• <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 ?

    基于屬性分割的差分隱私異構(gòu)多屬性數(shù)據(jù)發(fā)布①

    2022-11-07 09:07:52張小玉沈國華

    張小玉,沈國華,3,楊 陽

    1(南京航空航天大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,南京 211106)

    2(南京航空航天大學(xué) 高安全系統(tǒng)的軟件開發(fā)與驗(yàn)證技術(shù)工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室,南京 211106)

    3(南京大學(xué) 軟件新技術(shù)與產(chǎn)業(yè)化協(xié)同創(chuàng)新中心,南京 210093)

    1 引言

    近年來,互聯(lián)網(wǎng)應(yīng)用的逐步普及,帶來便利的同時,大量數(shù)據(jù)信息通過個人用戶、企業(yè)單位、研究機(jī)構(gòu)等源源不斷地產(chǎn)生.對產(chǎn)生的數(shù)據(jù)進(jìn)行數(shù)據(jù)分析,挖掘事物潛在的關(guān)聯(lián),再反饋給互聯(lián)網(wǎng)應(yīng)用商,可以為大眾提供更好的服務(wù).然而,這些數(shù)據(jù)中不乏個人隱私數(shù)據(jù),諸如醫(yī)療信息、金融信息、軌跡數(shù)據(jù)等,直接向外界發(fā)布原始數(shù)據(jù)存在著巨大的隱私泄露風(fēng)險.因此,對外發(fā)布數(shù)據(jù)時,需要采取一些隱私保護(hù)措施來保障數(shù)據(jù)安全.

    K-匿名[1]及其相關(guān)擴(kuò)展L-Diversity[2]、T-closeness[3]是隱私保護(hù)的重要方法,其主要思想是將待發(fā)布數(shù)據(jù)劃分為多個等價類,等價類內(nèi)的k個實(shí)體無法相互區(qū)分,通過限制數(shù)據(jù)發(fā)布實(shí)現(xiàn)數(shù)據(jù)隱私保護(hù).然而,一旦攻擊者具有相當(dāng)?shù)谋尘爸R,K-匿名就無法提供很好的隱私保護(hù)效果,而且無法就其隱私保護(hù)程度進(jìn)行定量分析.差分隱私[4-9]作為一種嚴(yán)格可證的新興隱私保護(hù)模型,其前提是假設(shè)數(shù)據(jù)攻擊者具有的背景知識最大化.通過向輸出中添加隨機(jī)擾動,盡可能減小單個記錄對輸出的影響,保證攻擊者無法通過觀察不同的輸出結(jié)果重構(gòu)真實(shí)的數(shù)據(jù)信息,實(shí)現(xiàn)了單個記錄是否參與數(shù)據(jù)集的不可區(qū)分性.

    從已有的研究可以看出,差分隱私在低維數(shù)據(jù)發(fā)布方面做了諸多努力,但在實(shí)際場景中,更為常見的卻是多屬性數(shù)據(jù)集,即高維數(shù)據(jù)集.如果將以往的低維數(shù)據(jù)發(fā)布算法直接應(yīng)用于多屬性數(shù)據(jù)發(fā)布,存在查詢敏感度大、隱私預(yù)算消耗過快等問題,導(dǎo)致數(shù)據(jù)發(fā)布效用低.

    針對高維數(shù)據(jù)發(fā)布場景,常見方法有: 1)根據(jù)樹結(jié)構(gòu)劃分高維數(shù)據(jù)集,通過平衡分區(qū)的近似誤差和數(shù)據(jù)的擾動誤差來提高數(shù)據(jù)發(fā)布精度; 2)通過構(gòu)建數(shù)據(jù)集的概率圖模型計算屬性間的條件分布,通過噪聲條件分布近似原始數(shù)據(jù)集的聯(lián)合分布,以此生成新的合成數(shù)據(jù)集,避免直接對原始數(shù)據(jù)擾動產(chǎn)生巨大的擾動誤差; 3)利用數(shù)據(jù)降維技術(shù),將高維數(shù)據(jù)轉(zhuǎn)化成近似的低維數(shù)據(jù),對轉(zhuǎn)化后的低維數(shù)據(jù)添加噪聲擾動,減少擾動噪聲量.

    在利用樹結(jié)構(gòu)發(fā)布高維數(shù)據(jù)集的研究中,文獻(xiàn)[10]借助細(xì)粒度單元劃分和kd-樹劃分兩種分區(qū)策略,實(shí)現(xiàn)了差分隱私多維直方圖發(fā)布.文獻(xiàn)[11]利用kd-樹和quad-tree 設(shè)計混合數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)多維數(shù)據(jù)劃分,從而減少了注入的噪聲量.文獻(xiàn)[12]提出了差分隱私泛化數(shù)據(jù)發(fā)布算法DiffGen,通過構(gòu)建決策樹的過程完成數(shù)據(jù)的差分隱私保護(hù).基于概率圖模型的研究也有所成果,文獻(xiàn)[13]提出數(shù)據(jù)發(fā)布方案PrivBayes,該方案通過構(gòu)建原始數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)模型,分析原始數(shù)據(jù)屬性之間的依賴關(guān)系,學(xué)習(xí)提取近似噪聲條件分布,采樣生成新的合成數(shù)據(jù)集.文獻(xiàn)[14] 提出聯(lián)合樹算法Jtree,根據(jù)樣本數(shù)據(jù)屬性之間的關(guān)聯(lián)構(gòu)建依賴關(guān)系圖,結(jié)合聯(lián)合樹的推理基礎(chǔ),從邊緣關(guān)系圖中學(xué)習(xí)一組噪聲邊緣表,以此近似原始數(shù)據(jù)集的聯(lián)合分布.通過數(shù)據(jù)降維來近似高維數(shù)據(jù)發(fā)布的研究中,文獻(xiàn)[15,16] 利用主成分分析技術(shù)識別高維數(shù)據(jù)的近似低維,實(shí)現(xiàn)了高維數(shù)據(jù)向低維的轉(zhuǎn)化,并基于低維數(shù)據(jù)實(shí)現(xiàn)差分隱私保護(hù).文獻(xiàn)[17]提出了差分隱私數(shù)據(jù)發(fā)布算法DPPro,該算法利用隨機(jī)投影技術(shù),完成高維數(shù)據(jù)在低維上的映射,保證了高維數(shù)據(jù)發(fā)布效用.文獻(xiàn)[18]提出PriView方法,通過構(gòu)建一組含噪聲擾動的低維View 視圖,提取 α-邊際分布,生成合成數(shù)據(jù)集.

