• <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 ?

    一種基于RBM-SVM算法的無(wú)線傳感網(wǎng)絡(luò)入侵檢測(cè)算法

    2022-07-07 02:51:46武靜凱
    關(guān)鍵詞:無(wú)線流量分類

    程 超 武靜凱 陳 梅

    (長(zhǎng)春工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 吉林 長(zhǎng)春 130012)

    0 引 言

    隨著5G時(shí)代的到來(lái),以無(wú)線傳感網(wǎng)絡(luò)(Wireless Sensor Networks,WSN)為基礎(chǔ)的萬(wàn)物互聯(lián)所組成物聯(lián)網(wǎng)的基礎(chǔ)設(shè)施,在迅速發(fā)展的同時(shí)也面臨越來(lái)越多信息化風(fēng)險(xiǎn)[1-3]。隨著網(wǎng)絡(luò)設(shè)施不斷完善和發(fā)展,網(wǎng)絡(luò)中的數(shù)據(jù)量和數(shù)據(jù)的維度都在不斷增大,網(wǎng)絡(luò)通信的安全和時(shí)效也越來(lái)越被重視[4-7]。入侵檢測(cè)系統(tǒng)(Intrusion detection system,IDS)作為一種積極主動(dòng)的安全防護(hù)技術(shù),越來(lái)越多地應(yīng)用到了無(wú)線網(wǎng)絡(luò)安全中[8]。目前無(wú)線傳感網(wǎng)絡(luò)容易受到黑洞攻擊、路由重放攻擊、泛洪攻擊、WSN內(nèi)部攻擊等攻擊行為,這些攻擊行為使WSN無(wú)法按照原有設(shè)定方式正常工作,嚴(yán)重消耗WSN網(wǎng)絡(luò)的節(jié)點(diǎn)能量和內(nèi)存資源,導(dǎo)致網(wǎng)絡(luò)延遲甚至癱瘓,無(wú)法正常運(yùn)行[9]。因此,IDS的檢測(cè)并響應(yīng)對(duì)于WSN網(wǎng)絡(luò)甚至對(duì)于對(duì)整個(gè)物聯(lián)網(wǎng)至關(guān)重要。

    近年來(lái),國(guó)內(nèi)外專家學(xué)者們將人工智能方法應(yīng)用于入侵檢測(cè)系統(tǒng)中,提出了一系列入侵檢測(cè)方法。文獻(xiàn)[10]針對(duì)當(dāng)前網(wǎng)絡(luò)環(huán)境下的網(wǎng)絡(luò)數(shù)據(jù)更為龐大、復(fù)雜和多維的特性提出了基于DAN-BP的入侵檢測(cè)模型。文獻(xiàn)[11]針對(duì)攻擊行為Probe(Probing)、U2R(User to root)、R2L(Remote to local)的檢測(cè)率比較低提出一種新的混合多層次入侵檢測(cè)模型,檢測(cè)正常和異常的網(wǎng)絡(luò)行為,模型應(yīng)用KNN離群點(diǎn)檢測(cè)算法來(lái)檢測(cè)并刪除離群數(shù)據(jù)并結(jié)合網(wǎng)絡(luò)流量的相似性,提出一種類別檢測(cè)劃分方法避免了異常行為在檢測(cè)過(guò)程中的相互干擾。文獻(xiàn)[12]針對(duì)WSN中資源受限的IDS策略優(yōu)化問(wèn)題,提出了一種具有博弈的動(dòng)態(tài)多階段入侵檢測(cè)模型,通過(guò)貝葉斯規(guī)則修正下一階段外部節(jié)點(diǎn)為惡意節(jié)點(diǎn)的后驗(yàn)概率模型分析預(yù)測(cè)出最易遭受入侵的節(jié)點(diǎn)。文獻(xiàn)[13]針對(duì)集成學(xué)習(xí)的入侵檢測(cè)算法在對(duì)原問(wèn)題進(jìn)行劃分過(guò)程中會(huì)存在一定的邊緣信息與整體信息的丟失的問(wèn)題,以及模型融合耗時(shí)需要復(fù)雜的調(diào)整參數(shù)過(guò)程,提出了一種改進(jìn)的基于集成學(xué)習(xí)的入侵檢測(cè)算法,將原問(wèn)題轉(zhuǎn)化成多個(gè)二分類問(wèn)題,并把多個(gè)分類器的概率預(yù)測(cè)結(jié)果作為先驗(yàn)知識(shí)加入到原本的特征中,再進(jìn)行多分類模型的學(xué)習(xí)。以上文獻(xiàn)在入侵檢測(cè)系統(tǒng)中均有很好的改進(jìn)效果,但由于WSN網(wǎng)絡(luò)存在簇行結(jié)構(gòu),且WSN網(wǎng)絡(luò)存在計(jì)算能力不足的問(wèn)題,深層神經(jīng)網(wǎng)絡(luò)以及集成學(xué)習(xí)方法將無(wú)法得到很好的入侵檢測(cè)效果。

    基于此,提出了一種基于RBM特征提取和多層SVM分類算法的無(wú)線傳感網(wǎng)絡(luò)入侵檢測(cè)算法,首先采用RBM算法將大流量數(shù)據(jù)中特征進(jìn)行提取,保證在不丟失網(wǎng)絡(luò)流量數(shù)據(jù)特征的基礎(chǔ)上將高維流量數(shù)據(jù)轉(zhuǎn)化為低維數(shù)據(jù),根據(jù)WSN網(wǎng)絡(luò)簇行結(jié)構(gòu)特點(diǎn),通過(guò)多層SVM分類方法逐層分類,保證了網(wǎng)絡(luò)的傳輸性能和安全性,將網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)及時(shí)檢測(cè)并刪除,保證WSN網(wǎng)絡(luò)安全。

