• <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 ?

    融合注意力機(jī)制與并行混合網(wǎng)絡(luò)的DGA域名檢測(cè)

    2022-09-24 02:42:44劉立婷歐毓毅
    關(guān)鍵詞:域名字符注意力

    劉立婷,歐毓毅

    (廣東工業(yè)大學(xué)計(jì)算機(jī)學(xué)院,廣東 廣州 510006)

    0 引 言

    僵尸網(wǎng)絡(luò)在各種網(wǎng)絡(luò)安全威脅中扮演著重要的角色,這些安全威脅包括DDoS攻擊、垃圾郵件、信息盜竊等。為了有效地實(shí)施惡意行為,僵尸網(wǎng)絡(luò)常利用域名生成算法(Domain Generation Algorithm, DGA)以偽隨機(jī)的方式生成大量的域名,攻擊者只需從中選取少量域名進(jìn)行注冊(cè)即可與C&C(Command and Control)服務(wù)器進(jìn)行通信。DGA域名具有數(shù)量龐大和靈活性強(qiáng)的特點(diǎn),這增加了網(wǎng)絡(luò)安全管理人員檢測(cè)網(wǎng)絡(luò)可疑行為和維護(hù)網(wǎng)絡(luò)安全的難度[1-3]。

    隨著DGA域名檢測(cè)方法的不斷完善,新的DGA域名家族及其變體也層出不窮。不同DGA域名家族所攻擊的對(duì)象不同,如CryptoLocker是一種勒索軟件,該軟件在感染計(jì)算機(jī)后,會(huì)自動(dòng)鎖定計(jì)算機(jī)桌面和加密所有文檔資料,導(dǎo)致用戶無(wú)法正常使用[4];Conficker針對(duì) Windows 操作系統(tǒng)的漏洞進(jìn)行攻擊,具有蠕蟲(chóng)病毒和下載病毒等多種屬性[5];Ramnit是一種擁有多種傳播方式的蠕蟲(chóng)病毒,它可以監(jiān)控感染主機(jī)的網(wǎng)絡(luò)訪問(wèn)活動(dòng)以及掃描和瀏覽服務(wù)器中的文件系統(tǒng)以獲取敏感信息等[6]。不同的惡意攻擊往往會(huì)使用不同的域名生成算法,為了幫助安全人員快速響應(yīng)攻擊行為、采取針對(duì)措施,不僅需要檢測(cè)出DGA域名,更需要精確區(qū)分出不同的DGA域名家族。

    1 相關(guān)工作

    早期,研究者們采用黑白名單的方法來(lái)檢測(cè)DGA域名,但此類方法僅能識(shí)別已收集的DGA域名,無(wú)法對(duì)整個(gè)DGA家族做出針對(duì)性防御[7]。為了克服黑名單檢測(cè)方法的缺點(diǎn),研究者們開(kāi)始采用基于特征工程的機(jī)器學(xué)習(xí)方法檢測(cè)DGA域名,此類方法常用的特征為:基于域名字符統(tǒng)計(jì)特征和DNS流量特征[8-10]。文獻(xiàn)[11]使用語(yǔ)義分析方法、詞嵌入和詞性來(lái)分析詞間和域間的相關(guān)性,最后利用集成分類器進(jìn)行分類。文獻(xiàn)[12]提出了一種掩碼N-grams,其中字符組成N-grams被映射為輔音、元音、數(shù)字和非字母數(shù)字,并使用隨機(jī)森林進(jìn)行分類。文獻(xiàn)[13]提出了一種基于DNS查詢數(shù)據(jù)的DGA域名檢測(cè)方法。以上基于機(jī)器學(xué)習(xí)的檢測(cè)方法雖然一定程度上提高了惡意域名檢測(cè)率和分類效果,但是需要消耗大量時(shí)間和人力來(lái)提取域名特征,并且人工提取的特征很容易被有針對(duì)性的DGA繞過(guò),不足以應(yīng)對(duì)DGA域名的動(dòng)態(tài)特性。

    深度學(xué)習(xí)的發(fā)展為DGA域名的檢測(cè)提供了新思路,它無(wú)須手工提取特征,模型可以自學(xué)習(xí)域名特征,不僅實(shí)現(xiàn)了端到端的實(shí)時(shí)檢測(cè),而且進(jìn)一步提高了DGA域名檢測(cè)率。文獻(xiàn)[14]提出了一種基于長(zhǎng)短期記憶(Long Short-Term Memory, LSTM)神經(jīng)網(wǎng)絡(luò)的DGA域名檢測(cè)方法,該檢方法能夠自動(dòng)提取域名序列的時(shí)序特征,且性能明顯優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法。在此基礎(chǔ)上,文獻(xiàn)[15]提出了一種結(jié)合LSTM和注意力機(jī)制的DGA域名分類模型,該模型考慮了域名中不同位置字符的權(quán)重,比單一的LSTM算法具有更高的檢測(cè)率,但是在多分類任務(wù)中,模型對(duì)CryptoLocker、Locky、Necurs和Ramnit這4類DGA域名分類效果不佳。針對(duì)LSTM訓(xùn)練和檢測(cè)速度慢的問(wèn)題,文獻(xiàn)[16]提出了一種基于實(shí)時(shí)深度學(xué)習(xí)的惡意域名檢測(cè)系統(tǒng)fast3DS,該系統(tǒng)基于輕量級(jí)的全卷積檢測(cè)模型,采用數(shù)據(jù)處理和模型推理加速技術(shù)的檢測(cè)管道實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)。文獻(xiàn)[17]提出了一種混合神經(jīng)模型Bilbo,該模型首次將CNN和LSTM并行用于檢測(cè)DGA域名。相比于單一模型,Bilbo對(duì)3種基于字典的DGA家族分類效果更佳。但該模型僅對(duì)3個(gè)DGA域名家族進(jìn)行檢測(cè),未對(duì)其他類型DGA家族進(jìn)行討論。文獻(xiàn)[18]提出了一種基于LSTM和數(shù)量相關(guān)優(yōu)化方法相結(jié)合的檢測(cè)模型(LSTM.PQDO),實(shí)現(xiàn)了重采樣比例的動(dòng)態(tài)優(yōu)化,提高了在數(shù)據(jù)量不平衡情況下惡意域名的檢測(cè)率,但在多分類任務(wù)中仍有12個(gè)DGA家族的分類F1值低于0.5。文獻(xiàn)[19]在向量嵌入階段采用字符級(jí)和單詞級(jí)相結(jié)合的嵌入方式,使用動(dòng)態(tài)卷積算法進(jìn)行檢測(cè),有效地提升了檢測(cè)效率。文獻(xiàn)[20]將BiGRU與MCNN串連構(gòu)建BiGRU-MCNN,先用BiGRU學(xué)習(xí)字符間的依賴關(guān)系,再利用MCNN的不同網(wǎng)絡(luò)通道從多方面學(xué)習(xí),以提取DGA域名的深層隱藏信息。文獻(xiàn)[21]結(jié)合字符級(jí)詞向量和雙字母組詞向量,提出了一種基于混合詞向量的DGA域名檢測(cè)方法,該檢測(cè)方法相比于只基于字符級(jí)詞向量的模型有更好的分類性能,但是在多分類任務(wù)中仍存在3類零檢出的DGA域名。