    然而,前文提到的各種方法對不同屬性的隱私保護(hù)處理大多隱含地假設(shè)同構(gòu)性,即不考慮屬性數(shù)據(jù)敏感性的異構(gòu),不同屬性的隨機(jī)干擾程度均相同.由于不同屬性攜帶的信息量不同,從而對攻擊者推理目標(biāo)對象隱私信息的貢獻(xiàn)不同,即隱私泄露風(fēng)險與屬性敏感性呈正相關(guān).例如,性別屬性只有兩個屬性值,與年齡屬性相比,攜帶的信息量更少,對目標(biāo)對象的刻畫程度較淺,對攻擊者推理敏感信息的貢獻(xiàn)較少,需要的隱私保護(hù)強(qiáng)度相對較低,相應(yīng)的屬性敏感性也就較低.不考慮屬性信息量差異帶來的敏感性異構(gòu),會導(dǎo)致沒有充分保護(hù)高敏感屬性數(shù)據(jù),或者過度丟失低敏感屬性數(shù)據(jù)的信息.

    文獻(xiàn)[19]提出了一種加權(quán)貝葉斯網(wǎng)絡(luò)數(shù)據(jù)發(fā)布方法,雖然該方法是根據(jù)屬性的多樣性分配權(quán)重,但其目標(biāo)是借助屬性權(quán)重構(gòu)建更好的貝葉斯網(wǎng)絡(luò).文獻(xiàn)[20,21]均在基于貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)發(fā)布算法中引入屬性聚類,以屬性關(guān)聯(lián)強(qiáng)弱分割屬性集,在減少隱私預(yù)算分割次數(shù)的基礎(chǔ)上提高算法計算效率.然而,兩者在隱私預(yù)算的分配上依然采取等分措施,沒有兼顧屬性敏感性差異.

    針對已有方法的不足之處,本文提出了一種基于屬性分割的差分隱私異構(gòu)多屬性數(shù)據(jù)發(fā)布算法HMPriv-Bayes (heterogeneous multi-attribute private data publishing via Bayesian networks),主要貢獻(xiàn)包括以下3 個方面:

    1)根據(jù)屬性之間的關(guān)聯(lián)程度,引入最大信息系數(shù)量化屬性之間的相關(guān)關(guān)系,設(shè)計滿足差分隱私的譜聚類算法分割屬性集,能在一定程度上縮減貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)空間,提高算法計算效率.

    2)針對構(gòu)建貝葉斯網(wǎng)絡(luò)隨機(jī)選取首個屬性可能降低數(shù)據(jù)發(fā)布質(zhì)量的問題,以屬性信息熵為權(quán)重選擇屬性,盡可能提高數(shù)據(jù)發(fā)布質(zhì)量,保留數(shù)據(jù)實(shí)用價值.

    3)考慮到屬性攜帶的信息量的不同,基于貝葉斯網(wǎng)絡(luò)提取屬性條件分布時,以屬性歸一化風(fēng)險熵為權(quán)重分配隱私預(yù)算,實(shí)現(xiàn)異構(gòu)多屬性保護(hù).

    2 基礎(chǔ)知識

    2.1 差分隱私

    差分隱私(differential privacy,DP)保護(hù)模型保證在數(shù)據(jù)集中對一條記錄進(jìn)行增、刪、改操作后,查詢返回的擾動輸出沒有明顯差異,以至于攻擊者不能推斷出目標(biāo)記錄是否在發(fā)布的數(shù)據(jù)集中,即數(shù)據(jù)集中單個記錄對輸出的影響有限,從而實(shí)現(xiàn)保護(hù)個體隱私.

    定義1.ε-差分隱私[4].設(shè)D1和D2為任意兩個相鄰數(shù)據(jù)集,即它們彼此相差1 條記錄,Range(M)是隨機(jī)算法M的取值范圍,若算法M在數(shù)據(jù)集D1和D2上的任意輸出S∈Range(M),滿足:

    則稱算法M滿足ε-差分隱私.其中,隱私預(yù)算ε與隱私保護(hù)程度呈負(fù)相關(guān),與隱私泄露風(fēng)險呈正相關(guān).Pr(M(D1)∈S)和Pr(M(D2)∈S)表示算法M在數(shù)據(jù)集D1和D2上輸出為S的概率.

