• <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(jì)算環(huán)境中的數(shù)據(jù)庫,可以實(shí)現(xiàn)按需付費(fèi)、按需擴(kuò)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(jì)、更專業(yè)、更高效、更可靠的特點(diǎn)。隨著云計(jì)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(shí)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(yùn)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(xiǎn)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(hù)一個(gè)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(shí)時(shí)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(shí)就報(bào)告相應(yīng)的異常行為。文獻(xiàn)[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(jì)算每個(gè)主機(jī)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(rèn)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(xì)粒度數(shù)據(jù)流中提取流量統(tǒng)計(jì)信息并進(jìn)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(jìn)行可視化。文獻(xiàn)[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(jìn)行訓(xùn)練,并通過在SDN 中獲得的網(wǎng)絡(luò)鏈接時(shí)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(jī)的連接數(shù)、兩秒內(nèi)同一服務(wù)的連接數(shù)這6 個(gè)基本特征來進(jìn)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(shí)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(jì)算復(fù)雜度較高且依賴于規(guī)則的人工維護(hù)[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(jì)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(jìn)粒子群優(yōu)化與核極限學(xué)習(xí)機(jī)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(jìn)行了改進(jìn),然后通過與核極限學(xué)習(xí)機(jī)相結(jié)合,從而實(shí)現(xiàn)一種基于機(jī)器學(xué)習(xí)的惡意行為攻擊檢測。通過實(shí)驗(yàn)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(xiàn)[12]提出了一種基于投票極限學(xué)習(xí)機(jī)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(dá)到了99.18%的檢測精度,在ISCX 數(shù)據(jù)集上達(dá)到了92.11%的檢測精度。文獻(xiàn)[13]將泰勒序列與象群優(yōu)化算法相結(jié)合,然后通過一個(gè)模糊分類器來實(shí)現(xiàn)規(guī)則的學(xué)習(xí)。