    綜上所述,雖然現(xiàn)有研究在區(qū)分良性域名和DGA域名的檢測(cè)任務(wù)上表現(xiàn)良好,但由于DGA家族類別多、部分家族字符分布相似、樣本數(shù)據(jù)不平衡等原因,現(xiàn)有方法難以充分捕獲域名字符串深層語(yǔ)義信息,在區(qū)分不同DGA域名家族的多分類任務(wù)中性能較差。

    針對(duì)上述問(wèn)題,本文利用深層金字塔卷積神經(jīng)網(wǎng)絡(luò)(Deep Pyramid Convolution Neural Networks, DPCNN)較強(qiáng)的深層特征提取能力,并采用SENet[22](Squeeze-and-Excitation Networks)進(jìn)行優(yōu)化構(gòu)建DPCNN-SE,SENet的通道注意力機(jī)制能夠?qū)W習(xí)通道間依賴關(guān)系,從而抑制無(wú)用特征,加強(qiáng)重要特征的傳遞;同時(shí),將雙向LSTM網(wǎng)絡(luò)(Bidirectional Long Short-Term Memory Network, BiLSTM)和自注意力機(jī)制(Self-attention Mechanism, SM)結(jié)合構(gòu)建時(shí)序模型BiLSTM-SA提取時(shí)序特征,避免單一卷積神經(jīng)網(wǎng)絡(luò)忽略DGA域名中上下文語(yǔ)義信息的問(wèn)題,最后將2種特征融合后進(jìn)行DGA域名檢測(cè)。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法的有效性,與現(xiàn)有深度學(xué)習(xí)方法相比,在多項(xiàng)評(píng)價(jià)指標(biāo)中均有更優(yōu)表現(xiàn)。

    2 融合注意力機(jī)制與并行混合網(wǎng)絡(luò)的DGA域名檢測(cè)

    本文提出的融合注意力機(jī)制與并行混合網(wǎng)絡(luò)的DGA域名檢測(cè)方法網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,由詞嵌入層、DPCNN-SE、BiLSTM-SA、全連接層4個(gè)部分組成。首先,在嵌入層對(duì)域名數(shù)據(jù)進(jìn)行預(yù)處理并向量化,以便輸入網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練;接著進(jìn)行特征提取,由DPCNN-SE和BiLSTM-SA分別提取域名序列的深層空間語(yǔ)義特征和上下文的時(shí)序依賴特征;將BiLSTM-SA和DPCNN-SE提取的特征向量進(jìn)行融合,并送入全連接層完成最終的分類任務(wù)。

    圖1 模型總體結(jié)構(gòu)圖

    2.1 詞嵌入層

    由于深度學(xué)習(xí)模型無(wú)法直接處理字符串?dāng)?shù)據(jù),因此需在詞嵌入層將域名數(shù)據(jù)轉(zhuǎn)換成可處理的數(shù)字矩陣。

    一條完整的域名由英文句號(hào)“.”分隔成多個(gè)部分,例如“baidu.com”“#”,“com”與“cn”為頂級(jí)域名,“baidu”和“360”為二級(jí)域名,以此類推,域名最左邊還可以有三級(jí)、四級(jí)等次級(jí)域名。每條域名可以使用26個(gè)英文字母a~z(不區(qū)分大小寫(xiě))、數(shù)字0~9和英文連詞符“-”進(jìn)行組合,加上用于域名分隔的“.”,域名由“abcdefghijklmnopqrstuvwxyz0123456789-.”這38種字符組成。依據(jù)上述的域名數(shù)據(jù)特點(diǎn)構(gòu)建一個(gè)字符字典:將域名中所有38種合法字符“abcdefghijklmnopqrstuvwxyz0123456789-.”對(duì)應(yīng)為1~39的數(shù)字,利用字典將域名字符串轉(zhuǎn)化為向量,例如“baidu.com”轉(zhuǎn)化為字符向量[2,1,9,4,21,38,3,15,13]。

    為了保證模型輸入的形狀一致,需將所有字符向量長(zhǎng)度統(tǒng)一處理為l,超出l的進(jìn)行截?cái)?,不足l則使用0進(jìn)行填充,本文設(shè)置l為64。最后,把預(yù)處理后的域名字符向量映射到浮點(diǎn)數(shù)字矩陣E中,E再輸入深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練,本文設(shè)置E的維度為l×d,其中嵌入維度d為32。

    2.2 DPCNN-SE網(wǎng)絡(luò)模型

    為了解決普通CNN無(wú)法有效捕獲域名序列的長(zhǎng)距離依賴,造成特征丟失的問(wèn)題,本文將DPCNN[22]引入到域名檢測(cè)任務(wù)中。DPCNN使用等長(zhǎng)卷積替代普通卷積,等長(zhǎng)卷積的方式能獲取每個(gè)詞位上更高級(jí)、更準(zhǔn)確的上下文信息;同時(shí),DPCNN固定了特征圖的數(shù)量,并在每次卷積操作后使用1/2池化,不僅使得每個(gè)卷積層的計(jì)算量減半,而且增大了模型感知長(zhǎng)文本片段的能力,提取更多高維度語(yǔ)義信息。本文利用SENet的通道注意力機(jī)制改進(jìn)DPCNN,構(gòu)建DPCNN-SE網(wǎng)絡(luò),其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 DPCNN-SE的結(jié)構(gòu)

    DPCNN-SE由1個(gè)組合卷積塊和多個(gè)疊加塊組成,其中,1個(gè)疊加塊由1個(gè)1/2池化、2個(gè)等長(zhǎng)卷積層、1個(gè)SENet組成。DPCNN-SE的具體實(shí)現(xiàn)細(xì)節(jié)如下:

    1)組合卷積。

    設(shè)置卷積步長(zhǎng)為1,大小分別為2×32、3×32、4×32的卷積核,對(duì)詞嵌入層輸出的詞向量矩陣E進(jìn)行組合卷積,可以提取域名不同字符組合間的特征圖作為嵌入向量,便于后續(xù)高級(jí)特征的提取。

    2)1/2池化。

    DPCNN-SE在每次卷積后進(jìn)行池化操作,池化時(shí)固定特征圖數(shù)量不變,采用卷積核大小為3,步長(zhǎng)為2的Max-Pooling進(jìn)行下采樣。每次1/2池化后,序列長(zhǎng)度減半,計(jì)算量隨之減半,形成一個(gè)金字塔的形狀,而每個(gè)詞位能夠感知的文本片段長(zhǎng)度翻倍。

    3)等長(zhǎng)卷積。

    4)殘差連接。

    殘差連接用于解決梯度破碎或梯度爆炸問(wèn)題,能有效避免深層網(wǎng)的退化問(wèn)題[24]。在DPCNN-SE中組合卷積后的文本序列被直接無(wú)損連接到疊加塊上,并與Pre-activation后的序列進(jìn)行加和;同時(shí),在每個(gè)疊加塊的池化前也引入殘差連接,這能夠有效緩解梯度消散的問(wèn)題,確保特征的有效傳遞。