    任何滿足定義1 的噪音機(jī)制都可以視為差分隱私機(jī)制,差分隱私中常見噪音機(jī)制有Laplace 機(jī)制[22]和指數(shù)機(jī)制[23],其噪聲擾動大小與隨機(jī)函數(shù)的敏感度以及隱私預(yù)算參數(shù)密切相關(guān).

    定義2.全局敏感度[5].設(shè)查詢函數(shù)f:D→Rn,f的全局敏感度定義如下:

    其中,D1和D2表示任意兩個相鄰數(shù)據(jù)集,全局敏感度Δf由查詢函數(shù)f決定.

    定義3.Laplace 機(jī)制[22].對任意數(shù)據(jù)集D和查詢函數(shù)f:D→Rn,若算法M的輸出結(jié)果滿足:

    則算法M實(shí)現(xiàn)了ε-差分隱私.其中,Lap(Δf/ε)表示添加的噪聲量,噪聲量與 Δf成正比,與ε成反比.Laplace機(jī)制主要用于處理數(shù)值型數(shù)據(jù).

    定義4.指數(shù)機(jī)制[23].對任意數(shù)據(jù)集D,給定評分函數(shù)u:(D,r)→R,若算法M滿足:

    則算法M實(shí)現(xiàn)了ε-差分隱私.其中,Δu為u(D,r)的全局敏感度,Pr[r∈O]為評分函數(shù)u輸出r的概率,評分越高,r被輸出的概率越高.指數(shù)機(jī)制通常用于處理非數(shù)值型數(shù)據(jù).

    對于一組滿足差分隱私的隨機(jī)獨(dú)立算法,差分隱私的串行組合性質(zhì)和并行組合性質(zhì)[24]可以用于證明整體算法滿足差分隱私保護(hù).

    性質(zhì)1.串行組合[24].給定數(shù)據(jù)集D和D上1 組隨機(jī)獨(dú)立算法M1(D),M2(D),···,Mm(D),其中每個算法Mi(D)滿足εi-差分隱私,則M={M1,M2,···,Mm}滿足-差分隱私.

    串行組合表明,當(dāng)一系列差分隱私機(jī)制應(yīng)用于同一數(shù)據(jù)集時,隱私預(yù)算和噪聲數(shù)量呈線性累積.

    性質(zhì)2.并行組合[24].給定數(shù)據(jù)集D,將D分割成m個互不相交的子集D={D1,D2,···,Dm}.每個子集中的隨機(jī)獨(dú)立算法M1(D1),···,Mm(Dm)均滿足εi-差分隱私,則組合算法M={M1,M2,···,Mm}滿足max(εi)-差分隱私.

    并行組合表明,當(dāng)一系列差分隱私機(jī)制應(yīng)用于數(shù)據(jù)集的不同子集時,隱私保護(hù)的程度取決于 εi的最大值.

    2.2 譜聚類

    譜聚類(spectral clustering,SC)[25]是利用圖論中的圖分割完成數(shù)據(jù)聚類的算法.它的主要思想是先將數(shù)據(jù)集映射成一張帶權(quán)無向圖,基于兩點(diǎn)之間的距離計算頂點(diǎn)相似度,通過最優(yōu)劃分準(zhǔn)則分割圖中結(jié)點(diǎn),最大化子圖內(nèi)部的相似度,實(shí)現(xiàn)數(shù)據(jù)聚類.標(biāo)準(zhǔn)的譜聚類算法實(shí)現(xiàn)流程如算法1 所示.

    算法1.譜聚類算法輸入: 數(shù)據(jù)集,降維后的維度k1,聚類方法,簇數(shù)量k C(c1,c2,···,ck)D={x1,x2,···,xn}輸出: 簇劃分1.計算n×n 的相似矩陣S: ;wij=exp sij=‖xi-x j‖2)2.根據(jù)相似矩陣S 構(gòu)建鄰接矩陣W:(-sij 2σ2 3.計算n×n 的度矩陣B: ;bij=■■■■■■■■■∑dk=1 wik,i=j 0,i≠j L=B-1/2(B-W)B-1/2 4.計算并標(biāo)準(zhǔn)化拉普拉斯矩陣;5.計算L 最小的k1 個特征值以及各自對應(yīng)的特征向量;6.將特征向量組成矩陣并按行進(jìn)行標(biāo)準(zhǔn)化,最終組成n×k1 維的特征矩陣U;7.將U 中的每一行作為一個k1 維的樣本,按照輸入的聚類方式進(jìn)行聚類,聚類維數(shù)為k;C(c1,c2,···,ck)u1,u2,···,uk1 8.返回簇劃分.

    在本文中,譜聚類主要用于屬性聚類,即根據(jù)屬性之間的關(guān)聯(lián)程度分割屬性集.本文選用最大信息系數(shù)(maximal information coefficient,MIC)[26]度量屬性之間關(guān)聯(lián)程度.在此之前,互信息是常用的屬性關(guān)聯(lián)度量手段,然而,互信息需要考慮連續(xù)屬性的離散化,而且不同數(shù)據(jù)集上的互信息計算結(jié)果無法相互比較.MIC利用網(wǎng)格劃分屬性值域,結(jié)合屬性互信息,可以更準(zhǔn)確地識別出大數(shù)據(jù)集中屬性間的線性或非線性關(guān)系,以及非函數(shù)依賴關(guān)系.