文獻(xiàn)[14]提出了一種AI 驅(qū)動的多層防護(hù)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(jī)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(xiàn)[15]提出了一種基于支持向量機(jī)的權(quán)限管理算法來對用戶的行為進(jìn)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(jìn)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(shí)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)特征抽取;(3)特征降維;(4)特征轉(zhuǎn)換與標(biāo)準(zhǔn)化;(5)檢測。下面對這幾個(gè)步驟進(jìn)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(shí)間特征等。以上特征最終用于對行為進(jìn)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(jìn)行了特征提取。表1 展示了UNSW-NB15 中各個(gè)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(shí)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(jìn)行Min-Max 標(biāo)準(zhǔn)化處理。這一步操作的目的是為了保證所有特征在同一個(gè)尺度下,消除不同特征在統(tǒng)計(jì)意義下的偏差,進(jìn)而提高模型訓(xùn)練的效率。Min-Max 標(biāo)準(zhǔn)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(jìn)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(gè)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(xì)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(jī)

    極限學(xué)習(xí)機(jī)(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(jī)器學(xué)習(xí)方法。極限學(xué)習(xí)機(jī)隨機(jī)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(xiàng)和輸出層權(quán)重范數(shù)的正則項(xiàng)構(gòu)成的損失函數(shù),依據(jù)Moore-Penrose 廣義逆矩陣?yán)碚撚?jì)算解析求出。即使隨機(jī)生成隱藏層節(jié)點(diǎn),ELM 仍保持FFN 的通用逼近能力。目前極限學(xué)習(xí)機(jī)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(jī)具有訓(xùn)練參數(shù)少、學(xué)習(xí)速度快、泛化能力強(qiáng)的優(yōu)點(diǎn)。

    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(jì)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(shí)現(xiàn)更快的收斂速度,我們在ELM 基礎(chǔ)上部署了一個(gè)核函數(shù),構(gòu)成了一種核基極限學(xué)習(xí)機(jī)(Kernel-based Extreme Learning Machine,K-ELM)。原先ELM 中的特征映射矩陣h(d)被一個(gè)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(gè)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(fù)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(gè)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(jìn)粒子群算法