    5)SENet。

    DPCNN-SE中每個(gè)疊加塊最后一層為SENet,SENet通過(guò)激勵(lì)壓縮的方式計(jì)算特征通道間的依賴,為特征通道重新分配權(quán)重,從而抑制與當(dāng)前DGA家族無(wú)關(guān)或不重要的特征,挑選出最具代表性的深層局部特征。SENet的結(jié)構(gòu)如圖3所示。

    圖3 SENet的結(jié)構(gòu)

    SENet計(jì)算和分配特征通道權(quán)重的具體過(guò)程:輸入特征圖X維度為c×h×w,其中c為通道數(shù),h、w分別為單個(gè)通道的高和寬。首先經(jīng)過(guò)1個(gè)全局平均池化層Fsq,將單個(gè)通道的h×w個(gè)特征編碼為一個(gè)全局特征:

    (1)

    接著,使用Fex運(yùn)算求得各個(gè)通道間的權(quán)重:

    s=Fex(z,W)=σ(g(z,W))=σ(W2ReLU(W1z))

    (2)

    X′=Fscale(Xc,sc)=sc·Xc

    (3)

    最后,將帶有權(quán)重信息的X′輸入到下一個(gè)疊加塊中。

    2.3 BiLSTM-SA網(wǎng)絡(luò)模型

    基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的DPCNN-SE著重于提取深層空間局部特征,而LSTM可以學(xué)習(xí)DGA域名的時(shí)間序列特征。傳統(tǒng)的LSTM網(wǎng)絡(luò)只能依據(jù)之前時(shí)刻的時(shí)序信息來(lái)預(yù)測(cè)下一時(shí)刻的輸出,缺乏學(xué)習(xí)域名序列逆向關(guān)聯(lián)信息的能力。本文對(duì)傳統(tǒng)LSTM進(jìn)行改進(jìn),把自注意力機(jī)制融合到雙向LSTM網(wǎng)絡(luò)中,構(gòu)建用于域名時(shí)序特征提取的BiLSTM-SA模型,結(jié)構(gòu)如圖4所示。

    圖4 BiLSTM-SA的結(jié)構(gòu)

    1)BiLSTM。

    BiLSTM由多個(gè)LSTM門(mén)控制循環(huán)單元組成,每個(gè)LSTM門(mén)控制單元由遺忘門(mén)ft、輸入門(mén)it、輸出門(mén)ot組成,式(4)~式(9)為單個(gè)LSTM單元更新的過(guò)程,其中xt為L(zhǎng)STM當(dāng)前時(shí)刻t的輸入;ht-1、ht分別是上一個(gè)單元和本單元的隱藏層狀態(tài);Wf、Wi、Wc,Wo為各自對(duì)應(yīng)的權(quán)重矩陣;bf、bi、bc、bo為各自對(duì)應(yīng)的偏置;σ為Sigmoid激活函數(shù),tanh為雙曲正切函數(shù)。

    ft=σ(Wf·[ht-1,xt]+bf)

    (4)

    it=σ(Wi·[ht-1,xt]+bi)

    (5)

    (6)

    (7)

    ot=σ(Wo·[ht-1,xt]+bo)

    (8)

    ht=ot×tanh(ct)

    (9)

    每個(gè)LSTM門(mén)控循環(huán)單元都會(huì)使用LSTM的當(dāng)前輸入xt和上一個(gè)單元的隱藏層狀態(tài)ht-1來(lái)更新自身狀態(tài),以完成整個(gè)LSTM模型的更新。BiLSTM層的最終輸出由前向LSTM和逆向LSTM的輸出共同決定,即將2個(gè)方向的LSTM單元輸出相加。在t時(shí)刻時(shí),BiLSTM的輸出表示為:

    ht=h1t+h2t

    (10)

    2)自注意力機(jī)制。

    自注意力機(jī)制用于對(duì)域名序列進(jìn)行重新加權(quán),學(xué)習(xí)域名字符組合在域名中的重要程度,挑選出關(guān)鍵的全局時(shí)序特征,有效增強(qiáng)捕獲關(guān)鍵特征的能力。首先,根據(jù)式(11)和式(12)得到注意力權(quán)重值分別為α1,α2,α3,…,αn:

    Source(s,hi)=vTtanh(w1s+w2hi+bi)

    (11)

    (12)

    其中,Source是相似度計(jì)算函數(shù),s為隨機(jī)初始化向量,隨著模型訓(xùn)練而更新,vT、w1、w2為權(quán)值矩陣,bi為偏置項(xiàng)。式(12)利用Softmax函數(shù)對(duì)注意力權(quán)重進(jìn)行概率化,得到注意力權(quán)重分布值。最后,使用注意力權(quán)重αi對(duì)hi進(jìn)行加權(quán),得到含有注意力概率分布的域名表示向量ci,具體計(jì)算公式為:

    (13)

    2.4 全連接層

    全連接層將DPCNN-SE和BiLSTM-SA的輸出進(jìn)行特征融合,融合后的域名特征經(jīng)隱藏層激活后,完成最終的分類任務(wù)。本文的域名分類任務(wù)有2種:一種是判斷輸入域名是DGA域名還是正常域名的二分類任務(wù),即DGA域名的檢測(cè);一種是把DGA域名歸類到具體DGA家族的多分類任務(wù)。2個(gè)任務(wù)的激活函數(shù)均為Softmax,計(jì)算公式為:

    (14)

    其中,n為分類的類別數(shù)。

    3 實(shí)驗(yàn)結(jié)果與分析

    本文實(shí)驗(yàn)在Windows10系統(tǒng)上進(jìn)行,硬件環(huán)境處理器為AMD ryzen3 2200g@3.5 GHz,運(yùn)行內(nèi)存為16 GB和用于加速模型訓(xùn)練的GPU:GeForceRTX 1060 6 GB GPU。模型的實(shí)現(xiàn)基于Pytorch和CUDA深度學(xué)習(xí)框架,版本分別是1.8.0和11.1。具體實(shí)驗(yàn)的仿真參數(shù)如表1所示。

    表1 仿真參數(shù)設(shè)置

    3.1 數(shù)據(jù)集

    本文實(shí)驗(yàn)采用的數(shù)據(jù)集由DGA域名數(shù)據(jù)集和良性域名數(shù)據(jù)集2個(gè)部分?jǐn)?shù)據(jù)組成。惡意域名數(shù)據(jù)集來(lái)源于360Netlab網(wǎng)站公開(kāi)的DGA域名數(shù)據(jù),本文從中選取了53273條惡意域名作為DGA域名數(shù)據(jù)集,其中包含25種數(shù)據(jù)量較為充足的DGA域名家族。另外,良性域名數(shù)據(jù)集則來(lái)自Alexa網(wǎng)站中的訪問(wèn)量排名前53273的域名。良性域名與DGA域名比例為1∶1,將2組數(shù)據(jù)集合并后作為本文實(shí)驗(yàn)的數(shù)據(jù)集,共計(jì)106546條,具體分布如表2所示。將數(shù)據(jù)集以8∶1∶1的比例隨機(jī)抽取后,分別設(shè)置為訓(xùn)練集、驗(yàn)證集和測(cè)試集,其中,訓(xùn)練數(shù)據(jù)用于訓(xùn)練深度學(xué)習(xí)模型;驗(yàn)證集用于衡量模型在訓(xùn)練過(guò)程中的性能;測(cè)試集用于評(píng)估訓(xùn)練完成后模型的性能。