    定義5.最大信息系數(shù)[26].給定屬性X,Y和有序?qū)Γ糰,b>,樣本數(shù)量為N,將當(dāng)前二維空間在x,y方向上劃分為a×b的網(wǎng)格G,將屬性數(shù)據(jù)點(diǎn)離散落入網(wǎng)格G中,屬性X和Y的最大信息系數(shù)計算如下:

    其中,B為網(wǎng)格劃分a×b的上限值,通常取值N0.6或N0.55,I(X,Y)為屬性X和Y的互信息值,具體計算如下:

    其中,Pr(xi,yj)表示屬性X,Y取值xi,yj的聯(lián)合分布.

    2.3 貝葉斯網(wǎng)絡(luò)

    貝葉斯網(wǎng)絡(luò)(Bayesian network)是常用的概率圖模型之一,用來表示一組隨機(jī)變量(屬性)之間的依賴關(guān)系.形式上,貝葉斯網(wǎng)絡(luò)N可以表示為N=(G,θ).其中,G表示有向無環(huán)圖,圖中節(jié)點(diǎn)代表隨機(jī)變量,節(jié)點(diǎn)之間的有向邊代表隨機(jī)變量之間的依賴關(guān)系.在G中,若存在一條從Xj到Xi的有向邊,則稱Xj為Xi的父節(jié)點(diǎn).Xi的所有父節(jié)點(diǎn)構(gòu)成Xi的父節(jié)點(diǎn)集合,表示為θ表示N的參數(shù)集合,θ包含每個節(jié)點(diǎn)Xi的條件分布,表示為對于一個包含屬性集X={X1,X2,···,Xd}的貝葉斯網(wǎng)絡(luò)N,N可以近似表示X的聯(lián)合概率分布,具體為圖1 表示包含屬性節(jié)點(diǎn){X1,X2,···,X5}的貝葉斯網(wǎng)絡(luò),圖中所有屬性節(jié)點(diǎn)的聯(lián)合概率分布為Pr(X1,X2,X3,X4,X5)=Pr(X1)Pr(X2|X1)Pr(X3|X2)Pr(X4|X1,X2)Pr(X5|X3,X4).

    圖1 含5 個節(jié)點(diǎn)的貝葉斯網(wǎng)絡(luò)示例

    3 基于屬性分割的差分隱私異構(gòu)多屬性數(shù)據(jù)發(fā)布

    3.1 HMPrivBayes 算法概述

    HMPrivBayes 算法的整體流程如圖2 所示,包括4 個階段: 屬性聚類劃分、構(gòu)建差分隱私貝葉斯網(wǎng)絡(luò)、生成屬性加噪條件分布、生成待發(fā)布數(shù)據(jù)集.為了方便描述,本文假設(shè)所有屬性均是二進(jìn)制屬性.對于非二進(jìn)制屬性,利用文獻(xiàn)[13]提出的等寬法將非二進(jìn)制屬性轉(zhuǎn)化成一組二進(jìn)制屬性.由于等寬法的轉(zhuǎn)化過程只依賴非二進(jìn)制屬性的值域,且屬性的值域是公開信息,不涉及隱私數(shù)據(jù).因此,屬性轉(zhuǎn)化過程不存在隱私泄露問題.

    圖2 HMPrivBayes 算法流程圖

    HMPrivBayes 算法的實(shí)現(xiàn)過程如算法2 所示.

    算法2.HMPrivBayes 算法輸入: 數(shù)據(jù)集,屬性集,屬性簇個數(shù)k,隱私預(yù)算ε輸出: 數(shù)據(jù)集D 滿足差分隱私的合成數(shù)據(jù)集D′D={x1,x2,···,xn}X={X1,X2,···,Xd}1.初始化D′= ;2.分配隱私預(yù)算ε1+ε2+ε3=ε;?3.執(zhí)行算法3,返回聚類結(jié)果;D={D1,···,Dk}C={C1,C2,···,Ck}4.依據(jù)C 劃分原始數(shù)據(jù)集;5.for i=1 to k do執(zhí)行算法4,求貝葉斯網(wǎng)絡(luò)Ni;P*iD′i D′基于 計算Ni 的帶噪聯(lián)合分布,采樣得到合成數(shù)據(jù)集 ,并加入 ;P*i執(zhí)行算法5,求帶噪條件分布 ;end for D′6.返回 .

    3.2 差分隱私譜聚類算法

    譜聚類算法是根據(jù)數(shù)據(jù)點(diǎn)之間相似性程度進(jìn)行數(shù)據(jù)集聚類,對于關(guān)聯(lián)程度不高的屬性對,其相似值相應(yīng)較小,從而分割至不同的子集.本文采用最大信息系數(shù)作為屬性之間關(guān)聯(lián)程度衡量指標(biāo),MIC 不僅能高效檢測大數(shù)據(jù)集中不同類型屬性之間關(guān)聯(lián)關(guān)系,而且不需要進(jìn)行歸一化處理.選用K-means++聚類算法實(shí)現(xiàn)特征矩陣U的聚類劃分,K-means++算法選擇初始的聚類中心時,要求各聚類中心之間的相互距離要盡可能的遠(yuǎn).初始點(diǎn)選擇的優(yōu)化,使得K-means++算法在聚類結(jié)果準(zhǔn)確性上有較大提升.差分隱私譜聚類算法DPSC如算法3 所示.