    1 入侵檢測(cè)相關(guān)技術(shù)研究

    1.1 受限玻爾茲曼機(jī)特征提取

    受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)是基于能量的概率分布函數(shù),其能量函數(shù)可表示為:

    式中:向量h=(h1,h2,…,hm)T表示隱藏層各神經(jīng)元的值,向量v=(v1,v2,…,vn)T表示可見(jiàn)層各神經(jīng)元的值,ai為可見(jiàn)層神經(jīng)元i的偏置值,bj為隱藏層神經(jīng)元j的偏置值,W=(wij)m×n∈Rm×n為可見(jiàn)層到隱藏層之間連接權(quán)重矩陣[14]。

    根據(jù)能量函數(shù),可以求得v、h的聯(lián)合概率分布為:

    (2)

    Z為配分函數(shù)(歸一化因子):

    (3)

    本文將RBM算法應(yīng)用于WSN網(wǎng)絡(luò)流量數(shù)據(jù)特征提取,采用無(wú)監(jiān)督學(xué)習(xí)方法,對(duì)RBM特征提取模型進(jìn)行訓(xùn)練。訓(xùn)練RBM特征的目的是為了讓可見(jiàn)層節(jié)點(diǎn)v的分布p(v)最大可能地?cái)M合輸入樣本所在的樣本空間的分布q(v)。從信息熵的角度理解,即使得p和q之間的KL距離最小,則兩種分布越接近[15]:

    (4)

    (5)

    式中:T為假設(shè)的訓(xùn)練樣本數(shù)量;vt表示第t個(gè)訓(xùn)練樣本。為了求得模型參數(shù)θ={W,a,b},采用對(duì)數(shù)損失函數(shù):

    (6)

    由于當(dāng)今網(wǎng)絡(luò)中流量較大,p(v)概率分布在實(shí)際應(yīng)用難以求得,對(duì)于大量訓(xùn)練樣本v迭代求解計(jì)算量大且很難求得最優(yōu)解。本文采用對(duì)比散度(Contrastive Divergence,CD)算法求解,通過(guò)k次Gibbs采樣方式近似估計(jì)期望項(xiàng)[16]。為了加快RBM模型學(xué)習(xí)效率以及最優(yōu)參數(shù)θ={W,a,b},采用基于動(dòng)量的小批量特征梯度下降法去優(yōu)化模型參數(shù),最小化重構(gòu)誤差,直到模型重構(gòu)誤差達(dá)到理想最小值。

    1.2 基于WSN分簇的多層SVM檢測(cè)方法

    無(wú)線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)有多種,本文針對(duì)基于分簇的無(wú)線傳感器網(wǎng)絡(luò)。無(wú)線傳感器根據(jù)分簇協(xié)議分為不同的簇,分簇后的無(wú)線傳感器網(wǎng)絡(luò)結(jié)構(gòu)主要由普通節(jié)點(diǎn)、簇頭節(jié)點(diǎn)、Sink節(jié)點(diǎn)3種節(jié)點(diǎn)組成。大量底層普通節(jié)點(diǎn)匯聚成不同簇,每個(gè)簇從簇內(nèi)節(jié)點(diǎn)中選出合適的簇頭節(jié)點(diǎn),普通節(jié)點(diǎn)在當(dāng)前簇內(nèi)相互通信,將收集到的信息匯集到簇頭節(jié)點(diǎn)。Sink節(jié)點(diǎn)作為網(wǎng)關(guān)節(jié)點(diǎn),負(fù)責(zé)傳感器網(wǎng)絡(luò)與外部網(wǎng)絡(luò)連接,簇頭節(jié)點(diǎn)將信息匯集處理發(fā)送給Sink節(jié)點(diǎn),由Sink節(jié)點(diǎn)將信息發(fā)送到其他網(wǎng)絡(luò)中,由外部網(wǎng)絡(luò)將WSN網(wǎng)絡(luò)收集的信息進(jìn)行傳輸[17-19]。

    本文通過(guò)基于分簇的無(wú)線傳感器節(jié)點(diǎn)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),將分層SVM分類方法應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)的各個(gè)分層當(dāng)中。對(duì)于無(wú)線傳感網(wǎng)絡(luò),影響最大的入侵攻擊即為泛洪攻擊,當(dāng)無(wú)線傳感網(wǎng)絡(luò)中遭受泛洪攻擊時(shí),無(wú)線節(jié)點(diǎn)間將傳輸大量泛洪信息,導(dǎo)致WSN網(wǎng)絡(luò)出現(xiàn)嚴(yán)重?fù)砣麊?wèn)題,嚴(yán)重影響正常流量數(shù)據(jù)的傳輸,導(dǎo)致整個(gè)網(wǎng)絡(luò)的傳輸延遲,甚至最終導(dǎo)致WSN網(wǎng)絡(luò)中節(jié)點(diǎn)能量消耗殆盡,通信鏈路損壞。

