jù)。

    圖1 UNSW-NB15 數(shù)據(jù)集符號特征的特征轉(zhuǎn)換

    經(jīng)過特征轉(zhuǎn)換后,我們對數(shù)據(jù)進行Min-Max 標(biāo)準化處理。這一步操作的目的是為了保證所有特征在同一個尺度下,消除不同特征在統(tǒng)計意義下的偏差,進而提高模型訓(xùn)練的效率。Min-Max 標(biāo)準化的公式如下所示:

    式中:X為特征,xi為特征的任意樣本,min(X)為特征X能取到的最小值,max(X)特征X能取到的最大值。在特征轉(zhuǎn)換過程中,我們保留了訓(xùn)練集所有特征的最大值和最小值。在測試階段,我們將利用訓(xùn)練集所有特征的最大值和最小值對測試集進行特征轉(zhuǎn)換。這樣的做法可以有效避免測試集信息泄露問題的發(fā)生。

    1.5 識別

    在完成以上所有的數(shù)據(jù)處理工作之后,我們利用處理好的數(shù)據(jù)去訓(xùn)練K-ELM by V-PSO(KE-VP)框架,用于云數(shù)據(jù)庫上的惡意行為識別??蚣苤饕譃闄z測和分類兩個階段。在檢測階段,算法將用戶行為區(qū)分為正常行為和惡意行為;在分類階段,算法將惡意行為分類為具體的攻擊手段。

    下一節(jié)將詳細說明KE-VP 模型的構(gòu)造方法。

    2 模型構(gòu)造

    2.1 核函數(shù)優(yōu)化極限學(xué)習(xí)機

    極限學(xué)習(xí)機(Extreme Learning Machine,ELM)[18-19]是一類基于前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network,F(xiàn)NN)構(gòu)建的機器學(xué)習(xí)方法。極限學(xué)習(xí)機隨機選取輸入層權(quán)重和隱藏層偏置,輸出層權(quán)重通過最小化由訓(xùn)練誤差項和輸出層權(quán)重范數(shù)的正則項構(gòu)成的損失函數(shù),依據(jù)Moore-Penrose 廣義逆矩陣理論計算解析求出。即使隨機生成隱藏層節(jié)點,ELM 仍保持FFN 的通用逼近能力。目前極限學(xué)習(xí)機的理論和應(yīng)用已被廣泛研究,從學(xué)習(xí)效率的角度來看,極限學(xué)習(xí)機具有訓(xùn)練參數(shù)少、學(xué)習(xí)速度快、泛化能力強的優(yōu)點。

    為方便后續(xù)的推導(dǎo),我們首先給出單層前向傳播神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型表示:

    式中:d為輸入樣本,h(d)或H為隱藏層的映射矩陣,χ為隱藏層到輸出層之間的權(quán)重。

    對于ELM 而言,χ通過以下公式計算得出:

    式中:Y為懲罰系數(shù)。因此ELM 的數(shù)學(xué)模型可以表示為下式:

    為了實現(xiàn)更快的收斂速度,我們在ELM 基礎(chǔ)上部署了一個核函數(shù),構(gòu)成了一種核基極限學(xué)習(xí)機(Kernel-based Extreme Learning Machine,K-ELM)。原先ELM 中的特征映射矩陣h(d)被一個核函數(shù)K(p,q)替代。K-ELM 數(shù)學(xué)模型表示為下式:

    式中:ΔKELM=HHT為核矩陣,K(p,q)=exp(-γp-q2)為一個高斯核函數(shù)。

    在以上數(shù)學(xué)模型中,γ為核函數(shù)的帶寬參數(shù),它控制著模型輸入從低維空間到高維空間的映射。Y為懲罰系數(shù),它負責(zé)掌控模型復(fù)雜度與模型擬合誤差之間的平衡。由此可見參數(shù)(γ,Y)的優(yōu)化是模型訓(xùn)練的關(guān)鍵步驟,因此K-ELM 的性能好壞很大程度上取決于這兩個參數(shù)的選取。但是較少的參數(shù)使得K-ELM 具有更好的泛化性能以及更快的收斂速度。除此之外,K-ELM 通過非線性映射來處理低維數(shù)據(jù),從而克服了ELM 模型的線性不可分問題。