    粒子群優(yōu)化(Particle Swarm Optimization,PSO)[20]是一種演化計(jì)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(yùn)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(shí)現(xiàn)、參數(shù)少易調(diào)試的優(yōu)勢。然而,PSO 算法存在粒子運(yùn)動更新速度慢,模擬隨機(jī)搜索效果差的問題。為此我們考慮對粒子速率進(jìn)行適時(shí)的修正,保證算法能夠快速收斂到全局最優(yōu)點(diǎn)。

    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(jì)算每個(gè)粒子i的初始適應(yīng)度f(si(t));

    (3)對每個(gè)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(gè)粒子i,按照以下的式子更新其速度:

    (6)對每個(gè)粒子i,按照以下的式子更新其位置:

    (7)對每個(gè)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(shí)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(dá)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(shí)現(xiàn)了一種更為細(xì)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(shí)利用函數(shù)fn(r3)用來限制粒子的隨機(jī)運(yùn)動。這種啟發(fā)式機(jī)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(shí)驗(yàn)分析

    通過以上的算法優(yōu)化,我們設(shè)計(jì)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??蚣苤饕譃闄z測和分類兩個(gè)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(shí)現(xiàn),在實(shí)驗(yàn)階段我們將KE-VP與其他現(xiàn)有方法進(jìn)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(xì)的實(shí)驗(yàn)結(jié)果分析。

    3.1 數(shù)據(jù)集

    本方法在實(shí)驗(yàn)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(shí)驗(yàn)室基于IXIA 公司提供的PerfectStorm 系列工具進(jìn)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(shí)驗(yàn)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(jìn)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(jìn)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(shí)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(shí)取得了最低的FPR(0.035)。此外在模型訓(xùn)練時(shí)間上,KE-VP 相比K-ELM 縮短了近25%且遠(yuǎn)低于ANN 所需要的訓(xùn)練時(shí)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(jìn)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(jī),通過一個(gè)核函數(shù)提升極限學(xué)習(xí)機(jī)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(jìn)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(jī),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(shí)現(xiàn)惡意行為的快速準(zhǔn)確識別。經(jīng)過實(shí)驗(yàn)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(jìn)行更多的改進(jìn)。