    算法3.DPSC 算法輸入: 數(shù)據(jù)集,屬性集,尺度參數(shù) ,降維后的維度 ,聚類后的維度,隱私預(yù)算X C′={C1,C2,···,Ck}輸出: 屬性集 聚類劃分結(jié)果D={x1,x2,···,xn}X={X1,X2,···,Xd}σ k1kε1(Δm·d(d-1)■■■■■■■■■)1.計算的相似矩陣:2.執(zhí)行算法1 的步驟2-步驟6;d×dS sij=MIC(Xi,Xj)+Lap ,i≠j 0,i=j ε1·(2images/BZ_231_2132_2125_2223_2167.png);3.使用K-means++算法對新樣本點(diǎn)進(jìn)行聚類劃分得到劃分結(jié)果 ;C′={C1,C2,···,Ck}4.返回屬性聚類結(jié)果.U={u1,u2,···,uk1}C

    由于在計算屬性關(guān)聯(lián)程度時涉及到了原始數(shù)據(jù)集D的使用,為了保護(hù)數(shù)據(jù)集中的數(shù)據(jù)隱私不被泄露,采用Laplace 機(jī)制對計算結(jié)果添加噪聲.

    首先計算屬性間的最大信息系數(shù)的全局敏感度Δm,由式(5)可知,MIC 的計算取決于屬性間的互信息,故計算相似矩陣S的全局敏感度Δm=ΔI.由文獻(xiàn)[13]可知,

    從算法3 可以看出, Laplace 機(jī)制是通過多次擾動加噪過程實(shí)現(xiàn)的, 每次加噪都需要消耗部分隱私預(yù)算ε1. 由定義可知, 相似矩陣S是一個對稱矩陣, 且對角線元素不需要計算, 所以計算d(d-1)/2個不同元素的值就可以得到矩陣S. 每次訪問數(shù)據(jù)集D可以計算對屬性對之間的MIC, 因此, 對數(shù)據(jù)集D的訪問次數(shù), 即擾動總次數(shù)為d(d-1)/(2), 每次擾動添加的噪聲量為Lap((Δm·d(d-1))/(ε1·(2))). 由定義3 和性質(zhì)1 可知, 算法3 滿足 ε1-差分隱私.

    3.3 差分隱私貝葉斯網(wǎng)絡(luò)算法

    在基于貝葉斯網(wǎng)絡(luò)構(gòu)建數(shù)據(jù)發(fā)布模型的現(xiàn)有研究中,大多以文獻(xiàn)[13]中的PrivBayes 為參照進(jìn)一步改進(jìn)貝葉斯網(wǎng)絡(luò)的構(gòu)建設(shè)計發(fā)布算法[19-21].由于PrivBayes在構(gòu)建貝葉斯網(wǎng)絡(luò)時,隨機(jī)選取首個屬性加入父節(jié)點(diǎn)集合,這樣構(gòu)建的貝葉斯網(wǎng)絡(luò)不一定能真實(shí)反映原始數(shù)據(jù)集.與此同時,通過枚舉的方式選取互信息最大的對會造成大量無意義的計算,影響貝葉斯網(wǎng)絡(luò)的構(gòu)建速度.基于此,本文提出改進(jìn)的貝葉斯網(wǎng)絡(luò)構(gòu)建算法IBayes,IBayes 引入信息熵作為選取首個屬性的依據(jù),同時縮減候選屬性的對,以此達(dá)到快速構(gòu)建“最合適”的貝葉斯網(wǎng)絡(luò)的目的.IBayes 的實(shí)現(xiàn)過程如算法4 所示.

    算法4.IBayes 算法輸入: 數(shù)據(jù)子集,屬性子集,最大父節(jié)點(diǎn)數(shù),隱私預(yù)算DiNi Di={x1,x2,···,xn}Ci={X1,X2,···,X|Ci|}l ε2輸出: 數(shù)據(jù)子集 的貝葉斯網(wǎng)絡(luò)1.初始化,;CiXj(X j,?)Ni X jV Ni=?V=?2.使用指數(shù)機(jī)制從 中選取信息熵最大的屬性 ,將加入 ,將 加入 ;t=2 |C?|3.for to do Ω=?初始化;Xs∈CiV for V′=V令;S i(Xs,Xc)=0Xc∈V′If 且XcV′Πs∈■■■■■■■■V′將 從 中移除,且;(Xs,∏s)Ω將加入 ;l■■■■■■■■end for使用指數(shù)機(jī)制從 中選擇互信息最大的加入 ,同時 加入 ;Ω(Xt,Πt)NiXtV end for 4.返回 .Ni

    信息熵是對信息不確定性的度量,與信息的不確定性呈正相關(guān).信息熵越大,攜帶的信息量越多,能更多地反映出數(shù)據(jù)的多樣性,增加數(shù)據(jù)的實(shí)用價值,反之亦然.因此,引入信息熵作為選取首個屬性的依據(jù)是合理的.

    對于數(shù)據(jù)集Di中的每個屬性Xj,其信息熵H(Xj)計算如下:

    根據(jù)式(7)可知,當(dāng)取不同值的概率相等時信息熵最大,即Xj中有n個不同的取值時H(Xj)取得最大值,為

    通過圖3 的實(shí)例可以說明屬性信息熵的最大差異.