    2.2 改進粒子群算法

    粒子群優(yōu)化(Particle Swarm Optimization,PSO)[20]是一種演化計算方法。PSO 算法最初是為了圖形化地模擬鳥群優(yōu)美而不可預(yù)測的運動,通過對群體行為的觀察來發(fā)現(xiàn)群體中信息共享的演化優(yōu)勢。相比絕大多數(shù)優(yōu)化算法,PSO 算法具有易于實現(xiàn)、參數(shù)少易調(diào)試的優(yōu)勢。然而,PSO 算法存在粒子運動更新速度慢,模擬隨機搜索效果差的問題。為此我們考慮對粒子速率進行適時的修正,保證算法能夠快速收斂到全局最優(yōu)點。

    為方便算法描述,我們首先在表2 中列出相關(guān)的符號和說明:

    表2 符號以及定義

    基于傳統(tǒng)PSO 算法,我們提出了一種速率修正的PSO 算法(Velocity-corrected PSO,V-PSO),算法的具體步驟如下:

    (1)初始化所有粒子的速度vi(t)和位置si(t);

    (2)計算每個粒子i的初始適應(yīng)度f(si(t));

    (3)對每個粒子i,設(shè)置其最佳位置pbest,i=si(t);

    (4)設(shè)置全局最佳位置gbest=min(pbest,i);

    (5)對每個粒子i,按照以下的式子更新其速度:

    (6)對每個粒子i,按照以下的式子更新其位置:

    (7)對每個粒子i,比較其當(dāng)前位置si(t+1)和最佳位置pbest,i的適應(yīng)度,如果當(dāng)前位置si(t+1)的適應(yīng)度較好,則將更新其最佳位置pbest,i為當(dāng)前位置si(t+1);同時比較其當(dāng)前位置si(t+1)和全局最佳位置gbest的適應(yīng)度,如果當(dāng)前位置si(t+1)的適應(yīng)度較好,則重新設(shè)置gbest的索引為當(dāng)前的粒子索引;

    (8)重復(fù)步驟5-7,直至達到既定的迭代次數(shù)。

    以上步驟形成的算法偽代碼如下所示:

    算法 V-PSO

    相比PSO 算法,步驟5 當(dāng)中的式子實現(xiàn)了一種更為細致的粒子速度更新方法。其中參數(shù)r1不足以呈現(xiàn)全局最優(yōu)解,故而利用參數(shù)r2來控制局部最優(yōu)與全局最優(yōu)的平衡,同時利用函數(shù)fn(r3)用來限制粒子的隨機運動。這種啟發(fā)式機制相比經(jīng)典的粒子群算法,在避免局部收斂方面擁有更好的性能。

    3 實驗分析

    通過以上的算法優(yōu)化,我們設(shè)計了K-ELM by V-PSO(KE-VP)框架,用于云數(shù)據(jù)庫上的惡意行為識別。框架主要分為檢測和分類兩個階段。在檢測階段,算法將用戶行為區(qū)分為正常行為和惡意行為;在分類階段,算法將惡意行為分類為具體的攻擊手段。

    框架基于Java 實現(xiàn),在實驗階段我們將KE-VP與其他現(xiàn)有方法進行了對比,并分析了主要的性能指標(biāo)。本節(jié)首先介紹我們所使用的數(shù)據(jù)集,然后給出詳細的實驗結(jié)果分析。

    3.1 數(shù)據(jù)集

    本方法在實驗環(huán)節(jié)使用了UNSW-NB15 數(shù)據(jù)集,該數(shù)據(jù)集由新南威爾士大學(xué)堪培拉校區(qū)的網(wǎng)絡(luò)靶場實驗室基于IXIA 公司提供的PerfectStorm 系列工具進行收集并創(chuàng)建的,它包含了常規(guī)的網(wǎng)絡(luò)流量以及各類攻擊的異常流量。UNSW-NB15 攻擊包含了540 044條數(shù)據(jù),每條數(shù)據(jù)都包含了49 種特征,其中包括常規(guī)的網(wǎng)絡(luò)流量以及其他9 種攻擊行為(Fuzzers、Backdoors、Analysis、Dos、Generic、Shellcode、Exploits、Worm 以及Reconnaissance)。在本實驗當(dāng)中,我們使用了UNSW-NB15 提供的包含了175 341條數(shù)據(jù)的訓(xùn)練集,以及包含82 332 條數(shù)據(jù)的測試集。