    猜你喜歡
    分類數(shù)據(jù)庫特征
    分類算一算
    如何表達(dá)“特征”
    不忠誠的四個(gè)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
    數(shù)據(jù)庫
    數(shù)據(jù)庫
    久久综合国产亚洲精品| 久久精品aⅴ一区二区三区四区| 99re6热这里在线精品视频| 久久99一区二区三区| 少妇被粗大猛烈的视频| 男女高潮啪啪啪动态图| 女性被躁到高潮视频| 黄色 视频免费看| av视频免费观看在线观看| 国产免费现黄频在线看| 欧美日韩福利视频一区二区| 最近中文字幕高清免费大全6| 午夜激情av网站| 日本91视频免费播放| 九草在线视频观看| 欧美日韩一级在线毛片| 精品少妇久久久久久888优播| 一级a爱视频在线免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲第一区二区三区不卡| 别揉我奶头~嗯~啊~动态视频 | 电影成人av| 亚洲精品乱久久久久久| 亚洲欧美清纯卡通| av在线老鸭窝| 成年美女黄网站色视频大全免费| 各种免费的搞黄视频| 高清不卡的av网站| 久久精品国产a三级三级三级| 亚洲,欧美精品.| 欧美在线一区亚洲| 日本猛色少妇xxxxx猛交久久| 超碰成人久久| 久久狼人影院| 男的添女的下面高潮视频| 亚洲精品乱久久久久久| 超碰成人久久| 久久婷婷青草| 久久天躁狠狠躁夜夜2o2o | 又黄又粗又硬又大视频| 国产一区有黄有色的免费视频| 天堂俺去俺来也www色官网| 午夜福利一区二区在线看| 制服丝袜香蕉在线| 午夜激情久久久久久久| 国产视频首页在线观看| 亚洲精品乱久久久久久| 女人精品久久久久毛片| 汤姆久久久久久久影院中文字幕| 亚洲av国产av综合av卡| 亚洲人成电影观看| av免费观看日本| 精品久久久久久电影网| 99久久精品国产亚洲精品| 最新在线观看一区二区三区 | a级毛片在线看网站| 国产极品天堂在线| 操出白浆在线播放| 卡戴珊不雅视频在线播放| 亚洲国产欧美日韩在线播放| 女性生殖器流出的白浆| 看非洲黑人一级黄片| 综合色丁香网| 熟妇人妻不卡中文字幕| 最近中文字幕2019免费版| 午夜老司机福利片| 夜夜骑夜夜射夜夜干| 97在线人人人人妻| 最近最新中文字幕大全免费视频 | 超碰成人久久| 人妻 亚洲 视频| 母亲3免费完整高清在线观看| 各种免费的搞黄视频| 国产免费视频播放在线视频| 久久久久精品性色| 午夜免费男女啪啪视频观看| 亚洲人成77777在线视频| 欧美日韩成人在线一区二区| 精品少妇久久久久久888优播| 欧美亚洲日本最大视频资源| 午夜福利免费观看在线| 成年女人毛片免费观看观看9 | 婷婷成人精品国产| 最近中文字幕2019免费版| 最新在线观看一区二区三区 | 热re99久久精品国产66热6| 久久精品国产亚洲av涩爱| 99精品久久久久人妻精品| 一区二区三区四区激情视频| 少妇精品久久久久久久| 男女边摸边吃奶| 国产高清国产精品国产三级| 18禁动态无遮挡网站| 黄色视频不卡| 桃花免费在线播放| 中文乱码字字幕精品一区二区三区| 日韩电影二区| 大香蕉久久成人网| 亚洲成人手机| 男女无遮挡免费网站观看| 日韩av在线免费看完整版不卡| 国产精品一区二区在线不卡| 国产爽快片一区二区三区| 欧美日韩综合久久久久久| 国产成人欧美在线观看 | 另类亚洲欧美激情| 国产精品国产三级专区第一集| 亚洲情色 制服丝袜| 晚上一个人看的免费电影| 亚洲成色77777| 十分钟在线观看高清视频www| www日本在线高清视频| 男人添女人高潮全过程视频| 男人操女人黄网站| 国语对白做爰xxxⅹ性视频网站| 国产xxxxx性猛交| 人成视频在线观看免费观看| 中文字幕最新亚洲高清| 国产在线一区二区三区精| 黑丝袜美女国产一区| 国产一区亚洲一区在线观看| 久久久精品区二区三区| 叶爱在线成人免费视频播放| 伦理电影免费视频| 亚洲国产精品国产精品| 免费观看av网站的网址| 国产视频首页在线观看| 亚洲少妇的诱惑av| 又大又爽又粗| netflix在线观看网站| 午夜影院在线不卡| 欧美日韩成人在线一区二区| 久久韩国三级中文字幕| 久久精品aⅴ一区二区三区四区| 国产精品偷伦视频观看了| 一区二区三区四区激情视频| 国产亚洲av片在线观看秒播厂| 