    普通節(jié)點(diǎn)作為無(wú)線傳感器網(wǎng)絡(luò)的底層節(jié)點(diǎn),時(shí)刻監(jiān)控和記錄著當(dāng)前目標(biāo)的狀態(tài)信息,會(huì)收集大量數(shù)據(jù)信息,并將信息傳輸給簇頭節(jié)點(diǎn)。本文采用多層次的WSN二分類方法,最大化入侵?jǐn)?shù)據(jù)間的差異,從而保證更好的檢測(cè)效果。如圖1所示,將第一層普通節(jié)點(diǎn)層進(jìn)行泛洪攻擊數(shù)據(jù)與其他流量數(shù)據(jù)的分類,從而丟棄大量泛洪攻擊流量,保證網(wǎng)絡(luò)質(zhì)量,再次通過(guò)SVM二分類方法,對(duì)Probe攻擊行為與其他攻擊行為進(jìn)行分類。在簇節(jié)點(diǎn)層,通過(guò)SVM二分類方法對(duì)U2R攻擊與other分類并丟棄U2R數(shù)據(jù),將other數(shù)據(jù)傳輸給Sink節(jié)點(diǎn),由Sink節(jié)點(diǎn)做下一步處理。Sink節(jié)點(diǎn)通過(guò)SVM二分類方法將R2L攻擊數(shù)據(jù)和Normal正常數(shù)據(jù)分類,最終將正常數(shù)據(jù)發(fā)送到其他網(wǎng)絡(luò)中,將攻擊類型數(shù)據(jù)刪除,達(dá)到節(jié)約節(jié)點(diǎn)資源,同時(shí)將攻擊行為攔截并處理在WSN網(wǎng)絡(luò)中,防止入侵流量數(shù)據(jù)傳輸?shù)狡渌W(wǎng)絡(luò)中影響WSN網(wǎng)絡(luò)上層的其他系統(tǒng)。

    圖1 WSN分簇的多層SVM檢測(cè)方法

    2 實(shí)驗(yàn)仿真

    本節(jié)采用計(jì)算機(jī)實(shí)驗(yàn)仿真方法對(duì)所提出的方法進(jìn)行模擬實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境為:Window10 PC,Inter Core i7- 9750H CPU @ 2.60 GHz 8 GB RAM。采用Python 3.7.3來(lái)實(shí)現(xiàn)本文算法,并采用公共入侵檢測(cè)數(shù)據(jù)集NSL-KDD數(shù)據(jù)集模擬實(shí)驗(yàn)作為本次仿真實(shí)驗(yàn)數(shù)據(jù)集,仿真實(shí)驗(yàn)訓(xùn)練集選擇KDDTrain+_20Percent.TXT,測(cè)試集為KDDTest+.TXT。數(shù)據(jù)集中每條數(shù)據(jù)由41個(gè)特征和1個(gè)標(biāo)簽組成,41個(gè)特征中包括34個(gè)數(shù)字特征和7個(gè)字符特征。訓(xùn)練集共有25 192條數(shù)據(jù),包括正常流量數(shù)據(jù)13 449條、Dos攻擊數(shù)據(jù)9 234條、Probe攻擊數(shù)據(jù)2 289條、U2R攻擊數(shù)據(jù)11條、R2L攻擊數(shù)據(jù)209條。測(cè)試集共有11 850條數(shù)據(jù),包括正常流量數(shù)據(jù)2 152條、Dos攻擊數(shù)據(jù)4 342條、Probe攻擊數(shù)據(jù)2 402條、U2R攻擊數(shù)據(jù)200條、R2L攻擊數(shù)據(jù)2 754條。數(shù)據(jù)集中攻擊類型可分為4大類,訓(xùn)練集攻擊類型可分為21小類,測(cè)試集中新加入17種訓(xùn)練集中沒(méi)有的攻擊類型。

    入侵檢測(cè)系統(tǒng)評(píng)價(jià)指標(biāo)由混淆矩陣計(jì)算,其主要評(píng)價(jià)指標(biāo)分為準(zhǔn)確性Acc(accuracy)、檢測(cè)率DR(detection rate)、誤報(bào)率FAR(false alarm rate)和漏報(bào)率MAR(missing alarm rate),其計(jì)算公式如下:

    (7)

    (8)

    (9)

    (10)

    式中:TP為將異常流量數(shù)據(jù)樣本分類為異常的數(shù)量;TN為將正常流量數(shù)據(jù)樣本分類為正常的數(shù)量;FP為將正常流量數(shù)據(jù)樣本分類為異常的數(shù)量;FN為將異常流量數(shù)據(jù)樣本分類為正常的數(shù)量。

    在WSN網(wǎng)絡(luò)中主要攻擊類型有黑洞攻擊、灰洞攻擊、泛洪攻擊、重放路由攻擊、蟲(chóng)洞攻擊等。NSL-KDD數(shù)據(jù)集中包括四種攻擊類型:拒絕服務(wù)攻擊Dos、嗅探攻擊Probe、來(lái)自遠(yuǎn)程的非法訪問(wèn)R2L和普通用戶對(duì)超級(jí)用戶特權(quán)非法訪問(wèn)攻擊U2R。根據(jù)攻擊行為可將WSN網(wǎng)絡(luò)中的黑洞、蟲(chóng)洞等攻擊歸納為Probe攻擊,將欺騙、重放路由攻擊歸納為R2L攻擊,將內(nèi)部攻擊歸納為U2R攻擊,將泛洪攻擊、資源消耗攻擊等攻擊歸納為Dos攻擊。

    2.1 RBM特征提取模型訓(xùn)練

    首先構(gòu)造RBM模型,選取CD算法作為訓(xùn)練算法對(duì)RBM模型進(jìn)行無(wú)監(jiān)督學(xué)習(xí),幫助RBM模型獲得數(shù)據(jù)集內(nèi)部特征。采用基于動(dòng)量的梯度下降法多次迭代訓(xùn)練最優(yōu)θ={W,a,b}。RBM模型訓(xùn)練分為三部分:前向傳播、反向傳播和誤差對(duì)比。通過(guò)比較數(shù)據(jù)的預(yù)測(cè)概率和真實(shí)分布,采用KL散度衡量?jī)蓚€(gè)分布的相似性,通過(guò)迭代最小化KL散度求得最優(yōu)參數(shù)。