    3.2 KE-VP 性能分析

    我們首先在UNSW-NB15 數(shù)據(jù)集上進行檢測測試,對KE-VP、K-ELM 以及人工神經(jīng)網(wǎng)絡(luò)三種模型在區(qū)分正常網(wǎng)絡(luò)行為和異常網(wǎng)絡(luò)行為方面的性能進行了測試。如表3 所示,我們記錄了K-ELM、ANN以及KE-VP 算法在檢測任務(wù)中取得的Precision、Accuracy、Recall、False-Positive-Rate (FPR)、F1-Score、訓(xùn)練時間等性能指標(biāo)。

    表3 行為檢測性能比較

    從表3 當(dāng)中可以看出,相比K-ELM 以及ANN算法,本文提出的KE-VP 算法取得了最高的F1-score(0.952),同時取得了最低的FPR(0.035)。此外在模型訓(xùn)練時間上,KE-VP 相比K-ELM 縮短了近25%且遠低于ANN 所需要的訓(xùn)練時間。

    在分類階段,我們剔除了正常行為的樣本數(shù)據(jù),僅保留惡意行為并對基于KE-VP 算法的分類性能進行了測試。該階段的訓(xùn)練數(shù)據(jù)集包括5 000 條惡意行為數(shù)據(jù),測試集包括1 000 條惡意行為數(shù)據(jù)。如表4 所示,我們記錄了KE-VP 在分類任務(wù)中針對不同攻擊手段(包括 Analysis、Backdoor、Dos、Exploits、Fuzzers、Generic、Reconn、Shellcode、Worms)所取得的Precision、Accuracy、Recall、FPR 以及F1-socore 等性能指標(biāo)。

    從表4 可以看出在F1-score 指標(biāo)上,后門攻擊(Backdoor)的分類性能表現(xiàn)稍稍遜于對其他攻擊手段的分類性能。但是在整體上,KE-VP 面對各類攻擊的分類均表現(xiàn)出了較好的性能。

    表4 KE-VP 針對不同惡意行為的分類性能

    4 結(jié)束語

    本文首先提出了一種核基極限學(xué)習(xí)機,通過一個核函數(shù)提升極限學(xué)習(xí)機的收斂速度。其次對粒子群優(yōu)化算法的粒子速率迭代方法進行修正,提出了一種速率修正的粒子群優(yōu)化算法。利用速率修正的粒子群優(yōu)化去訓(xùn)練核基極限學(xué)習(xí)機,將其應(yīng)用到云數(shù)據(jù)庫上的網(wǎng)絡(luò)流量分析,最終實現(xiàn)惡意行為的快速準確識別。經(jīng)過實驗分析,該方法與現(xiàn)有方案相比具備更好的識別精度和模型訓(xùn)練效率。未來將在模型的泛化能力上進行更多的改進。