    表2 26類域名數(shù)量

    3.2 模型評(píng)價(jià)指標(biāo)

    本文實(shí)驗(yàn)采用準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1值以及ROC曲線作為模型評(píng)價(jià)指標(biāo)。其中準(zhǔn)確率代表預(yù)測(cè)正確的樣本數(shù)占樣本總數(shù)的比率;精確率代表預(yù)測(cè)正確的正類占模型預(yù)測(cè)為正類總數(shù)比率;召回率代表預(yù)測(cè)正確的正類占所有正類總數(shù)的比率;F1值是精確度和召回率的諧波平均值,只有當(dāng)精確率和召回率都很高時(shí),F(xiàn)1值才會(huì)高;ROC(Receiver Operating Characteristic, ROC)曲線將真陽(yáng)率(True Positive Rate, TPR)和假陽(yáng)率(False Positive Rate, FPR)以圖示的方法結(jié)合起來(lái),可準(zhǔn)確地反映TPR和FPR的關(guān)系,是判斷分類器綜合性能的代表。模型評(píng)價(jià)指標(biāo)的計(jì)算公式如下:

    (15)

    (16)

    (17)

    (18)

    (19)

    其中,TP是真正類的數(shù)量,F(xiàn)P是假正類的數(shù)量,TN是真負(fù)類的數(shù)量,F(xiàn)N是假負(fù)類的數(shù)量。

    3.3 消融實(shí)驗(yàn)

    為全面驗(yàn)證本文模型各個(gè)部分的性能,將本文模型分解,進(jìn)行消融實(shí)驗(yàn)。對(duì)比方法有DPCNN、BiLSTM、DPCNN-SE、BiLSTM-SA、DPCNN-SE+BiLSTM-SA(本文方法),實(shí)驗(yàn)結(jié)果如圖5所示。

    圖5 對(duì)于模型結(jié)構(gòu)進(jìn)行的消融實(shí)驗(yàn)結(jié)果

    從圖5中可知,相比原始的DPCNN和BiLSTM,加入了通道注意力(SENet)的DPCNN-SE和融合了自注意力的BiLSTM-SA在精確率、召回率、F1和準(zhǔn)確率上均有更好的表現(xiàn),這說(shuō)明2種注意力機(jī)制能夠聚焦域名的關(guān)鍵特征,以更好地區(qū)分出不同DGA家族。而本文方法將DPCNN-SE、BiLSTM-SA這2種網(wǎng)絡(luò)提取的關(guān)鍵信息進(jìn)行融合,有效利用了重要的空間局部特征和時(shí)序依賴特征,進(jìn)一步提高了模型的分類能力,在5種模型中表現(xiàn)最優(yōu)。

    3.4 對(duì)比實(shí)驗(yàn)設(shè)計(jì)

    為了驗(yàn)證本文方法相較現(xiàn)有DGA域名檢測(cè)方法的有效性,實(shí)驗(yàn)中設(shè)置了CNN[25]、LSTM[14],Bilbo[17]、BiGRU-MCNN[20]這4個(gè)模型作為對(duì)比模型,其中CNN、LSTM為單一模型,Bilbo和BiGRU-MCNN為基于2種網(wǎng)絡(luò)構(gòu)建的混合模型:

    1)CNN模型,采用文獻(xiàn)[25]中的網(wǎng)絡(luò)結(jié)構(gòu),利用卷積核在域名序列上滑動(dòng)以獲取序列特征信息,特征信息經(jīng)最大池化層后輸入到分類層,實(shí)現(xiàn)對(duì)惡意域名的檢測(cè)。

    2)LSTM模型,采用文獻(xiàn)[14]中的網(wǎng)絡(luò)結(jié)構(gòu),使用多個(gè)LSTM門(mén)控制單元充分提取域名序列的長(zhǎng)依賴關(guān)系,最后通過(guò)分類層進(jìn)行檢測(cè)和分類。

    3)Bilbo模型,采用文獻(xiàn)[17]中的網(wǎng)絡(luò)結(jié)構(gòu),并行單向LSTM和淺層CNN組成特征提取模塊,最后通過(guò)分類層輸出分類結(jié)果。

    4)BiGRU-MCNN模型,采用文獻(xiàn)[20]提出的串行網(wǎng)絡(luò)結(jié)構(gòu),先利用雙向的GRU學(xué)習(xí)的字符間依賴,再輸入多通道CNN提取DGA域名的局部特征。

    3.5 二分類性能比較

    在相同實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集的設(shè)置下,將本文方法與4個(gè)對(duì)比模型進(jìn)行對(duì)比,每個(gè)模型在二分類任務(wù)中的Accuracy、Precision、Recall以及F1值如圖6所示。

    圖6 5種模型檢測(cè)性能的比較

    由圖6可知,在DGA域名的二分類任務(wù)(即檢測(cè)任務(wù))中,5種模型都具有良好的檢測(cè)性能,4個(gè)評(píng)價(jià)指標(biāo)均達(dá)到95%以上。普通的單一模型CNN和LSTM的檢測(cè)性能表現(xiàn)較差,而基于2種混合網(wǎng)絡(luò)構(gòu)建的Bilbo和BiGRU-MCNN表現(xiàn)較好。相較于對(duì)比模型,本文方法的檢測(cè)性能有著更佳的表現(xiàn),4個(gè)評(píng)價(jià)指標(biāo)均達(dá)到了96.8%以上。

    3.6 多分類性能比較

    表3所示為5種模型對(duì)不同DGA域名家族的多分類性能比較。與模型在二分類任務(wù)中的表現(xiàn)類似,單一模型CNN和LSTM表現(xiàn)較差,并且普通的CNN模型在域名語(yǔ)義信息的提取能力上不如LSTM;Bilbo基于CNN和LSTM構(gòu)建,在所有評(píng)價(jià)指標(biāo)上均超過(guò)單一的CNN或單一LSTM模型,主要是因?yàn)锽ilbo采用了混合模型,對(duì)域名的關(guān)鍵信息提取有著積極作用;而B(niǎo)iGRU-MCNN采用了GRU與CNN的串行的混合模型,能在學(xué)習(xí)字符間全局依賴的基礎(chǔ)上進(jìn)一步學(xué)習(xí)局部特征,相比普通的CNN、LSTM和Bilbo均有一定提升。