国产女主播在线喷水免费视频网站| 欧美少妇被猛烈插入视频| 日韩中文字幕欧美一区二区 | 国产欧美日韩综合在线一区二区| 中文乱码字字幕精品一区二区三区| 1024香蕉在线观看| 性少妇av在线| 亚洲欧美激情在线| 国产熟女欧美一区二区| 国产亚洲午夜精品一区二区久久| 99久久人妻综合| 肉色欧美久久久久久久蜜桃| 国产精品女同一区二区软件| 国产精品麻豆人妻色哟哟久久| 伊人亚洲综合成人网| 色视频在线一区二区三区| 伊人久久国产一区二区| 欧美日韩成人在线一区二区| 高清欧美精品videossex| 久久精品aⅴ一区二区三区四区| 欧美精品一区二区免费开放| av卡一久久| 国产又爽黄色视频| 久久精品久久久久久噜噜老黄| av电影中文网址| 两个人免费观看高清视频| 亚洲色图 男人天堂 中文字幕| 亚洲国产最新在线播放| 亚洲欧美成人精品一区二区| 国产精品亚洲av一区麻豆 | 亚洲欧洲国产日韩| 97精品久久久久久久久久精品| 国产精品二区激情视频| 大码成人一级视频| 国产精品蜜桃在线观看| 国产精品 国内视频| av在线播放精品| 亚洲国产精品国产精品| 日韩,欧美,国产一区二区三区| 母亲3免费完整高清在线观看| 国产欧美日韩综合在线一区二区| 高清av免费在线| 不卡av一区二区三区| 少妇精品久久久久久久| 精品国产一区二区三区久久久樱花| 国产精品一国产av| 欧美日韩视频高清一区二区三区二| 亚洲欧美精品综合一区二区三区| 亚洲欧美色中文字幕在线| 精品国产一区二区三区久久久樱花| 精品国产一区二区久久| 好男人视频免费观看在线| 亚洲专区中文字幕在线 | 亚洲情色 制服丝袜| 亚洲欧美激情在线| 国产精品二区激情视频| 亚洲天堂av无毛| 久久久久久久精品精品| 两个人免费观看高清视频| 99热国产这里只有精品6| www日本在线高清视频| 91精品三级在线观看| 成人国语在线视频| 国产乱来视频区| 精品国产一区二区三区久久久樱花| 国产视频首页在线观看| 免费少妇av软件| 国产黄频视频在线观看| 国产老妇伦熟女老妇高清| 亚洲国产精品999| 国产成人91sexporn| 水蜜桃什么品种好| 国产精品av久久久久免费| 国产欧美日韩综合在线一区二区| 天天躁日日躁夜夜躁夜夜| 精品亚洲成国产av| 国产成人精品久久二区二区91 | 赤兔流量卡办理| bbb黄色大片| 2021少妇久久久久久久久久久| 巨乳人妻的诱惑在线观看| 久热这里只有精品99| 亚洲综合精品二区| 伊人久久大香线蕉亚洲五| 亚洲在久久综合| 日韩伦理黄色片| 欧美日韩国产mv在线观看视频| 飞空精品影院首页| 久久精品aⅴ一区二区三区四区| 欧美精品人与动牲交sv欧美| 亚洲av男天堂| 天天躁日日躁夜夜躁夜夜| 91成人精品电影| 亚洲欧美精品自产自拍| 又粗又硬又长又爽又黄的视频| 欧美国产精品va在线观看不卡| 亚洲欧美色中文字幕在线| 亚洲国产精品一区二区三区在线| 精品午夜福利在线看| 五月天丁香电影| 日韩欧美一区视频在线观看| 亚洲激情五月婷婷啪啪| av天堂久久9| 国产无遮挡羞羞视频在线观看| 国产探花极品一区二区| 婷婷色综合大香蕉| 一二三四在线观看免费中文在| 看十八女毛片水多多多| 久久午夜综合久久蜜桃| 在线观看一区二区三区激情| 国产精品秋霞免费鲁丝片| 秋霞在线观看毛片| 精品福利永久在线观看| 亚洲自偷自拍图片 自拍| 在线天堂中文资源库| 夫妻午夜视频| 亚洲国产看品久久| 少妇的丰满在线观看| 国产成人欧美| 欧美亚洲 丝袜 人妻 在线| 亚洲自偷自拍图片 自拍| 九草在线视频观看| 黄色怎么调成土黄色| 国产精品香港三级国产av潘金莲 | 国产男女内射视频| 欧美精品高潮呻吟av久久| 日本午夜av视频| 欧美精品亚洲一区二区| 久久精品国产亚洲av高清一级| 中文字幕av电影在线播放| 免费看不卡的av| 一本色道久久久久久精品综合| 999精品在线视频| 老鸭窝网址在线观看| 丰满少妇做爰视频| 五月开心婷婷网| 一边亲一边摸免费视频| 亚洲欧美色中文字幕在线| 国产成人欧美在线观看 | 亚洲自偷自拍图片 自拍| 成人午夜精彩视频在线观看| 在线观看免费日韩欧美大片| 综合色丁香网| 亚洲av成人不卡在线观看播放网 | 熟妇人妻不卡中文字幕| 免费观看人在逋| 国产精品女同一区二区软件| 一个人免费看片子| 汤姆久久久久久久影院中文字幕| 一区二区三区四区激情视频| 一级爰片在线观看| 日韩大码丰满熟妇| 国产精品 欧美亚洲| 丰满饥渴人妻一区二区三| 国产在线免费精品| 亚洲天堂av无毛| 国产成人免费无遮挡视频| 欧美日韩亚洲高清精品| 