    猜你喜歡
    分類數(shù)據(jù)庫特征
    分類算一算
    如何表達“特征”
    不忠誠的四個特征
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    抓住特征巧觀察
    數(shù)據(jù)庫
    財經(jīng)(2017年2期)2017-03-10 14:35:35
    數(shù)據(jù)庫
    財經(jīng)(2016年15期)2016-06-03 07:38:02
    數(shù)據(jù)庫
    財經(jīng)(2016年3期)2016-03-07 07:44:46
    a在线观看视频网站| 又粗又爽又猛毛片免费看| 黄色丝袜av网址大全| 久久久精品欧美日韩精品| 国产精品女同一区二区软件 | 99视频精品全部免费 在线| 国产男靠女视频免费网站| 免费av毛片视频| 少妇的逼好多水| 国产精品久久久久久人妻精品电影| 久久久久九九精品影院| 97超级碰碰碰精品色视频在线观看| 两个人看的免费小视频| 欧美日韩国产亚洲二区| 欧美日韩黄片免| 亚洲乱码一区二区免费版| 久久99热这里只有精品18| 偷拍熟女少妇极品色| 国产精品 国内视频| 国产视频内射| 国产成人a区在线观看| 亚洲国产精品合色在线| 欧美又色又爽又黄视频| 午夜a级毛片| 一二三四社区在线视频社区8| 欧美在线一区亚洲| 18禁裸乳无遮挡免费网站照片| 亚洲欧美日韩高清专用| 国产成人欧美在线观看| 日韩大尺度精品在线看网址| 亚洲av五月六月丁香网| 九九在线视频观看精品| 在线观看av片永久免费下载| 欧美av亚洲av综合av国产av| 精华霜和精华液先用哪个| av欧美777| 国产精品久久久久久精品电影| 日韩欧美三级三区| 久久精品国产清高在天天线| 美女黄网站色视频| 国产91精品成人一区二区三区| 国产av在哪里看| 婷婷精品国产亚洲av在线| 成人三级黄色视频| 欧美+亚洲+日韩+国产| 每晚都被弄得嗷嗷叫到高潮| 亚洲精品一区av在线观看| 亚洲精品成人久久久久久| 成人精品一区二区免费| 日韩大尺度精品在线看网址| 18+在线观看网站| 欧美高清成人免费视频www| 人人妻人人看人人澡| 好看av亚洲va欧美ⅴa在| 国产精品亚洲美女久久久| 欧美日本视频| 日韩国内少妇激情av| 亚洲无线观看免费| 国产av麻豆久久久久久久| 麻豆一二三区av精品| 手机成人av网站| 九九在线视频观看精品| 男人舔奶头视频| 午夜免费观看网址| 久久亚洲精品不卡| 2021天堂中文幕一二区在线观| 中文字幕av成人在线电影| avwww免费| 国产三级在线视频| 欧美av亚洲av综合av国产av| 亚洲无线在线观看| 午夜福利视频1000在线观看| 久久伊人香网站| 一个人看的www免费观看视频| 亚洲真实伦在线观看| 国产一区二区三区在线臀色熟女| 99在线视频只有这里精品首页| av片东京热男人的天堂| 亚洲欧美日韩东京热| 国产三级中文精品| 午夜福利免费观看在线| 精品一区二区三区视频在线 | 欧美+亚洲+日韩+国产| 国产91精品成人一区二区三区| 男插女下体视频免费在线播放| 性欧美人与动物交配| 婷婷丁香在线五月| 国产不卡一卡二| 亚洲电影在线观看av| 国产精品国产高清国产av| 国产乱人伦免费视频| 国产探花极品一区二区| 九九在线视频观看精品| 国产精品久久久人人做人人爽| 国产高清视频在线观看网站| 18禁美女被吸乳视频| 青草久久国产| 久久久国产成人免费| 美女cb高潮喷水在线观看| 蜜桃亚洲精品一区二区三区| 成人鲁丝片一二三区免费| 婷婷丁香在线五月| 法律面前人人平等表现在哪些方面| 亚洲男人的天堂狠狠| 