    表3 5種模型域名家族分類性能比較

    相較于對(duì)比模型,本文方法的綜合表現(xiàn)最佳,精確率和F1值均達(dá)90%以上,與并行的Bilbo模型相比,在精確率、召回率、F1值和準(zhǔn)確率上分別提高了8.52個(gè)百分點(diǎn)、3.53個(gè)百分點(diǎn)、5.97個(gè)百分點(diǎn)和1.26個(gè)百分點(diǎn);與串行的BiGRU-MCNN相比,精確率、召回率、F1值和準(zhǔn)確率上分別提高了6.22個(gè)百分點(diǎn)、0.9個(gè)百分點(diǎn)、4.87個(gè)百分點(diǎn)和2.23個(gè)百分點(diǎn)。這說(shuō)明本文方法在結(jié)合深層金字塔網(wǎng)絡(luò)和BiLSTM優(yōu)勢(shì)的基礎(chǔ)上,通過(guò)2種注意力機(jī)制為網(wǎng)絡(luò)提取的特征重新賦予權(quán)重,有效減少了無(wú)用特征的干擾,保留了更多有效信息,從而更好地識(shí)別出不同的DGA域名家族。

    為了進(jìn)一步分析模型多分類任務(wù)中的性能,表4詳細(xì)地列出了5種模型對(duì)25個(gè)DGA域名家族分類結(jié)果的F1值,F(xiàn)1值綜合了召回率和精確率2個(gè)評(píng)估指標(biāo),能較好地體現(xiàn)模型的整體分類性能。由表4可知,本文方法在對(duì)25種DGA域名的多分類任務(wù)中,F(xiàn)1值在80%以上的有22種,F(xiàn)1值在95%以上的有12種,F(xiàn)1值在99%以上的有7種。

    表4 5種模型多分類F1值對(duì)比

    相較對(duì)比模型,本文方法在25個(gè)DGA域名家族分類結(jié)果上有21個(gè)F1值最高,在剩余的Mydoom、Nymaim、Qadars、Tinba這4個(gè)DGA家族中,由于Mydoom訓(xùn)練數(shù)據(jù)過(guò)少,導(dǎo)致模型過(guò)擬合,本文方法相較BiGRU-MCNN有一定下降,而Qadars與Tinba的F1值均在94%以上,且與表現(xiàn)最佳模型的差距小于1個(gè)百分點(diǎn)。相較4種現(xiàn)有的模型,本文方法的多分類性能綜合表現(xiàn)更優(yōu)。

    值得注意的是,由于Nymaim家族采用了基于單詞表的生成算法,其字符串構(gòu)成與良性域名十分相似,且長(zhǎng)度較短,因而5種基于字符串特征的端到端模型均無(wú)法進(jìn)行有效識(shí)別。

    DGA域名家族之間的樣本數(shù)量存在較大的差異,容易對(duì)分類器性能造成影響,ROC曲線不受類別不平衡的影響,能較好地度量分類器的穩(wěn)定性和泛化能力,ROC曲線下的面積AUC(Area Under Curve)越大,說(shuō)明模型性能越好。如圖7所示,CNN和Bilbo的表現(xiàn)不佳,模型的穩(wěn)定性較差;BiGRU-MCNN通過(guò)先后2步的特征學(xué)習(xí),穩(wěn)定性相較CNN和Bilbo有了明顯的提升。而當(dāng)檢測(cè)模型TPR達(dá)到0.95時(shí),本文方法的ROC曲線表現(xiàn)最佳,AUC達(dá)到0.9953,超過(guò)了所有對(duì)比模型。這說(shuō)明本文方法能提取域名的高級(jí)空間語(yǔ)義信息和時(shí)序特征,并通過(guò)2種注意力機(jī)制挑選出關(guān)鍵特征,降低無(wú)關(guān)特征的干擾,使得分類器的性能具有更好的魯棒性和更強(qiáng)的泛化能力。

    3.7 模型復(fù)雜度比較

    表5所示是5種模型的浮點(diǎn)運(yùn)算次數(shù)(FLOPs)、模型參數(shù)量(Params)與推理時(shí)間。通過(guò)表5可知,普通的CNN和LSTM網(wǎng)絡(luò)采用簡(jiǎn)單的淺層網(wǎng)絡(luò)結(jié)構(gòu),計(jì)算復(fù)雜度低、推理時(shí)間較短;Bilbo、BiGRU-MCNN與本文模型均為融合模型、參數(shù)較多、計(jì)算量相對(duì)較大。但相比Bilbo模型,本文方法的FLOPs、參數(shù)量和推理時(shí)間分別減少了71.89%、85.21%、44.40%;相較BiGRU-MCNN,本文方法在3個(gè)指標(biāo)上分別減少了65.60%、80.58%、31.90%。這是因?yàn)锽ilbo與BiGRU-MCNN的CNN部分均使用了較多尺寸的多通道卷積核,這樣雖然能獲取更多低級(jí)特征,但也使模型的計(jì)算量變大,而且較難學(xué)習(xí)高級(jí)語(yǔ)義信息;本文方法減少了組合卷積的數(shù)量,并引入DPCNN的思想構(gòu)建更深的CNN分支,通過(guò)固定特征圖數(shù)量和每次池化后計(jì)算量減半的方式有效降低了模型復(fù)雜度。因此,本文方法不僅能捕獲域名的高維度語(yǔ)義信息、提升模型性能,而且具備更低的計(jì)算復(fù)雜度,相比其他混合模型具有更強(qiáng)的實(shí)用性。

    表5 5種模型復(fù)雜度比較

    4 結(jié)束語(yǔ)

    針對(duì)現(xiàn)有方法對(duì)DGA域名家族識(shí)別效果不佳的問(wèn)題,本文提出了一種融合注意力機(jī)制與并行混合網(wǎng)絡(luò)的DGA域名檢測(cè)方法,先建立字符字典將域名字符串表示成向量矩陣,接著構(gòu)建并行混合網(wǎng)絡(luò)提取高級(jí)局部特征和時(shí)序依賴特征,并分別使用通道注意力機(jī)制和自注意力機(jī)制對(duì)2種特征進(jìn)行重新挑選,最后將2種特征融合進(jìn)行分類。相比CNN、LSTM、Bilbo、BiGRU-MCNN等深度學(xué)習(xí)模型,本文方法在精確率、召回率、F1值和ROC曲線下面積等多個(gè)評(píng)估指標(biāo)上均有明顯優(yōu)勢(shì)。

    未來(lái)的工作將從以下2個(gè)方面展開(kāi):1)針對(duì)Nymaim這類較難識(shí)別的隱性DGA域名進(jìn)行研究,可考慮加入域名DNS流量、IP地址等外部特征作為分類依據(jù);2)針對(duì)未知DGA域名家族的檢測(cè),現(xiàn)有研究大多僅適用于已知DGA域名家族的識(shí)別,在處理未知DGA家族時(shí)有可能將其錯(cuò)誤分類為已知域名,從而造成誤判,如何動(dòng)態(tài)地更新DGA家族數(shù)據(jù)庫(kù),保證模型的可靠性值得進(jìn)一步研究。