    圖3 信息熵差異實(shí)例

    根據(jù)圖3(a)取值概率分布計算H(Xj)的值為0,通過圖3(b)計算H(Xj)的值為.在此基礎(chǔ)上,可以得出屬性信息熵的全局敏感度ΔH為:

    PrivBayes 通過枚舉選擇互信息最大的屬性對時,候選對越多,對算法的時間復(fù)雜的影響越大.因此,本文在求解候選屬性的父節(jié)點(diǎn)集時,篩選關(guān)聯(lián)程度弱的屬性對,減少對互信息的計算量.篩選操作通過關(guān)聯(lián)矩陣Si實(shí)現(xiàn).從相似矩陣S中提取出相關(guān)屬性子集的最大信息系數(shù),根據(jù)式(9)得到Si:

    IBayes算法使用指數(shù)機(jī)制選取加入Ni中的首個屬性節(jié)點(diǎn),同時從 Ω中選擇對加入Ni,評分函數(shù)分別采用屬性信息熵和互信息.由于Δu=ΔI=ΔH,除選取加入Ni中的首個屬性節(jié)點(diǎn)外,選擇需要執(zhí)行|Ci|-1次,故將 ε2平均分為|Ci|份.因此,結(jié)合差分隱私指數(shù)機(jī)制,選擇的概率表達(dá)式如式(10):

    IBayes 算法最終輸出一個貝葉斯網(wǎng)絡(luò)Ni,除了使用指數(shù)機(jī)制選取首個屬性節(jié)點(diǎn)和對之外,其他步驟均無需訪問原始數(shù)據(jù)集D.在構(gòu)建貝葉斯網(wǎng)絡(luò)之前,HMPrivBayes 算法已經(jīng)通過算法3 將原始數(shù)據(jù)集D劃分為k個獨(dú)立數(shù)據(jù)子集D1,···,Dk.根據(jù)定義4 和性質(zhì)1,指數(shù)機(jī)制exp(ε2u(Di,r)/(2|Ci|Δu))滿足 ε2-差分隱私,因此IBayes 算法滿足 ε2-差分隱私.

    3.4 差分隱私異構(gòu)條件分布計算

    通過貝葉斯網(wǎng)絡(luò)計算屬性的聯(lián)合分布,生成合成數(shù)據(jù)集,可以近似原始數(shù)據(jù)集.盡管貝葉斯網(wǎng)絡(luò)的構(gòu)建過程滿足差分隱私保護(hù),但仍存在隱私泄露的可能.因此,需要對計算出來的屬性聯(lián)合分布添加噪聲擾動,以進(jìn)一步保護(hù)隱私數(shù)據(jù).之前的研究均通過均分隱私預(yù)算實(shí)現(xiàn)聯(lián)合分布噪聲擾動,這種方式?jīng)]有考慮到屬性敏感性差異.屬性攜帶的信息量越多,幫助攻擊者推出目標(biāo)信息的貢獻(xiàn)越大,也就意味著它對外發(fā)布的敏感性越高.基于此,本文提出差分隱私異構(gòu)條件分布計算算法HnoisyConditionals,具體實(shí)現(xiàn)過程如算法5所示.

    算法5.HnoisyConditionals 算法輸入: 數(shù)據(jù)集,貝葉斯網(wǎng)絡(luò) ,隱私預(yù)算NiP*i輸出: 根據(jù) 生成的帶噪聲的條件分布集Di={x1,x2,···,xn}Niε3 P*i=?l′=min(|Ci|-1,d)1.初始化,令;j=l′+1 |Ci|2.for to do X jPr(X j,∏)構(gòu)建 的聯(lián)合分布;j■■■■■■■■■■2 Lap∑|Ci|j=l′+1 exp(-OE j)■■■■■■■■■■nε3×加入拉普拉斯噪聲,實(shí)現(xiàn)差分隱私;Pr*(X j,∏j)Pr*(X j,∏)exp(-OE j)j中的負(fù)值歸0 并正?;?Pr*(X j,∏j)Pr*(X j|∏j)P*i從中提取并加入 ;設(shè)end for j=1l′3.for to do Pr*(Xl′+1,∏l′+1)Pr*(X j|∏j)P*i從中提取加入 ;end for P*i 4.返回 .

    根據(jù)式(7),歸一化風(fēng)險熵計算公式如下:

    在算法5 中,向聯(lián)合分布注入噪聲不再采取均分策略,而是以歸一化風(fēng)險熵為權(quán)重分配隱私預(yù)算.由文獻(xiàn)[13]可知,聯(lián)合分布全局敏感度為 2/n.因此,每次對聯(lián)合分布添加的拉普拉斯噪聲大小為:

    其中,屬性歸一化風(fēng)險熵OEj越大,屬性敏感性越高,需要的隱私保護(hù)強(qiáng)度越大,分配的隱私預(yù)算也就越小.由定義3 和性質(zhì)1 可知,算法5 滿足 ε3-差分隱私.

    3.5 隱私分析

    定理1.HMPrivBayes 算法滿足ε-差分隱私.

    證明: 在HMPrivBayes 的整個執(zhí)行過程中,其中有3 步涉及原始數(shù)據(jù)集的訪問,分別是屬性分割、構(gòu)建差分隱私貝葉斯網(wǎng)絡(luò)和提取屬性噪聲條件分布,下面分別討論這3 步的隱私保護(hù)強(qiáng)度.

    對于屬性分割,需要重復(fù)訪問數(shù)據(jù)集D計算屬性對的MIC,每次訪問數(shù)據(jù)集D可以計算對屬性對的MIC,相似矩陣S中有d(d-1)/2個不同的MIC 值需要計算,因此,需訪問d(d-1)/(2)次數(shù)據(jù)集D.MIC計算的敏感度為Δm,故每次擾動添加的噪聲量為Lap((Δm·d(d-1))/(ε1·(2))),進(jìn)而屬性分割滿足ε1-差分隱私.