久久久久精品人妻al黑| 欧美精品一区二区免费开放| 久久人人爽av亚洲精品天堂| 如何舔出高潮| 久久女婷五月综合色啪小说| 国产成人欧美在线观看 | 亚洲av电影在线观看一区二区三区| 妹子高潮喷水视频| 黑丝袜美女国产一区| 国产激情久久老熟女| 国产成人欧美| 亚洲欧美精品自产自拍| 中国国产av一级| 天天躁夜夜躁狠狠躁躁| 极品少妇高潮喷水抽搐| 欧美成人精品欧美一级黄| 国产成人午夜福利电影在线观看| 亚洲精品aⅴ在线观看| 久久久久久久久免费视频了| 黑人巨大精品欧美一区二区蜜桃| 成年美女黄网站色视频大全免费| 午夜久久久在线观看| 热re99久久精品国产66热6| 午夜福利在线免费观看网站| 亚洲国产欧美在线一区| 国产精品国产三级国产专区5o| 国产精品.久久久| 一级片'在线观看视频| 亚洲国产成人一精品久久久| 免费观看av网站的网址| 我要看黄色一级片免费的| 国产男女超爽视频在线观看| 日韩欧美精品免费久久| 国产有黄有色有爽视频| 欧美人与性动交α欧美软件| 国产高清不卡午夜福利| 美国免费a级毛片| 老司机影院毛片| 国产成人a∨麻豆精品| 亚洲国产日韩一区二区| 国产1区2区3区精品| 国产在线视频一区二区| 高清不卡的av网站| 久久精品人人爽人人爽视色| 9191精品国产免费久久| 国产av精品麻豆| 午夜日韩欧美国产| 99国产综合亚洲精品| netflix在线观看网站| 成人亚洲精品一区在线观看| 午夜91福利影院| 免费高清在线观看日韩| 在线观看免费高清a一片| 黄色一级大片看看| 毛片一级片免费看久久久久| 亚洲成人av在线免费| 精品少妇内射三级| 亚洲成色77777| 在线观看免费高清a一片| 国产一区二区激情短视频 | 久久这里只有精品19| 日韩制服丝袜自拍偷拍| bbb黄色大片| 久久久久久人妻| 又大又黄又爽视频免费| 乱人伦中国视频| 日韩一卡2卡3卡4卡2021年| 韩国精品一区二区三区| 精品久久久久久电影网| 午夜福利视频在线观看免费| 啦啦啦在线观看免费高清www| 国产免费又黄又爽又色| 夫妻午夜视频| 免费在线观看完整版高清| 国产精品 欧美亚洲| 搡老岳熟女国产| 国产一区亚洲一区在线观看| 欧美97在线视频| 成人三级做爰电影| 一区二区日韩欧美中文字幕| xxx大片免费视频| 巨乳人妻的诱惑在线观看| 亚洲av福利一区| 久久精品熟女亚洲av麻豆精品| 午夜激情久久久久久久| 热99久久久久精品小说推荐| 国产一区二区 视频在线| 宅男免费午夜| 我的亚洲天堂| 国产免费现黄频在线看| 咕卡用的链子| 美女脱内裤让男人舔精品视频| 美国免费a级毛片| 中文字幕人妻丝袜制服| 色婷婷久久久亚洲欧美| 久久天躁狠狠躁夜夜2o2o | 亚洲,欧美精品.| 黄片播放在线免费| 大香蕉久久网| 日韩欧美精品免费久久| 成人毛片60女人毛片免费| 欧美日韩精品网址| 青草久久国产| 18禁观看日本| 一级毛片 在线播放| 亚洲欧美色中文字幕在线| 大片电影免费在线观看免费| 亚洲精华国产精华液的使用体验| 人人妻人人添人人爽欧美一区卜| 久久久国产精品麻豆| 精品卡一卡二卡四卡免费| 亚洲av日韩精品久久久久久密 | 一二三四在线观看免费中文在| 亚洲精品自拍成人| 丝袜在线中文字幕| 久久久精品国产亚洲av高清涩受| 久久久国产欧美日韩av| 美女扒开内裤让男人捅视频| 久久天堂一区二区三区四区| 日本av手机在线免费观看| av有码第一页| 国产精品久久久久成人av| 欧美精品一区二区大全| 精品国产超薄肉色丝袜足j| 99精品久久久久人妻精品| 老熟女久久久| 又粗又硬又长又爽又黄的视频| av视频免费观看在线观看| 两个人看的免费小视频| 亚洲中文av在线| 亚洲婷婷狠狠爱综合网| 国产福利在线免费观看视频| 亚洲欧美日韩另类电影网站| 亚洲一卡2卡3卡4卡5卡精品中文| 中文字幕制服av| 亚洲国产av新网站| 青春草视频在线免费观看| 国产人伦9x9x在线观看| 亚洲精品美女久久av网站| 亚洲国产欧美网| 精品免费久久久久久久清纯 | 日本欧美视频一区| 国产片内射在线| 亚洲精品美女久久久久99蜜臀 | 十八禁高潮呻吟视频| 精品久久蜜臀av无| 国产av一区二区精品久久| 久久综合国产亚洲精品| 夫妻性生交免费视频一级片| 曰老女人黄片| 亚洲色图 男人天堂 中文字幕| 嫩草影视91久久| 精品国产国语对白av| 在线天堂中文资源库| 啦啦啦中文免费视频观看日本| 看免费成人av毛片| 男男h啪啪无遮挡| 五月开心婷婷网| 国产精品久久久久成人av| 久久久亚洲精品成人影院| 一区二区三区激情视频| 亚洲av成人精品一二三区| 