    猜你喜歡
    域名字符注意力
    尋找更強(qiáng)的字符映射管理器
    讓注意力“飛”回來(lái)
    字符代表幾
    一種USB接口字符液晶控制器設(shè)計(jì)
    電子制作(2019年19期)2019-11-23 08:41:50
    消失的殖民村莊和神秘字符
    如何購(gòu)買WordPress網(wǎng)站域名及綁定域名
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    A Beautiful Way Of Looking At Things
    騰訊八百萬(wàn)美元收購(gòu)域名
    頂級(jí)域名爭(zhēng)奪戰(zhàn):ICANN放出1930個(gè)通用頂級(jí)域名,申請(qǐng)者有上千家
    黑人巨大精品欧美一区二区蜜桃 | 交换朋友夫妻互换小说| 亚洲精品久久成人aⅴ小说 | 久久毛片免费看一区二区三区| 中文字幕免费在线视频6| 成人二区视频| 久久精品国产鲁丝片午夜精品| 精品视频人人做人人爽| 色网站视频免费| 哪个播放器可以免费观看大片| 国产国拍精品亚洲av在线观看| 好男人视频免费观看在线| 亚洲精品456在线播放app| 一级毛片aaaaaa免费看小| 色网站视频免费| 看非洲黑人一级黄片| 激情五月婷婷亚洲| 99热6这里只有精品| 黑人巨大精品欧美一区二区蜜桃 | 免费少妇av软件| 国产成人一区二区在线| 国产av码专区亚洲av| 精品国产露脸久久av麻豆| 亚洲久久久国产精品| 亚洲人成网站在线观看播放| av在线app专区| 国产乱人偷精品视频| 三上悠亚av全集在线观看| 国产精品国产三级国产专区5o| 夜夜骑夜夜射夜夜干| av国产久精品久网站免费入址| 好男人视频免费观看在线| 啦啦啦中文免费视频观看日本| 色视频在线一区二区三区| 少妇人妻精品综合一区二区| 国产不卡av网站在线观看| 三级国产精品欧美在线观看| 男女边吃奶边做爰视频| 久久人人爽人人片av| 成人综合一区亚洲| 国产男女超爽视频在线观看| 十分钟在线观看高清视频www| 亚洲欧美日韩卡通动漫| 久久精品国产a三级三级三级| 黄色配什么色好看| 草草在线视频免费看| av国产精品久久久久影院| 国产69精品久久久久777片| 欧美变态另类bdsm刘玥| 91久久精品电影网| 激情五月婷婷亚洲| 丝袜脚勾引网站| 丁香六月天网| 亚洲av日韩在线播放| 日本vs欧美在线观看视频| 久久国产亚洲av麻豆专区| 一本一本综合久久| 成年av动漫网址| 久久鲁丝午夜福利片| 亚洲熟女精品中文字幕| 日韩成人av中文字幕在线观看| a级毛色黄片| 免费看不卡的av| 人妻夜夜爽99麻豆av| 久久久久视频综合| 最近的中文字幕免费完整| 精品视频人人做人人爽| 大香蕉久久成人网| 久久 成人 亚洲| 欧美日韩亚洲高清精品| 插逼视频在线观看| 亚州av有码| 2021少妇久久久久久久久久久| videos熟女内射| 大陆偷拍与自拍| 久久精品国产自在天天线| 久久青草综合色| 婷婷成人精品国产| 人体艺术视频欧美日本| 精品久久蜜臀av无| 三级国产精品片| 蜜桃在线观看..| 只有这里有精品99| 国产日韩一区二区三区精品不卡 | 久久人妻熟女aⅴ| 色吧在线观看| 中文乱码字字幕精品一区二区三区| 国产色婷婷99| 超色免费av| 亚洲情色 制服丝袜| 久久久精品区二区三区| 亚洲中文av在线| 免费播放大片免费观看视频在线观看| 亚洲综合精品二区| 少妇的逼水好多| 亚洲av国产av综合av卡| 国精品久久久久久国模美| 99热这里只有精品一区| 狠狠婷婷综合久久久久久88av| 免费不卡的大黄色大毛片视频在线观看| 欧美 亚洲 国产 日韩一| 一级爰片在线观看| 人成视频在线观看免费观看| 99九九线精品视频在线观看视频| 女的被弄到高潮叫床怎么办| 国产av码专区亚洲av| 五月玫瑰六月丁香| 国产片特级美女逼逼视频| 成年女人在线观看亚洲视频| 亚洲激情五月婷婷啪啪| 日日摸夜夜添夜夜爱| 亚洲美女搞黄在线观看| 狠狠婷婷综合久久久久久88av| 中文精品一卡2卡3卡4更新| 国产成人aa在线观看| 国产精品人妻久久久久久| 一区二区三区精品91| 最近中文字幕高清免费大全6| 晚上一个人看的免费电影| 精品酒店卫生间| 精品国产一区二区久久| 曰老女人黄片| 国产在线免费精品| 亚洲综合色网址| 国产精品99久久99久久久不卡 | 午夜福利视频精品| videos熟女内射| 国产成人精品无人区| av一本久久久久| 国产无遮挡羞羞视频在线观看| 一区二区三区乱码不卡18| 久久精品久久久久久久性| 黄色配什么色好看| 一边亲一边摸免费视频| 亚洲精品成人av观看孕妇| 亚洲无线观看免费| 精品国产一区二区久久| 大香蕉97超碰在线| 人妻一区二区av| 日韩不卡一区二区三区视频在线| 午夜老司机福利剧场| 日本欧美视频一区| 日韩av在线免费看完整版不卡| 在线观看美女被高潮喷水网站| 狠狠精品人妻久久久久久综合| .国产精品久久| 欧美精品国产亚洲| 韩国av在线不卡| 人妻制服诱惑在线中文字幕| 日韩中文字幕视频在线看片| 久久人人爽人人片av| 欧美日本中文国产一区发布| 五月玫瑰六月丁香| 韩国av在线不卡| 国产在线免费精品| 又粗又硬又长又爽又黄的视频| 一级黄片播放器| 亚洲精品美女久久av网站| www.