    本次仿真設(shè)置RBM模型輸入神經(jīng)元個(gè)數(shù)為41,模型輸出神經(jīng)元個(gè)數(shù)分別為36、27、18、9。如圖2所示,通過(guò)Gibbs一次采樣即達(dá)到較小的重構(gòu)誤差,通過(guò)多次基于動(dòng)量梯度下降法迭代尋優(yōu),最終重構(gòu)誤差降至0.44左右??梢?jiàn)RBM網(wǎng)絡(luò)在降維的同時(shí),可以有效提取出數(shù)據(jù)特征,保證RBM網(wǎng)絡(luò)處理的數(shù)據(jù)可以很好地保留特征信息。圖中折線圖從上到下,分別是降到9、18、27、36維度的數(shù)據(jù)重構(gòu)誤差,所降的維度越低,重構(gòu)誤差越大。

    圖2 重構(gòu)誤差

    2.2 RBM-SVM實(shí)驗(yàn)仿真

    為驗(yàn)證多層SVM入侵檢測(cè)方法在WSN網(wǎng)絡(luò)入侵檢測(cè)的可行性,本文通過(guò)訓(xùn)練RBM模型,達(dá)到可接受的重構(gòu)誤差后,輸出模型參數(shù)θ={W,a,b},并將模型參數(shù)代入RBM模型中,對(duì)NSL-KDD數(shù)據(jù)集進(jìn)行特征提取和降維處理。將降維后的數(shù)據(jù)代入SVM多層分類器中。首先修改數(shù)據(jù)集標(biāo)簽,將Dos攻擊標(biāo)簽改為1,其他數(shù)據(jù)特征標(biāo)簽改為0,然后依次訓(xùn)練第二分分類器,將Probe攻擊標(biāo)簽設(shè)為1,其他標(biāo)簽設(shè)為0,依次訓(xùn)練每層的SVM分類器。

    為了驗(yàn)證本文提出入侵檢測(cè)模型分類器,本文首先將NSL-KDD數(shù)據(jù)集訓(xùn)練集與測(cè)試集合并,并通過(guò)python中sklearn函數(shù)包train_test_split按test_size=0.3切分訓(xùn)練集和測(cè)試集,將數(shù)據(jù)集隨機(jī)分為10份,選取7份作為訓(xùn)練集,剩下3份作為測(cè)試集,同時(shí)與其他入侵檢測(cè)方法進(jìn)行對(duì)比仿真。

    如表1所示,多層SVM分類方法能有效檢測(cè)出Dos攻擊,準(zhǔn)確率為99.06%,同時(shí)對(duì)于其他攻擊行為也有很好的準(zhǔn)確率。由于U2R攻擊和R2L攻擊數(shù)據(jù)量很小,僅占訓(xùn)練集和測(cè)試集總和的0.5%和12.6%,雖然有很高的準(zhǔn)確率,但是檢測(cè)率不夠高,且有較高的漏報(bào)率,可見(jiàn)機(jī)器學(xué)習(xí)分類算法更偏向于標(biāo)簽量較大的特征。

    表1 RBM-SVM模型檢測(cè)性能(%)

    與其他入侵檢測(cè)系統(tǒng)模型對(duì)比仿真,對(duì)比結(jié)果如圖3所示,本文提出的模型在準(zhǔn)確率Acc上高于隨機(jī)森林模型,在檢測(cè)率上效果稍低于隨機(jī)森林模型。如圖4所示,本文提出的模型在誤報(bào)率上優(yōu)于隨機(jī)森林模型,在誤報(bào)率上略次于隨機(jī)森林模型。由于數(shù)據(jù)集中U2R攻擊類型數(shù)據(jù)占比較少,導(dǎo)致檢測(cè)U2R攻擊數(shù)據(jù)時(shí)檢測(cè)率較低導(dǎo)致漏報(bào)率較高,影響整體模型評(píng)價(jià)檢測(cè)率和漏報(bào)率。本文提出的模型可以有效檢測(cè)WSN網(wǎng)絡(luò)中網(wǎng)絡(luò)攻擊行為,保證網(wǎng)絡(luò)連通性和安全性。

    圖3 模型準(zhǔn)確率和檢測(cè)率仿真結(jié)果對(duì)比圖

    圖4 模型誤報(bào)率和漏報(bào)率仿真結(jié)果對(duì)比圖

    公共安全入侵檢測(cè)數(shù)據(jù)集NSL-KDD測(cè)試數(shù)據(jù)集中加入了部分訓(xùn)練數(shù)據(jù)集中不存在的攻擊特征目的是檢驗(yàn)入侵檢測(cè)模型的泛化能力。為了驗(yàn)證本文提出的模型對(duì)未知攻擊檢測(cè)能力,選擇NSL-KDD劃分好的訓(xùn)練集KDDTrain+_20Percent.TXT對(duì)模型進(jìn)行訓(xùn)練,將測(cè)試集KDDTest+.TXT帶入訓(xùn)練好的模型當(dāng)中。本次仿真實(shí)驗(yàn)采用SVM徑向基核函數(shù)(RBF),采用網(wǎng)格尋優(yōu)方法對(duì)參數(shù)C和g進(jìn)行尋優(yōu)。本文提出的無(wú)線傳感器網(wǎng)絡(luò)RBM-SVM入侵檢測(cè)模型仿真結(jié)果準(zhǔn)確率為91.92%,RBM-RandomForest模型準(zhǔn)確率為81.28%,RBM-DecisionTree模型準(zhǔn)確率為80.08%,在泛化能力方面,本文提出的模型對(duì)未知攻擊檢測(cè)效果更好。

    3 結(jié) 語(yǔ)