欧美精品高潮呻吟av久久| 色综合欧美亚洲国产小说| 亚洲精品一二三| 丁香六月欧美| 免费女性裸体啪啪无遮挡网站| a 毛片基地| 如日韩欧美国产精品一区二区三区| 啦啦啦啦在线视频资源| 国产成人91sexporn| 国产淫语在线视频| 日韩视频在线欧美| 欧美xxⅹ黑人| 别揉我奶头~嗯~啊~动态视频 | 99精品久久久久人妻精品| 国产成人欧美| 观看av在线不卡| 日韩一区二区三区影片| 国产精品 国内视频| 在现免费观看毛片| 肉色欧美久久久久久久蜜桃| 欧美乱码精品一区二区三区| 亚洲精品美女久久av网站| 色视频在线一区二区三区| 人妻一区二区av| 日韩大片免费观看网站| 国产成人系列免费观看| 国产男女内射视频| 国产一区有黄有色的免费视频| 亚洲成国产人片在线观看| 亚洲国产成人一精品久久久| 国产黄色免费在线视频| 欧美国产精品va在线观看不卡| 美女脱内裤让男人舔精品视频| 久久韩国三级中文字幕| 男女床上黄色一级片免费看| 久久久久精品国产欧美久久久 | 狠狠婷婷综合久久久久久88av| 午夜91福利影院| 亚洲成人av在线免费| 咕卡用的链子| 99精国产麻豆久久婷婷| 精品久久久精品久久久| 美女脱内裤让男人舔精品视频| 最近手机中文字幕大全| 最近中文字幕2019免费版| 欧美日韩国产mv在线观看视频| 夫妻性生交免费视频一级片| 亚洲国产欧美网| 99国产综合亚洲精品| 国产精品久久久久成人av| 欧美亚洲 丝袜 人妻 在线| 九九爱精品视频在线观看| 欧美日韩亚洲国产一区二区在线观看 | 久久精品亚洲熟妇少妇任你| 免费人妻精品一区二区三区视频| 国产亚洲精品第一综合不卡| 青春草亚洲视频在线观看| 久久国产精品大桥未久av| 国产片特级美女逼逼视频| 国产精品无大码| 少妇精品久久久久久久| 观看美女的网站| 中文字幕另类日韩欧美亚洲嫩草| 激情视频va一区二区三区| 性少妇av在线| 亚洲,欧美精品.| 欧美乱码精品一区二区三区| 欧美日韩成人在线一区二区| 国产野战对白在线观看| 黑人欧美特级aaaaaa片| 一级毛片黄色毛片免费观看视频| 一边摸一边做爽爽视频免费| 七月丁香在线播放| 人人妻人人爽人人添夜夜欢视频| 亚洲综合精品二区| 国产一区二区三区av在线| 国产野战对白在线观看| 久久综合国产亚洲精品| 亚洲欧美一区二区三区黑人| 亚洲成人一二三区av| 久久久久国产一级毛片高清牌| 精品少妇黑人巨大在线播放| 不卡av一区二区三区| 欧美日韩视频精品一区| 精品一区二区三卡| 国产1区2区3区精品| 久久久亚洲精品成人影院| 亚洲av成人不卡在线观看播放网 | 在线观看三级黄色| 19禁男女啪啪无遮挡网站| a 毛片基地| 国产精品秋霞免费鲁丝片| 国产成人午夜福利电影在线观看| 精品久久久精品久久久| 国产一区二区三区av在线| 国产xxxxx性猛交| 搡老乐熟女国产| 欧美日韩亚洲综合一区二区三区_| 天堂俺去俺来也www色官网| 各种免费的搞黄视频| 十八禁网站网址无遮挡| 久久久久精品性色| 日本wwww免费看| 久久毛片免费看一区二区三区| 丝袜美足系列| 国产精品偷伦视频观看了| 乱人伦中国视频| 欧美日韩成人在线一区二区| 亚洲自偷自拍图片 自拍| 国产亚洲一区二区精品| 最新的欧美精品一区二区| 蜜桃国产av成人99| 亚洲av成人精品一二三区| av在线老鸭窝| 一边亲一边摸免费视频| 午夜免费男女啪啪视频观看| 天美传媒精品一区二区| 亚洲av日韩精品久久久久久密 | 国产亚洲欧美精品永久| 国产精品久久久人人做人人爽| 黄片播放在线免费| 午夜福利在线免费观看网站| 老司机影院成人| 久久99精品国语久久久| 秋霞在线观看毛片| 精品国产乱码久久久久久小说| 亚洲国产精品国产精品| 精品久久蜜臀av无| 欧美变态另类bdsm刘玥| 久久综合国产亚洲精品| 大香蕉久久网| 少妇猛男粗大的猛烈进出视频| 人体艺术视频欧美日本| 高清欧美精品videossex| 天天操日日干夜夜撸| 亚洲三区欧美一区| 哪个播放器可以免费观看大片| 99久久人妻综合| 美女扒开内裤让男人捅视频| 亚洲男人天堂网一区| 色播在线永久视频| 国产成人精品无人区| 亚洲欧美日韩另类电影网站| 美女主播在线视频| 天天躁狠狠躁夜夜躁狠狠躁| 一级毛片电影观看| 九草在线视频观看| 久久精品亚洲熟妇少妇任你| 十八禁人妻一区二区| 在线亚洲精品国产二区图片欧美| 亚洲成国产人片在线观看| 国产不卡av网站在线观看| 国产av国产精品国产| 天堂中文最新版在线下载| 建设人人有责人人尽责人人享有的| 少妇人妻 视频| 成年动漫av网址| 久久青草综合色|