    在貝葉斯網(wǎng)絡(luò)構(gòu)建階段,需要借助指數(shù)機(jī)制exp(ε2H(Xj)/(2|Ci|ΔH))從數(shù)據(jù)子集Di中選取加入Ni的首個屬性節(jié)點(diǎn).指數(shù)機(jī)制用于選擇互信息最大的對加入Ni,執(zhí)行|Ci|-1次,因此貝葉斯網(wǎng)絡(luò)構(gòu)建滿足 ε2-差分隱私.

    從貝葉斯網(wǎng)絡(luò)Ni中提取屬性條件分布時,需要往|Ci|-l′個屬性聯(lián)合分布中添加噪聲擾動,進(jìn)一步保護(hù)數(shù)據(jù)隱私.為了兼顧屬性敏感性的差異,隱私預(yù)算根據(jù)屬性Xj的歸一化風(fēng)險熵OEj異構(gòu)分配,添加的噪聲量為,其中聯(lián)合分布計算的敏感度為 2/n.因此,屬性條件分布計算滿足 ε3-差分隱私.

    綜上,HMPrivBayes 算法滿足 ε-差分隱私,其中ε1+ε2+ε3=ε.

    4 實(shí)驗(yàn)評估

    4.1 實(shí)驗(yàn)設(shè)置

    本次實(shí)驗(yàn)使用Python 編程語言來實(shí)現(xiàn)所有的方法,其中貝葉斯網(wǎng)絡(luò)模型部分的實(shí)現(xiàn)參考了Zhang 等人[13]論文的實(shí)驗(yàn)相關(guān)代碼.實(shí)驗(yàn)的硬件環(huán)境為AMD Ryzen7 4800H (2.90 GHz),操作系統(tǒng)為Windows 10(64 位),內(nèi)存為16 GB.

    實(shí)驗(yàn)采用兩個公開可用的數(shù)據(jù)集Adult[27]和Big5[28].其中,Adult 為美國人口普查數(shù)據(jù)集,包含45 222 條個體信息記錄,每條記錄包含15 個屬性.Big5是包含19 719條人口普查記錄的信息集合,每條記錄包含57 個屬性.利用等寬法完成屬性轉(zhuǎn)化后,二進(jìn)制屬性的數(shù)量分別為52 和175.兩個數(shù)據(jù)集的詳細(xì)信息如表1 所示.

    表1 數(shù)據(jù)集屬性信息描述

    對于這兩個數(shù)據(jù)集,隱私預(yù)算分配策略為ε1=a1/aε,ε2=a2/aε,ε3=a3/aε,其中a=a1+a2+a3,屬性分類簇個數(shù)k默認(rèn)值為3,貝葉斯網(wǎng)絡(luò)的最大入度數(shù)l默認(rèn)值為3.

    4.2 評價指標(biāo)

    本文通過 α-邊際分布[29]和SVM (support vector machine)分類[30]來評估算法的性能.實(shí)驗(yàn)選取2-邊際分布和3-邊際分布作為 α-邊際分布評估的實(shí)例,通過計算生成的噪聲邊際分布和原始邊際分布的平均變量距離(average variation distance,AVD)[31]確性.L1距離的一半:

    其中,P(ω)和Q(ω)分別表示加噪前后的邊際分布,?表示邊際分布集合.

    實(shí)驗(yàn)通過度量SVM 分類的準(zhǔn)確性,分析生成的噪聲數(shù)據(jù)集的有效性.本組實(shí)驗(yàn)在噪聲數(shù)據(jù)集上同時訓(xùn)練2 個分類器,通過分析合成數(shù)據(jù)集的其他屬性預(yù)測目標(biāo)屬性的分類結(jié)果.對于Adult 數(shù)據(jù)集,選取salary作為分類實(shí)例,預(yù)測個體每年收入是否超過50k.對于Big5 數(shù)據(jù)集,選取age 作為分類實(shí)例,預(yù)測個體年齡是否在50 歲以下.每個分類任務(wù),將合成數(shù)據(jù)集按照8:2 分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集,重復(fù)運(yùn)行50 次,并記錄實(shí)驗(yàn)結(jié)果的平均值.

    4.3 實(shí)驗(yàn)結(jié)果

    本文將通過3 個不同的實(shí)驗(yàn)來分析HMPrivBayes算法的可用性和高效性.為了更好地評估HMPrivBayes方案的性能,本節(jié)采用的對比算法包括: PrivSCBN、PrivBayes、Jtree、NoPrivacy.其中,PrivSCBN 算法[20]、PrivBayes 算法[13]均是基于貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)發(fā)布算法,Jtree[14]是基于聯(lián)合樹的數(shù)據(jù)發(fā)布算法,NoPrivacy是HMPrivBayes 不添加噪聲擾動的數(shù)據(jù)發(fā)布情況.

    第1 個實(shí)驗(yàn)是為了驗(yàn)證HMPrivBayes 算法的安全性,比較在不同記錄數(shù)量下,敏感屬性隱私泄露的可能性.在Adult 數(shù)據(jù)集原有的45 222 條記錄的基礎(chǔ)上,隨機(jī)產(chǎn)生54 778 條記錄,生成包含100 000 條記錄的數(shù)據(jù)集,并將salary 作為敏感屬性.由于隱私預(yù)算ε不是該實(shí)驗(yàn)關(guān)心的變量,故將ε固定為0.2.實(shí)驗(yàn)結(jié)果如圖4 所示,從圖中可以看出,隨著記錄數(shù)的增加隱私泄露概率逐漸下降,即攻擊者根據(jù)其他屬性信息推斷出salary 屬性值的概率逐漸下降,而且HMPrivBayes算法安全性高于PrivBayes 算法和PrivSCBN 算法.這是因?yàn)?HMPrivBayes 算法根據(jù)屬性敏感性決定隱私預(yù)算分配大小,能對多屬性數(shù)據(jù)發(fā)布提供更安全的隱私保護(hù).