日韩欧美在线二视频| 久久久国产成人精品二区| 成人18禁在线播放| 首页视频小说图片口味搜索| 老鸭窝网址在线观看| 久久久国产成人免费| 99热6这里只有精品| 老司机午夜福利在线观看视频| 99精品在免费线老司机午夜| 欧美一级a爱片免费观看看| 波野结衣二区三区在线 | 一夜夜www| 亚洲人成网站在线播| 一本精品99久久精品77| 好看av亚洲va欧美ⅴa在| 亚洲色图av天堂| 欧美乱色亚洲激情| 日本成人三级电影网站| 网址你懂的国产日韩在线| 欧美日韩精品网址| 成人三级黄色视频| 99久久精品热视频| 一个人免费在线观看电影| 国产不卡一卡二| av天堂在线播放| 色综合亚洲欧美另类图片| 国产精品一区二区三区四区久久| 精品乱码久久久久久99久播| 在线观看美女被高潮喷水网站 | 国产熟女xx| 国产亚洲精品一区二区www| 亚洲成av人片在线播放无| 国产精品99久久久久久久久| 999久久久精品免费观看国产| 波多野结衣高清无吗| 女人高潮潮喷娇喘18禁视频| 亚洲av美国av| 久久精品综合一区二区三区| 露出奶头的视频| 天天添夜夜摸| 嫩草影院入口| 尤物成人国产欧美一区二区三区| 成人欧美大片| 色老头精品视频在线观看| 日韩精品青青久久久久久| 黄片小视频在线播放| 亚洲精华国产精华精| 男女床上黄色一级片免费看| 岛国视频午夜一区免费看| 女生性感内裤真人,穿戴方法视频| 极品教师在线免费播放| 最近最新免费中文字幕在线| tocl精华| 国产精品 欧美亚洲| 国产久久久一区二区三区| 日本三级黄在线观看| 黑人欧美特级aaaaaa片| 久久久久免费精品人妻一区二区| 夜夜看夜夜爽夜夜摸| 在线观看av片永久免费下载| 欧美+亚洲+日韩+国产| 久久这里只有精品中国| 久久精品国产亚洲av香蕉五月| 亚洲精品国产精品久久久不卡| 最近最新中文字幕大全免费视频| 1024手机看黄色片| 首页视频小说图片口味搜索| 成人精品一区二区免费| 在线观看66精品国产| 午夜免费成人在线视频| www.色视频.com| 久久久久久大精品| 嫁个100分男人电影在线观看| 18禁黄网站禁片午夜丰满| 亚洲天堂国产精品一区在线| 在线国产一区二区在线| 麻豆成人av在线观看| 啦啦啦免费观看视频1| 国产高清视频在线观看网站| 女生性感内裤真人,穿戴方法视频| 欧美黑人巨大hd| 精品欧美国产一区二区三| 欧美丝袜亚洲另类 | 我的老师免费观看完整版| 国产爱豆传媒在线观看| 午夜福利18| 黄片小视频在线播放| 天天躁日日操中文字幕| 国产v大片淫在线免费观看| 日韩国内少妇激情av| 18禁国产床啪视频网站| 国产成人av教育| 18+在线观看网站| 男人舔女人下体高潮全视频| 青草久久国产| 岛国在线观看网站| 黄片小视频在线播放| 国产视频内射| 久久久久国产精品人妻aⅴ院| 18禁黄网站禁片免费观看直播| 午夜精品在线福利| 日日摸夜夜添夜夜添小说| 两个人的视频大全免费| 少妇裸体淫交视频免费看高清| 国产成人欧美在线观看| 国产一区二区三区视频了| 国产精品三级大全| 校园春色视频在线观看| 麻豆久久精品国产亚洲av| 日韩欧美一区二区三区在线观看| 日本撒尿小便嘘嘘汇集6| 好看av亚洲va欧美ⅴa在| 丰满人妻一区二区三区视频av | www日本在线高清视频| 亚洲精品亚洲一区二区| 国产国拍精品亚洲av在线观看 | 国产亚洲欧美98| 色av中文字幕| 久久久精品大字幕| 国产精品国产高清国产av| 国产精品香港三级国产av潘金莲| 中文字幕熟女人妻在线| 色吧在线观看| 国产精品久久久久久久电影 | 琪琪午夜伦伦电影理论片6080| 丝袜美腿在线中文| 欧美色视频一区免费| 亚洲第一电影网av| svipshipincom国产片| 午夜视频国产福利| av国产免费在线观看| 色播亚洲综合网| 麻豆一二三区av精品| 少妇人妻一区二区三区视频| 最近在线观看免费完整版| 少妇的逼水好多| 国产一区二区在线观看日韩 | 国产熟女xx| 亚洲,欧美精品.