    針對(duì)WSN網(wǎng)絡(luò)安全問(wèn)題,本文提出一種基于RBM特征提取和多層SVM檢測(cè)的無(wú)線傳感網(wǎng)絡(luò)入侵檢測(cè)方法,從維度較高的網(wǎng)絡(luò)數(shù)據(jù)中提取有用的特征信息并結(jié)合無(wú)線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及各種攻擊流量相似性分層檢測(cè)入侵行為。通過(guò)NSL_KDD入侵檢測(cè)數(shù)據(jù)集進(jìn)行仿真,實(shí)驗(yàn)結(jié)果表明該算法可以有效檢測(cè)WSN網(wǎng)絡(luò)入侵行為,對(duì)于未知攻擊也有一定檢測(cè)能力。但本文提出的方法仍可進(jìn)一步提高,如提高檢測(cè)小流量攻擊行為、SVM參數(shù)尋優(yōu)等問(wèn)題。

    猜你喜歡
    無(wú)線流量分類
    冰墩墩背后的流量密碼
    玩具世界(2022年2期)2022-06-15 07:35:36
    張曉明:流量決定勝負(fù)!三大流量高地裂變無(wú)限可能!
    分類算一算
    《無(wú)線互聯(lián)科技》征稿詞(2021)
    尋找書業(yè)新流量
    出版人(2020年4期)2020-11-14 08:34:26
    分類討論求坐標(biāo)
    無(wú)線追蹤3
    基于ARM的無(wú)線WiFi插排的設(shè)計(jì)
    電子制作(2018年23期)2018-12-26 01:01:08
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    av在线app专区| 少妇的逼水好多| 九草在线视频观看| 日本午夜av视频| 少妇的逼好多水| 亚洲精品国产av成人精品| 超碰97精品在线观看| 亚洲三级黄色毛片| 中文字幕另类日韩欧美亚洲嫩草| 一级毛片 在线播放| 人人澡人人妻人| 最近的中文字幕免费完整| 国产深夜福利视频在线观看| 90打野战视频偷拍视频| 婷婷色麻豆天堂久久| 国产精品免费大片| 97精品久久久久久久久久精品| 精品亚洲乱码少妇综合久久| 99视频精品全部免费 在线| 人人妻人人澡人人看| 国产成人av激情在线播放| 水蜜桃什么品种好| 日韩电影二区| 满18在线观看网站| 一边亲一边摸免费视频| 丝袜脚勾引网站| 国产精品麻豆人妻色哟哟久久| videosex国产| 久久久久精品久久久久真实原创| 国产免费视频播放在线视频| 国产欧美日韩一区二区三区在线| 国产在线视频一区二区| 婷婷色综合大香蕉| 啦啦啦视频在线资源免费观看| 啦啦啦啦在线视频资源| 国产精品不卡视频一区二区| 国产黄频视频在线观看| 色视频在线一区二区三区| 一级黄片播放器| 精品一品国产午夜福利视频| 天天操日日干夜夜撸| 亚洲成国产人片在线观看| 美女福利国产在线| 中文字幕免费在线视频6| 久久精品国产亚洲av涩爱| 汤姆久久久久久久影院中文字幕| 男女边吃奶边做爰视频| 少妇人妻精品综合一区二区| 80岁老熟妇乱子伦牲交| 汤姆久久久久久久影院中文字幕| 欧美性感艳星| 黄色 视频免费看| 免费在线观看完整版高清| 亚洲精品自拍成人| 欧美少妇被猛烈插入视频| 久久久久精品性色| 18+在线观看网站| 久久免费观看电影| 狂野欧美激情性xxxx在线观看| 免费黄色在线免费观看| 国产成人一区二区在线| 亚洲熟女精品中文字幕| 久久久久久久精品精品| 三上悠亚av全集在线观看| 黄色配什么色好看| 亚洲欧美成人综合另类久久久| 久久97久久精品| 久热久热在线精品观看| videosex国产| 少妇人妻久久综合中文| 国内精品宾馆在线| 亚洲精品久久成人aⅴ小说| 最近最新中文字幕大全免费视频 | 99久久精品国产国产毛片| 精品亚洲乱码少妇综合久久| 天堂中文最新版在线下载| 国产精品国产三级国产av玫瑰| av国产精品久久久久影院| 国产精品一二三区在线看| 亚洲人成网站在线观看播放| 91国产中文字幕| 欧美精品av麻豆av| 青春草国产在线视频| 日韩在线高清观看一区二区三区| 天天操日日干夜夜撸| 久久人人爽人人爽人人片va| 99久国产av精品国产电影| 精品亚洲成a人片在线观看| videosex国产| 亚洲精品色激情综合| 精品久久久精品久久久| 亚洲伊人色综图| 波野结衣二区三区在线| 中文精品一卡2卡3卡4更新| 又黄又粗又硬又大视频| 国产一区有黄有色的免费视频| 你懂的网址亚洲精品在线观看| 亚洲综合色惰| 成年人午夜在线观看视频| 久久国产精品男人的天堂亚洲 | 久久久久精品性色| 国产淫语在线视频| 国产精品国产三级专区第一集| 一级毛片电影观看| 人妻系列 视频| 国产精品国产av在线观看| 