色视频.com| 热99国产精品久久久久久7| 欧美变态另类bdsm刘玥| 少妇人妻久久综合中文| 51国产日韩欧美| 欧美激情国产日韩精品一区| 少妇人妻久久综合中文| 天堂俺去俺来也www色官网| 性高湖久久久久久久久免费观看| 免费不卡的大黄色大毛片视频在线观看| 欧美精品亚洲一区二区| 亚洲中文av在线| xxx大片免费视频| 亚洲五月色婷婷综合| 久久精品国产亚洲av涩爱| 精品一区二区免费观看| 麻豆乱淫一区二区| 一级毛片黄色毛片免费观看视频| 搡老乐熟女国产| 飞空精品影院首页| 狠狠婷婷综合久久久久久88av| 激情五月婷婷亚洲| 久久久a久久爽久久v久久| 亚洲激情五月婷婷啪啪| 亚洲综合精品二区| 麻豆成人av视频| 亚洲国产av新网站| 国产乱来视频区| 国产白丝娇喘喷水9色精品| 精品久久蜜臀av无| 中文字幕免费在线视频6| 大话2 男鬼变身卡| 久久韩国三级中文字幕| 国产不卡av网站在线观看| 日韩不卡一区二区三区视频在线| 麻豆乱淫一区二区| 久久99一区二区三区| 久久午夜综合久久蜜桃| 欧美一级a爱片免费观看看| 国产极品天堂在线| 国产精品久久久久成人av| 少妇的逼水好多| 日韩不卡一区二区三区视频在线| 99热这里只有是精品在线观看| 成人免费观看视频高清| av天堂久久9| 亚洲图色成人| 天天躁夜夜躁狠狠久久av| 久久青草综合色| 国产成人精品一,二区| av播播在线观看一区| videossex国产| 考比视频在线观看| 亚洲精品色激情综合| 啦啦啦啦在线视频资源| 天天操日日干夜夜撸| av国产精品久久久久影院| 国产色婷婷99| 日本vs欧美在线观看视频| 亚洲精品成人av观看孕妇| 夫妻性生交免费视频一级片| 美女xxoo啪啪120秒动态图| 乱人伦中国视频| 91午夜精品亚洲一区二区三区| 少妇猛男粗大的猛烈进出视频| 久久狼人影院| 国产一区二区在线观看av| 国产精品99久久99久久久不卡 | a级毛片黄视频| 久久久久国产网址| 亚洲精品国产色婷婷电影| 国产深夜福利视频在线观看| 国产黄频视频在线观看| 国产精品一区www在线观看| 性高湖久久久久久久久免费观看| 国产精品女同一区二区软件| 久久婷婷青草| 我的女老师完整版在线观看| 晚上一个人看的免费电影| 成人毛片a级毛片在线播放| 一区二区三区四区激情视频| a级片在线免费高清观看视频| 国产成人91sexporn| a级毛色黄片| 免费观看在线日韩| 一区二区三区免费毛片| 成年人免费黄色播放视频| 777米奇影视久久| 午夜精品国产一区二区电影| 免费高清在线观看视频在线观看| 简卡轻食公司| 欧美三级亚洲精品| av卡一久久| 午夜视频国产福利| 大码成人一级视频| 伊人久久国产一区二区| 街头女战士在线观看网站| 国产亚洲精品久久久com| 日本黄色日本黄色录像| 国产男女内射视频| 精品亚洲乱码少妇综合久久| 26uuu在线亚洲综合色| 国产 精品1| 人人妻人人澡人人爽人人夜夜| 亚洲精品国产色婷婷电影| videos熟女内射| 亚洲精品日韩av片在线观看| 99热全是精品| 日韩av不卡免费在线播放| 王馨瑶露胸无遮挡在线观看| 不卡视频在线观看欧美| 青春草亚洲视频在线观看| 黄色欧美视频在线观看| 成人国语在线视频| 久久久久久人妻| 一区二区三区精品91| 在现免费观看毛片| 99国产综合亚洲精品| 最近中文字幕高清免费大全6| 午夜免费观看性视频| 日韩伦理黄色片| 久久精品夜色国产| 久久99一区二区三区| av卡一久久| 亚洲性久久影院| 国产精品三级大全| 国产淫语在线视频| 亚洲综合色网址| 伊人久久国产一区二区| 亚洲av成人精品一二三区| 久久精品久久久久久久性| 纵有疾风起免费观看全集完整版| 美女福利国产在线| 国产一区二区三区综合在线观看 | 51国产日韩欧美| 大陆偷拍与自拍| 91在线精品国自产拍蜜月| 午夜免费男女啪啪视频观看| 有码 亚洲区| 精品亚洲成国产av| 国产伦精品一区二区三区视频9| 国产无遮挡羞羞视频在线观看| 91久久精品电影网| av不卡在线播放| 夫妻性生交免费视频一级片| 久久人人爽av亚洲精品天堂| 亚洲国产精品国产精品| 亚洲一区二区三区欧美精品| 国产精品一区www在线观看| 国产有黄有色有爽视频| 国产av国产精品国产| 久久亚洲国产成人精品v| 高清av免费在线| 丝袜喷水一区| 99热网站在线观看| 国产爽快片一区二区三区| 亚洲精品,欧美精品| 日韩 亚洲 欧美在线| 男女免费视频国产| 大香蕉97超碰在线| 永久网站在线| 国内精品宾馆在线| 天堂中文最新版在线下载| 国模一区二区三区四区视频| 最近中文字幕2019免费版| 黄色毛片三级朝国网站| 成人免费观看视频高清| 国产成人a∨麻豆精品| 一个人看视频在线观看www免费| 制服人妻中文乱码| 亚洲精华国产精华液的使用体验| 国产视频首页在线观看| 精品视频人人做人人爽| 一级a做视频免费观看| 亚洲av成人精品一区久久| 日本wwww免费看| 飞空精品影院首页| 少妇丰满av| 91精品国产九色| 能在线免费看毛片的网站| 免费黄频网站在线观看国产| 国产免费现黄频在线看| 麻豆乱淫一区二区| 国产成人精品福利久久| 97在线视频观看| 久热久热在线精品观看| 欧美xxⅹ黑人| 男男h啪啪无遮挡| 亚洲欧美色中文字幕在线| 超色免费av| 精品久久久精品久久久| 男女无遮挡免费网站观看| 视频区图区小说| 欧美丝袜亚洲另类| 久久免费观看电影| 国模一区二区三区四区视频| 国产伦理片在线播放av一区| 亚洲精品乱久久久久久| 亚洲国产成人一精品久久久| 亚洲一区二区三区欧美精品| 一本大道久久a久久精品| 国产精品99久久久久久久久| 成人国产av品久久久| 久久人妻熟女aⅴ| 黑人猛操日本美女一级片| 久热久热在线精品观看| 免费观看av网站的网址| 丰满迷人的少妇在线观看| 乱码一卡2卡4卡精品| 国产成人精品久久久久久| 美女国产视频在线观看| 亚洲精品av麻豆狂野| 丝袜在线中文字幕| 亚洲性久久影院| 国产黄频视频在线观看| 搡老乐熟女国产| 99热6这里只有精品| 97超碰精品成人国产| 少妇人妻 视频| 九色亚洲精品在线播放| 国产欧美亚洲国产| 97在线视频观看| 伊人久久国产一区二区| 日本色播在线视频| 水蜜桃什么品种好| 免费观看av网站的网址| 在线观看免费高清a一片| 人妻 亚洲 视频| 最新中文字幕久久久久| 欧美精品亚洲一区二区| 精品国产一区二区三区久久久樱花| 久久久精品94久久精品| videos熟女内射| 国产精品成人在线| 国产精品一区www在线观看| 性高湖久久久久久久久免费观看| 国产精品一区二区在线不卡| 一个人免费看片子| 欧美bdsm另类| 午夜激情福利司机影院| 亚洲第一区二区三区不卡| 综合色丁香网| 精品人妻在线不人妻| 菩萨蛮人人尽说江南好唐韦庄| 