| 别揉我奶头~嗯~啊~动态视频| 欧美日韩国产亚洲二区| 久久中文看片网| 美女高潮的动态| 欧美不卡视频在线免费观看| 中文字幕熟女人妻在线| 在线观看日韩欧美| 国产精品亚洲一级av第二区| 亚洲熟妇中文字幕五十中出| 在线播放国产精品三级| 此物有八面人人有两片| 美女cb高潮喷水在线观看| 中文字幕av在线有码专区| 丰满人妻一区二区三区视频av | 观看美女的网站| 成人亚洲精品av一区二区| 嫩草影视91久久| 久久久久国内视频| 在线十欧美十亚洲十日本专区| 国产91精品成人一区二区三区| 又爽又黄无遮挡网站| 99视频精品全部免费 在线| 精品免费久久久久久久清纯| 国产高清三级在线| 午夜a级毛片| 精品一区二区三区视频在线 | 亚洲精品影视一区二区三区av| 麻豆一二三区av精品| 亚洲欧美日韩无卡精品| 在线免费观看的www视频| 国产精品嫩草影院av在线观看 | 国产精品久久久久久精品电影| 午夜精品久久久久久毛片777| 在线观看66精品国产| 国产一区二区激情短视频| 最近最新中文字幕大全电影3| 久久精品人妻少妇| 午夜福利视频1000在线观看| 特级一级黄色大片| www.色视频.com| 亚洲一区高清亚洲精品| 成年女人看的毛片在线观看| 性色avwww在线观看| 久久久久久久久中文| 色吧在线观看| 亚洲一区高清亚洲精品| 人人妻人人澡欧美一区二区| 毛片女人毛片| 久久香蕉精品热| 乱人视频在线观看| 免费av观看视频| 热99在线观看视频| 午夜福利成人在线免费观看| 午夜福利高清视频| 精品一区二区三区视频在线 | 久久精品91无色码中文字幕| 国产精品电影一区二区三区| 亚洲乱码一区二区免费版| 国产精品精品国产色婷婷| 精品久久久久久成人av| 久久久久亚洲av毛片大全| 亚洲国产色片| 亚洲欧美日韩东京热| or卡值多少钱| 中文字幕久久专区| 天堂动漫精品| 欧美国产日韩亚洲一区| 成人av一区二区三区在线看| 精品久久久久久久末码| 九色国产91popny在线| avwww免费| 国产精品嫩草影院av在线观看 | 国产成人aa在线观看| 伊人久久精品亚洲午夜| 俄罗斯特黄特色一大片| 99久久精品一区二区三区| 欧美黄色片欧美黄色片| 熟女少妇亚洲综合色aaa.| 国产视频一区二区在线看| 亚洲无线在线观看| 亚洲天堂国产精品一区在线| 久久中文看片网| 色视频www国产| 亚洲无线观看免费| 五月伊人婷婷丁香| 最近最新免费中文字幕在线| 在线播放国产精品三级| 不卡一级毛片| 久久久精品欧美日韩精品| 国产97色在线日韩免费| 亚洲国产精品合色在线| 在线免费观看的www视频| av女优亚洲男人天堂| 中文亚洲av片在线观看爽| 嫩草影院精品99| 日本在线视频免费播放| 精品国产美女av久久久久小说| 精品无人区乱码1区二区| 日韩欧美 国产精品| 久久6这里有精品| 成人精品一区二区免费| 日韩欧美三级三区| 日韩欧美在线二视频| 男人舔女人下体高潮全视频| 日本黄色片子视频| 亚洲精品日韩av片在线观看 | 久久久久国产精品人妻aⅴ院| 免费高清视频大片| 日韩大尺度精品在线看网址| 免费av毛片视频| 欧美国产日韩亚洲一区| 国产一区在线观看成人免费| 国产单亲对白刺激| av天堂在线播放| 很黄的视频免费| 国产99白浆流出| 午夜精品在线福利| av福利片在线观看| 一个人观看的视频www高清免费观看| 看片在线看免费视频| 麻豆国产97在线/欧美| 