18在线观看网站| 亚洲欧洲精品一区二区精品久久久 | 看免费成人av毛片| 七月丁香在线播放| 97人妻天天添夜夜摸| 一区二区日韩欧美中文字幕 | 亚洲av免费高清在线观看| 午夜福利视频在线观看免费| 九九在线视频观看精品| 丰满乱子伦码专区| 久久久久久久大尺度免费视频| 国产欧美亚洲国产| 亚洲av.av天堂| 日韩欧美精品免费久久| 日韩精品免费视频一区二区三区 | 日韩免费高清中文字幕av| 国产精品麻豆人妻色哟哟久久| 亚洲人成网站在线观看播放| 街头女战士在线观看网站| 亚洲国产精品一区三区| 18禁观看日本| 最近最新中文字幕大全免费视频 | 国产一区二区激情短视频 | 美女内射精品一级片tv| 高清在线视频一区二区三区| 亚洲av电影在线进入| 久久久久久伊人网av| 一区二区三区乱码不卡18| 国产精品麻豆人妻色哟哟久久| 国产免费福利视频在线观看| 亚洲av电影在线观看一区二区三区| 久久99热6这里只有精品| 在线精品无人区一区二区三| 少妇人妻久久综合中文| 亚洲五月色婷婷综合| 不卡视频在线观看欧美| www.色视频.com| 人妻人人澡人人爽人人| 成年动漫av网址| 日韩av不卡免费在线播放| 久久ye,这里只有精品| 韩国高清视频一区二区三区| 不卡视频在线观看欧美| 一区二区av电影网| 亚洲欧美中文字幕日韩二区| 久久精品国产亚洲av涩爱| 精品国产一区二区久久| 水蜜桃什么品种好| 国产在线免费精品| xxx大片免费视频| 狂野欧美激情性bbbbbb| 久久鲁丝午夜福利片| 日韩大片免费观看网站| 国产乱来视频区| 捣出白浆h1v1| 啦啦啦在线观看免费高清www| 欧美精品亚洲一区二区| av有码第一页| 久久久久视频综合| 人妻系列 视频| 亚洲中文av在线| 亚洲国产av新网站| 丝袜脚勾引网站| a级片在线免费高清观看视频| 久久99蜜桃精品久久| 免费观看性生交大片5| 中文字幕制服av| 免费av不卡在线播放| 一本色道久久久久久精品综合| 五月天丁香电影| 亚洲精华国产精华液的使用体验| 精品国产一区二区久久| 国产老妇伦熟女老妇高清| 免费看不卡的av| av免费观看日本| 卡戴珊不雅视频在线播放| 男女午夜视频在线观看 | 亚洲精品中文字幕在线视频| 最近中文字幕2019免费版| 波多野结衣一区麻豆| 最新中文字幕久久久久| 成年女人在线观看亚洲视频| 久久亚洲国产成人精品v| 你懂的网址亚洲精品在线观看| 色吧在线观看| 日日摸夜夜添夜夜爱| 日韩欧美精品免费久久| 国产乱来视频区| 午夜91福利影院| 熟女人妻精品中文字幕| 日本91视频免费播放| 国产欧美亚洲国产| 亚洲熟女精品中文字幕| 国产综合精华液| 一边摸一边做爽爽视频免费| 午夜视频国产福利| 国产免费现黄频在线看| 国产有黄有色有爽视频| 亚洲精品aⅴ在线观看| 爱豆传媒免费全集在线观看| 亚洲高清免费不卡视频| 亚洲人与动物交配视频| 免费黄网站久久成人精品| a级毛片黄视频| 亚洲少妇的诱惑av| 欧美日本中文国产一区发布| 香蕉国产在线看| 国产成人av激情在线播放| 97精品久久久久久久久久精品| 亚洲三级黄色毛片| 久久人妻熟女aⅴ| 国产精品人妻久久久影院| 国精品久久久久久国模美| 狠狠精品人妻久久久久久综合| 亚洲三级黄色毛片| 亚洲精品日韩在线中文字幕| av播播在线观看一区| 一级a做视频免费观看| 夜夜骑夜夜射夜夜干| 久久99热这里只频精品6学生| 日韩欧美精品免费久久| 男女午夜视频在线观看 | 五月伊人婷婷丁香| 亚洲av男天堂| 少妇猛男粗大的猛烈进出视频| 人妻系列 视频| 午夜免费观看性视频| 香蕉丝袜av| 国产麻豆69| 亚洲国产精品一区三区| 麻豆精品久久久久久蜜桃| 国产不卡av网站在线观看| 欧美最新免费一区二区三区| 街头女战士在线观看网站| 色哟哟·www| 91精品伊人久久大香线蕉| 亚洲av综合色区一区| 国产成人一区二区在线| 最近最新中文字幕大全免费视频 | 国产精品一区二区在线不卡| videossex国产| 咕卡用的链子| 免费黄色在线免费观看| 久久精品aⅴ一区二区三区四区 | 亚洲国产精品国产精品| 国产xxxxx性猛交| 亚洲成色77777| 国产精品一国产av| 观看美女的网站| 丰满饥渴人妻一区二区三| 亚洲国产精品999| 欧美3d第一页| 视频区图区小说| 午夜福利视频精品| 天天躁夜夜躁狠狠躁躁| 看免费成人av毛片| 亚洲一区二区三区欧美精品| 中国国产av一级| 在线免费观看不下载黄p国产| 乱码一卡2卡4卡精品| 久久久久精品人妻al黑| 18禁裸乳无遮挡动漫免费视频| 国产精品嫩草影院av在线观看| 国产免费又黄又爽又色| 大陆偷拍与自拍| 中文精品一卡2卡3卡4更新| 99九九在线精品视频| 国产深夜福利视频在线观看| 久久久久久久久久成人| 国产国语露脸激情在线看| 制服人妻中文乱码| 