一边摸一边做爽爽视频免费| 制服丝袜香蕉在线| 王馨瑶露胸无遮挡在线观看| 精品人妻熟女毛片av久久网站| 一边亲一边摸免费视频| 国产亚洲精品第一综合不卡 | 欧美另类一区| 亚洲性久久影院| 黄色怎么调成土黄色| 精品人妻熟女毛片av久久网站| 久久97久久精品| 久久久国产精品麻豆| 亚洲成人手机| 你懂的网址亚洲精品在线观看| 大香蕉97超碰在线| 男女啪啪激烈高潮av片| 亚洲成人一二三区av| 最黄视频免费看| 内地一区二区视频在线| 爱豆传媒免费全集在线观看| 99久久精品一区二区三区| 91久久精品国产一区二区三区| 在线播放无遮挡| 黄色怎么调成土黄色| 黄色一级大片看看| 国产在视频线精品| 国产永久视频网站| 韩国高清视频一区二区三区| 看非洲黑人一级黄片| 精品亚洲乱码少妇综合久久| 又粗又硬又长又爽又黄的视频| 人妻 亚洲 视频| 99九九线精品视频在线观看视频| 国产成人精品福利久久| 亚洲欧美清纯卡通| 午夜福利网站1000一区二区三区| 午夜激情福利司机影院| 观看av在线不卡| 免费黄网站久久成人精品| 一级毛片 在线播放| 夜夜爽夜夜爽视频| 91久久精品国产一区二区三区| 国产毛片在线视频| 嫩草影院入口| 国产成人精品无人区| 亚洲欧美日韩另类电影网站| 欧美日韩精品成人综合77777| 国产爽快片一区二区三区| 一级毛片 在线播放| 大又大粗又爽又黄少妇毛片口| 男女边吃奶边做爰视频| 不卡视频在线观看欧美| 一区二区三区乱码不卡18| 国产女主播在线喷水免费视频网站| 亚洲欧美一区二区三区国产| 国产精品一国产av| 乱人伦中国视频| 亚洲国产欧美在线一区| 国产又色又爽无遮挡免| 高清不卡的av网站| 亚洲欧美精品自产自拍| 久久久欧美国产精品| 免费久久久久久久精品成人欧美视频 | 国精品久久久久久国模美| 夫妻性生交免费视频一级片| 曰老女人黄片| 国产一区二区三区av在线| 丝瓜视频免费看黄片| 日韩中文字幕视频在线看片| 成年av动漫网址| 日韩伦理黄色片| 午夜福利视频在线观看免费| 欧美精品国产亚洲| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 超色免费av| 亚洲人成网站在线播| 日日撸夜夜添| 少妇的逼水好多| av在线播放精品| 全区人妻精品视频| 韩国av在线不卡| 国产国语露脸激情在线看| 精品亚洲成国产av| 亚洲精品国产色婷婷电影| 一本久久精品| 亚洲av日韩在线播放| a级毛色黄片| 亚洲av成人精品一二三区| 黄色欧美视频在线观看| 国产精品免费大片| 亚洲精品美女久久av网站| 插阴视频在线观看视频| 这个男人来自地球电影免费观看 | 各种免费的搞黄视频| 日韩精品免费视频一区二区三区 | 一级毛片我不卡| 亚洲精品aⅴ在线观看| 啦啦啦啦在线视频资源| 七月丁香在线播放| 国产精品人妻久久久久久| 啦啦啦视频在线资源免费观看| 亚洲第一区二区三区不卡| 久久精品国产亚洲网站| 99热国产这里只有精品6| 中文字幕亚洲精品专区| 欧美bdsm另类| 丝瓜视频免费看黄片| 一区二区av电影网| 亚洲国产精品国产精品| 七月丁香在线播放| 又黄又爽又刺激的免费视频.| 国产成人91sexporn| 亚洲国产精品国产精品| 国产成人免费观看mmmm| 国产精品麻豆人妻色哟哟久久| 一本—道久久a久久精品蜜桃钙片| 乱人伦中国视频| 美女国产视频在线观看| 久久久a久久爽久久v久久| 中国三级夫妇交换| 一级爰片在线观看| 亚洲内射少妇av| 日韩欧美一区视频在线观看| 夫妻午夜视频| 赤兔流量卡办理| 中文字幕最新亚洲高清| 午夜福利,免费看| 欧美日韩视频高清一区二区三区二| 熟女av电影| 黄片播放在线免费| 黄色配什么色好看| 99九九在线精品视频| 国产av精品麻豆| 久久国内精品自在自线图片| 亚洲av日韩在线播放| 国产精品一区www在线观看| 日韩一本色道免费dvd| 人妻系列 视频| 91国产中文字幕| 女的被弄到高潮叫床怎么办| 国产男女内射视频| 性高湖久久久久久久久免费观看| 国产成人aa在线观看| 亚洲av成人精品一二三区| 考比视频在线观看| av国产久精品久网站免费入址| 这个男人来自地球电影免费观看 | 国产视频首页在线观看| 亚洲成人av在线免费| 亚洲精品成人av观看孕妇| 亚洲综合色惰| 午夜福利,免费看| 欧美 亚洲 国产 日韩一| 国产 一区精品| 精品久久久噜噜| 亚洲欧美日韩卡通动漫| 久久免费观看电影| av黄色大香蕉| 丰满迷人的少妇在线观看| av.在线天堂| 久热久热在线精品观看| 精品久久久久久久久av| 国产精品一区二区在线观看99| 国产黄色视频一区二区在线观看| 成人国产麻豆网| 18+在线观看网站| 人妻人人澡人人爽人人| 亚洲熟女精品中文字幕| 日韩精品免费视频一区二区三区 | 国产精品99久久99久久久不卡 | 国产精品国产av在线观看| 午夜老司机福利剧场| 国产午夜精品久久久久久一区二区三区| 国产成人精品一,二区| 国精品久久久久久国模美| 久久免费观看电影| av在线app专区| 视频中文字幕在线观看| 亚洲av欧美aⅴ国产| 国产在线一区二区三区精| 黑人欧美特级aaaaaa片| 国产成人精品无人区| 高清毛片免费看| 一级二级三级毛片免费看| 午夜福利在线观看免费完整高清在| 亚洲av不卡在线观看| 激情五月婷婷亚洲| 一级毛片黄色毛片免费观看视频| 亚洲国产欧美日韩在线播放| 九色成人免费人妻av| 成人亚洲精品一区在线观看| 久久99热6这里只有精品| av又黄又爽大尺度在线免费看| 国产成人精品福利久久| 一级黄片播放器| 国产欧美另类精品又又久久亚洲欧美| 黄色一级大片看看| 少妇熟女欧美另类| 在线观看三级黄色| 亚洲经典国产精华液单| 在线观看www视频免费| 亚洲内射少妇av| 最近中文字幕2019免费版| 久热久热在线精品观看| 精品一区在线观看国产| 日本-黄色视频高清免费观看| 纯流量卡能插随身wifi吗| 精品一区在线观看国产| 天堂中文最新版在线下载| 蜜桃久久精品国产亚洲av| 丰满迷人的少妇在线观看| 交换朋友夫妻互换小说| 国产亚洲精品第一综合不卡 |