欧美成人免费av一区二区三区| 国内少妇人妻偷人精品xxx网站| 欧美zozozo另类| 色尼玛亚洲综合影院| 级片在线观看| 亚洲 欧美 日韩 在线 免费| 有码 亚洲区| 91麻豆av在线| 亚洲成人中文字幕在线播放| 成人鲁丝片一二三区免费| 亚洲成人精品中文字幕电影| 可以在线观看的亚洲视频| 精品电影一区二区在线| 18禁裸乳无遮挡免费网站照片| 国产探花极品一区二区| 精品免费久久久久久久清纯| 国产精品国产高清国产av| 叶爱在线成人免费视频播放| 少妇熟女aⅴ在线视频| 亚洲无线在线观看| 精品久久久久久久久久久久久| 欧美日本亚洲视频在线播放| 午夜精品久久久久久毛片777| 国产精品综合久久久久久久免费| av女优亚洲男人天堂| 成人特级黄色片久久久久久久| 性色avwww在线观看| 欧美激情久久久久久爽电影| 中国美女看黄片| 757午夜福利合集在线观看| 亚洲欧美一区二区三区黑人| 久久精品亚洲精品国产色婷小说| 69av精品久久久久久| 香蕉久久夜色| 亚洲国产精品成人综合色| 久久久久久久久中文| 国产精品自产拍在线观看55亚洲| 午夜久久久久精精品| 一a级毛片在线观看| 国产精品 欧美亚洲| 美女免费视频网站| 老司机福利观看| 亚洲美女黄片视频| 亚洲国产中文字幕在线视频| 丁香欧美五月| 99久久成人亚洲精品观看| 国产高清激情床上av| 亚洲av电影不卡..在线观看| 一区福利在线观看| 精品日产1卡2卡| 欧美日本亚洲视频在线播放| 欧美黄色淫秽网站| 午夜福利欧美成人| 人妻久久中文字幕网| 亚洲片人在线观看| 日韩有码中文字幕| 婷婷精品国产亚洲av在线| 色视频www国产| 午夜免费成人在线视频| 亚洲第一欧美日韩一区二区三区| 日韩成人在线观看一区二区三区| 婷婷六月久久综合丁香| 精品久久久久久久末码| 免费av不卡在线播放| 亚洲aⅴ乱码一区二区在线播放| 国产乱人伦免费视频| 免费人成视频x8x8入口观看| 国产av一区在线观看免费| 久久国产乱子伦精品免费另类| 中文字幕精品亚洲无线码一区| 每晚都被弄得嗷嗷叫到高潮| 成年免费大片在线观看| 91久久精品电影网| 成人鲁丝片一二三区免费| av欧美777| 老司机福利观看| 一进一出好大好爽视频| av黄色大香蕉| 国产一区二区亚洲精品在线观看| 99久久99久久久精品蜜桃| 丰满乱子伦码专区| www日本在线高清视频| 超碰av人人做人人爽久久 | 亚洲片人在线观看| 精品久久久久久久久久免费视频| а√天堂www在线а√下载| 日本三级黄在线观看| 少妇人妻一区二区三区视频| 午夜福利视频1000在线观看| 亚洲av中文字字幕乱码综合| 国产免费av片在线观看野外av| 亚洲欧美精品综合久久99| 搡女人真爽免费视频火全软件 | 国产熟女xx| 成人午夜高清在线视频| 天天一区二区日本电影三级| 男人的好看免费观看在线视频| 老汉色∧v一级毛片| 亚洲av免费高清在线观看| 波多野结衣高清无吗| 热99re8久久精品国产| 搡老岳熟女国产| 首页视频小说图片口味搜索| 亚洲激情在线av| 国产成人啪精品午夜网站| 黄片小视频在线播放| 国产av麻豆久久久久久久| 欧美一区二区国产精品久久精品| 亚洲最大成人中文| 亚洲aⅴ乱码一区二区在线播放| 亚洲 欧美 日韩 在线 免费| tocl精华| 国产野战对白在线观看| 精品无人区乱码1区二区| 色噜噜av男人的天堂激情| 两个人看的免费小视频| 亚洲精品美女久久久久99蜜臀| 在线观看舔阴道视频| 欧美一区二区亚洲| 久久香蕉精品热| 一本久久中文字幕| 日韩人妻高清精品专区| 男人和女人高潮做爰伦理| 色哟哟哟哟哟哟| av片东京热男人的天堂| 国产一区在线观看成人免费| 