婷婷色av中文字幕| 熟女av电影| 18在线观看网站| √禁漫天堂资源中文www| 秋霞在线观看毛片| 亚洲中文av在线| 女人精品久久久久毛片| 国产成人免费无遮挡视频| 999精品在线视频| 国产免费又黄又爽又色| 少妇高潮的动态图| 国产精品国产三级专区第一集| 激情五月婷婷亚洲| 麻豆乱淫一区二区| 日韩在线高清观看一区二区三区| 日韩一本色道免费dvd| 97在线视频观看| 三级国产精品片| 免费看光身美女| 精品久久久久久电影网| 99久国产av精品国产电影| 国产精品国产av在线观看| 如日韩欧美国产精品一区二区三区| 日日摸夜夜添夜夜爱| 国产亚洲av片在线观看秒播厂| 高清黄色对白视频在线免费看| 国产高清国产精品国产三级| 黄色 视频免费看| 大陆偷拍与自拍| 一级片'在线观看视频| 国产乱来视频区| 90打野战视频偷拍视频| 欧美国产精品一级二级三级| 中文字幕免费在线视频6| 久久99一区二区三区| 久久ye,这里只有精品| 天天躁夜夜躁狠狠躁躁| 纵有疾风起免费观看全集完整版| 久久ye,这里只有精品| 国产一级毛片在线| 夫妻性生交免费视频一级片| 国产欧美另类精品又又久久亚洲欧美| 九色亚洲精品在线播放| 十八禁网站网址无遮挡| 日日撸夜夜添| 一级黄片播放器| 少妇高潮的动态图| 各种免费的搞黄视频| 亚洲国产精品成人久久小说| 国产毛片在线视频| 26uuu在线亚洲综合色| av不卡在线播放| 国产精品国产av在线观看| 日本色播在线视频| 午夜福利影视在线免费观看| 80岁老熟妇乱子伦牲交| 最黄视频免费看| a 毛片基地| av.在线天堂| 18禁在线无遮挡免费观看视频| 91精品三级在线观看| 激情五月婷婷亚洲| 成人午夜精彩视频在线观看| 精品久久国产蜜桃| 午夜福利视频在线观看免费| 亚洲综合色惰| 亚洲精品一区蜜桃| 亚洲国产av影院在线观看| 国产一级毛片在线| 午夜av观看不卡| 色婷婷久久久亚洲欧美| 亚洲经典国产精华液单| 亚洲欧美日韩卡通动漫| 久久精品国产亚洲av涩爱| 国产欧美另类精品又又久久亚洲欧美| 久久精品国产a三级三级三级| 91国产中文字幕| 咕卡用的链子| 国产成人aa在线观看| 寂寞人妻少妇视频99o| videossex国产| 国产一区二区激情短视频 | 欧美最新免费一区二区三区| 好男人视频免费观看在线| 人人妻人人澡人人爽人人夜夜| 看免费av毛片| 免费看光身美女| 观看美女的网站| 亚洲性久久影院| 久久午夜综合久久蜜桃| 国产伦理片在线播放av一区| 久久久精品94久久精品| 亚洲人成网站在线观看播放| 狂野欧美激情性xxxx在线观看| 成人午夜精彩视频在线观看| 国产视频首页在线观看| 97超碰精品成人国产| 国产日韩一区二区三区精品不卡| 人妻一区二区av| 一本—道久久a久久精品蜜桃钙片| 久久精品国产亚洲av天美| 日韩精品有码人妻一区| 久久久精品区二区三区| 免费人妻精品一区二区三区视频| 激情视频va一区二区三区| 超色免费av| 久久久久国产精品人妻一区二区| 亚洲激情五月婷婷啪啪| 亚洲五月色婷婷综合| 日韩av在线免费看完整版不卡| 黄色视频在线播放观看不卡| 男女啪啪激烈高潮av片| 妹子高潮喷水视频| av免费观看日本| 丝袜在线中文字幕| 久久久久精品久久久久真实原创| 亚洲av在线观看美女高潮| 日韩精品有码人妻一区| 精品人妻一区二区三区麻豆| 亚洲精品色激情综合| 国产成人精品一,二区| 亚洲成国产人片在线观看| 又黄又爽又刺激的免费视频.| 日韩三级伦理在线观看| 精品国产一区二区三区四区第35| 丰满乱子伦码专区| 欧美激情 高清一区二区三区| 亚洲av电影在线观看一区二区三区| 18禁国产床啪视频网站| 精品少妇久久久久久888优播| 不卡视频在线观看欧美| 91精品伊人久久大香线蕉| 成人亚洲精品一区在线观看| 亚洲综合精品二区| 男女下面插进去视频免费观看 | av免费观看日本| 18禁动态无遮挡网站| 欧美bdsm另类| av在线app专区| 最近最新中文字幕免费大全7| 国产一区有黄有色的免费视频| 亚洲av福利一区| 久久狼人影院| 男女国产视频网站| 在线精品无人区一区二区三| 亚洲高清免费不卡视频| 欧美xxⅹ黑人| 久久久久国产精品人妻一区二区| 街头女战士在线观看网站| 黄色 视频免费看| 久久精品久久久久久噜噜老黄| 男人舔女人的私密视频| 色吧在线观看| 精品一品国产午夜福利视频| 青春草亚洲视频在线观看| 人人妻人人爽人人添夜夜欢视频| 啦啦啦视频在线资源免费观看| 人人妻人人澡人人爽人人夜夜| 又黄又粗又硬又大视频| 母亲3免费完整高清在线观看 | 丝瓜视频免费看黄片| 亚洲国产av新网站| 巨乳人妻的诱惑在线观看| 一级片'在线观看视频| 人妻 亚洲 视频| 五月玫瑰六月丁香| av视频免费观看在线观看| 亚洲欧洲精品一区二区精品久久久 | 国产综合精华液| 亚洲精品美女久久av网站| 国产免费视频播放在线视频| 中文字幕人妻丝袜制服| 欧美精品亚洲一区二区| 美女大奶头黄色视频| 欧美日韩av久久| 亚洲精品乱码久久久久久按摩| 欧美成人午夜精品| 26uuu在线亚洲综合色| 久久久国产欧美日韩av| 一边亲一边摸免费视频| 国产精品人妻久久久久久| 多毛熟女@视频| 午夜福利,免费看| 91在线精品国自产拍蜜月| 精品酒店卫生间| 一本久久精品| 丝袜人妻中文字幕| 晚上一个人看的免费电影| 一边亲一边摸免费视频| 免费人成在线观看视频色| 久久久精品94久久精品| 国产一区二区三区综合在线观看 | 永久免费av网站大全| 亚洲五月色婷婷综合| 亚洲天堂av无毛| 欧美成人午夜免费资源| 爱豆传媒免费全集在线观看| 国产又色又爽无遮挡免| 中文精品一卡2卡3卡4更新| 国产在线一区二区三区精| 精品一区二区三区四区五区乱码 | 亚洲美女视频黄频| 日本欧美视频一区| 成人漫画全彩无遮挡| 欧美老熟妇乱子伦牲交| 高清不卡的av网站| 欧美日韩综合久久久久久| 国产免费视频播放在线视频| 亚洲欧美一区二区三区黑人 | 国产精品不卡视频一区二区| 黑人欧美特级aaaaaa片| 亚洲成色77777| 99久国产av精品国产电影| 制服丝袜香蕉在线| 国产精品一二三区在线看| 欧美亚洲 丝袜 人妻 在线| 国产精品久久久久久久久免| 成人国产av品久久久| 丰满饥渴人妻一区二区三| 国产国语露脸激情在线看| 一级爰片在线观看| 久久ye,这里只有精品| 国产成人精品福利久久| 国产精品久久久久久av不卡| 纵有疾风起免费观看全集完整版| 黄色视频在线播放观看不卡| 26uuu在线亚洲综合色| 国产高清三级在线| 久久ye,这里只有精品| 亚洲国产日韩一区二区| videossex国产| av网站免费在线观看视频| 亚洲精品中文字幕在线视频| 日韩大片免费观看网站| 亚洲精品一二三| 国产成人免费无遮挡视频| 你懂的网址亚洲精品在线观看| 侵犯人妻中文字幕一二三四区| 日韩伦理黄色片| av在线老鸭窝| 国产视频首页在线观看| 色94色欧美一区二区| 在现免费观看毛片| 欧美人与性动交α欧美精品济南到 | 久久久久久久大尺度免费视频| 精品午夜福利在线看| 人妻一区二区av| 亚洲精品国产av成人精品| av在线观看视频网站免费| 日日啪夜夜爽| 中国国产av一级| 美女脱内裤让男人舔精品视频| 日韩一区二区三区影片| 日日撸夜夜添| 国产毛片在线视频| 日本欧美国产在线视频| 五月伊人婷婷丁香| 午夜福利乱码中文字幕| 热re99久久国产66热| 日韩中字成人| 亚洲国产看品久久| 91在线精品国自产拍蜜月| 最近最新中文字幕大全免费视频 | 亚洲国产欧美在线一区| 久久精品国产亚洲av涩爱| 国产精品熟女久久久久浪| 哪个播放器可以免费观看大片| 亚洲欧美色中文字幕在线| 青青草视频在线视频观看| 亚洲第一区二区三区不卡| 在线观看www视频免费| 久久久久视频综合| 不卡视频在线观看欧美| 久久久久精品性色| 精品国产一区二区久久| 热99久久久久精品小说推荐| 亚洲国产最新在线播放| 国产精品偷伦视频观看了| 国产乱人偷精品视频| 亚洲精品国产色婷婷电影| 国产av精品麻豆| 久久精品久久久久久久性| 亚洲一级一片aⅴ在线观看| 欧美人与善性xxx| 中文乱码字字幕精品一区二区三区| av福利片在线| 两个人免费观看高清视频| 9191精品国产免费久久| 国产精品成人在线| 午夜影院在线不卡| 黄色毛片三级朝国网站| 1024视频免费在线观看| 亚洲少妇的诱惑av| 色视频在线一区二区三区| 99视频精品全部免费 在线| 欧美丝袜亚洲另类| 大片电影免费在线观看免费| 国产免费现黄频在线看| 黄网站色视频无遮挡免费观看| 一本—道久久a久久精品蜜桃钙片| 91精品三级在线观看| 9热在线视频观看99| 亚洲美女视频黄频| 亚洲,欧美精品.| 老司机亚洲免费影院| 日韩精品有码人妻一区| 亚洲欧美成人精品一区二区| 欧美 亚洲 国产 日韩一| 国产熟女午夜一区二区三区| 亚洲丝袜综合中文字幕| 成人无遮挡网站| 男人操女人黄网站| 日韩一区二区视频免费看| 9191精品国产免费久久| 午夜av观看不卡| 成人午夜精彩视频在线观看| av电影中文网址| 99香蕉大伊视频| 两个人免费观看高清视频| 午夜福利影视在线免费观看| 欧美日韩精品成人综合77777| 久久这里有精品视频免费| 日韩欧美精品免费久久| 欧美亚洲 丝袜 人妻 在线| 夜夜爽夜夜爽视频| 在线观看免费高清a一片| 天天操日日干夜夜撸| 欧美成人午夜免费资源| 国产男女超爽视频在线观看| 国产一区二区三区av在线| 女人被躁到高潮嗷嗷叫费观| av一本久久久久| 中文乱码字字幕精品一区二区三区| 亚洲天堂av无毛| 热99久久久久精品小说推荐| 中文字幕最新亚洲高清| 最近最新中文字幕大全免费视频 | 国产免费现黄频在线看|