久久久久久久亚洲中文字幕 | 久久久精品欧美日韩精品| 成人高潮视频无遮挡免费网站| 在线观看美女被高潮喷水网站 | 亚洲人成网站高清观看| 久久中文看片网| 在线国产一区二区在线| 噜噜噜噜噜久久久久久91| 国产精品一区二区三区四区免费观看 | 免费电影在线观看免费观看| 亚洲天堂国产精品一区在线| 国产欧美日韩精品亚洲av| 亚洲不卡免费看| 最新中文字幕久久久久| 亚洲精品456在线播放app | 九九热线精品视视频播放| 久久草成人影院| 亚洲一区二区三区色噜噜| 99riav亚洲国产免费| 又黄又粗又硬又大视频| 免费看美女性在线毛片视频| 国产探花在线观看一区二区| 日本 av在线| 亚洲不卡免费看| 午夜福利欧美成人| 欧美极品一区二区三区四区| 亚洲 国产 在线| 国产精品嫩草影院av在线观看 | 亚洲av成人av| 亚洲av成人精品一区久久| 久久婷婷人人爽人人干人人爱| 中出人妻视频一区二区| 午夜福利高清视频| 夜夜爽天天搞| 成人永久免费在线观看视频| 国产精品免费一区二区三区在线| 亚洲avbb在线观看| 国产乱人视频| 夜夜爽天天搞| www日本在线高清视频| 嫩草影院精品99| 伊人久久精品亚洲午夜| 男女视频在线观看网站免费| 国产乱人视频| 成人鲁丝片一二三区免费| 99热只有精品国产| 两性午夜刺激爽爽歪歪视频在线观看| 夜夜爽天天搞| 波多野结衣高清无吗| 成年女人毛片免费观看观看9| 天堂动漫精品| 中文字幕人妻熟人妻熟丝袜美 | 国产色爽女视频免费观看| 免费电影在线观看免费观看| 久久精品亚洲精品国产色婷小说| 国产精品久久久久久人妻精品电影| 国内少妇人妻偷人精品xxx网站| 久久久久性生活片| 精品国产美女av久久久久小说| 国产亚洲精品av在线| 亚洲熟妇中文字幕五十中出| 午夜免费男女啪啪视频观看 | 国产色爽女视频免费观看| 极品教师在线免费播放| 精品一区二区三区视频在线观看免费| 国产69精品久久久久777片| 亚洲国产精品sss在线观看| 日韩大尺度精品在线看网址| 免费人成视频x8x8入口观看| 在线观看av片永久免费下载| 亚洲欧美精品综合久久99| 19禁男女啪啪无遮挡网站| 一个人看的www免费观看视频| 狂野欧美白嫩少妇大欣赏| 99国产极品粉嫩在线观看| 观看免费一级毛片| 欧美性猛交╳xxx乱大交人| 欧美+日韩+精品| 俄罗斯特黄特色一大片| 色综合婷婷激情| 亚洲人成网站在线播放欧美日韩| 午夜亚洲福利在线播放| 麻豆成人av在线观看| 美女高潮喷水抽搐中文字幕| 久久伊人香网站| 亚洲精品美女久久久久99蜜臀| 亚洲人成网站高清观看| 中文字幕人妻丝袜一区二区| 男女那种视频在线观看| 久久精品影院6| 欧美最黄视频在线播放免费| 久久久久久大精品| 色av中文字幕| 色噜噜av男人的天堂激情| 精品99又大又爽又粗少妇毛片 | 午夜免费男女啪啪视频观看 | 国产伦精品一区二区三区四那| 九九热线精品视视频播放| 岛国在线观看网站| 国产亚洲精品久久久com| 色噜噜av男人的天堂激情| a级一级毛片免费在线观看| 99国产精品一区二区蜜桃av| 97碰自拍视频| 国产伦在线观看视频一区| 黄片大片在线免费观看| 国产午夜福利久久久久久| 99热这里只有精品一区| 亚洲性夜色夜夜综合| 久久国产精品影院| 最新在线观看一区二区三区| 久久亚洲精品不卡| 国产午夜精品论理片| 我要搜黄色片| 亚洲人成网站在线播放欧美日韩| 国产v大片淫在线免费观看| 日韩欧美三级三区| 亚洲av五月六月丁香网| 嫁个100分男人电影在线观看| 国产一区二区在线观看日韩 | 人人妻人人澡欧美一区二区| 麻豆成人午夜福利视频| 欧美午夜高清在线| 老司机深夜福利视频在线观看| 给我免费播放毛片高清在线观看|