    圖4 數(shù)據(jù)安全性分析

    第2 個實(shí)驗(yàn)是對HMPrivBayes 算法數(shù)據(jù)性能的分析,圖5(a)-圖5(d)分別對比了在不同ε取值下,算法HMPrivBayes、PrivSCBN、PrivBayes、Jtree 的合成數(shù)據(jù)集的邊際分布與原始數(shù)據(jù)集邊際分布之間AVD 的變化.圖5(e)-圖5(f)顯示了算法HMPrivBayes、PrivSCBN、PrivBayes、Jtree 的合成數(shù)據(jù)集訓(xùn)練2 個分類器的誤分類率在不同ε取值下的變化趨勢.

    圖5 算法HMPrivBayes、PrivSCBN、PrivBayes、Jtree 在不同隱私預(yù)算下的性能分析

    可以看出,對于NoPrivacy,邊際分布之間的AVD和分類器的誤分類率均與隱私預(yù)算 ε的取值無關(guān),且NoPrivacy 的性能均優(yōu)于其他方法的性能.隨著隱私預(yù)算ε取值的增大,隱私保護(hù)強(qiáng)度下降,合成數(shù)據(jù)的兩項(xiàng)指標(biāo)越來越接近NoPrivacy 的情況,這符合差分隱私的規(guī)律.在多數(shù)情況下,HMPrivBayes 的性能均優(yōu)于PrivSCBN、PrivBayes、Jtree 的性能,僅當(dāng)隱私預(yù)算ε足夠大時,HMPrivBayes 與PrivSCBN 性能趨于接近.這說明本文提出的各種貝葉斯網(wǎng)絡(luò)改進(jìn)策略以及異構(gòu)屬性發(fā)布策略是有效的.

    第3 個實(shí)驗(yàn)是對HMPrivBayes 算法計算效率的分析,比較在貝葉斯網(wǎng)絡(luò)不同最大入度數(shù)l下,算法的整體運(yùn)行時間.由于隱私預(yù)算ε不是該實(shí)驗(yàn)關(guān)心的變量,故將ε固定為0.2.實(shí)驗(yàn)結(jié)果如圖6 所示,隨著最大入度數(shù)l的增加,整體運(yùn)行時間大幅上升.比較圖6(a)-圖6(b)可以看出,隨著屬性數(shù)目的增加,算法整體運(yùn)行時間也大幅增加.不過,HMPrivBayes 的運(yùn)行時間遠(yuǎn)低于PrivBayes 算法,而且屬性越多,兩者運(yùn)行時間的差距越大,這說明HMPrivBayes 的效率得到了較好的提升.效率的提升一方面在于,HMPrivBayes 利用聚類算法分割屬性集,縮減了單個貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)空間; 另一方面在于,借助屬性關(guān)聯(lián)強(qiáng)度,縮減了候選屬性對集合.

    圖6 算法運(yùn)行時間分析

    5 結(jié)束語

    針對差分隱私異構(gòu)多屬性數(shù)據(jù)發(fā)布問題,本文提出了一種基于屬性分割的異構(gòu)多屬性數(shù)據(jù)差分隱私發(fā)布方法HMPrivBayes.與已有多屬性數(shù)據(jù)發(fā)布算法不同的是,HMPrivBayes 基于屬性敏感性差異給予屬性數(shù)據(jù)相對應(yīng)的隱私保護(hù)強(qiáng)度,避免了多屬性數(shù)據(jù)隱私保護(hù)不均勻的問題,進(jìn)而提高數(shù)據(jù)可用性.與此同時,該方法通過引入屬性分割、改進(jìn)貝葉斯構(gòu)建過程等都實(shí)現(xiàn)了算法整體計算效率的提升.在不破壞屬性關(guān)聯(lián)的前提下,以屬性歸一化風(fēng)險熵為權(quán)重分配隱私預(yù)算,實(shí)現(xiàn)異構(gòu)多屬性數(shù)據(jù)發(fā)布.理論證明,HMPrivBayes 滿足ε-差分隱私.實(shí)驗(yàn)結(jié)果表明,HMPrivBayes 方法在提升算法整體計算效率的基礎(chǔ)上,保證了數(shù)據(jù)發(fā)布的可用性在未來的研究中,我們將考慮基于差分隱私的分布式異構(gòu)多屬性數(shù)據(jù)發(fā)布,即如何在多方設(shè)置中實(shí)現(xiàn)異構(gòu)多屬性數(shù)據(jù)發(fā)布.

    久久精品国产综合久久久| 欧美丝袜亚洲另类 | 国产v大片淫在线免费观看| 久9热在线精品视频| 欧美性感艳星| 舔av片在线| 亚洲av免费在线观看| 黄片小视频在线播放| 成人三级黄色视频| www日本黄色视频网| 久久中文看片网| 久久久国产精品麻豆| 亚洲av免费在线观看| 国产精品日韩av在线免费观看| 亚洲狠狠婷婷综合久久图片| 深爱激情五月婷婷| 99国产精品一区二区蜜桃av| 99在线视频只有这里精品首页| 别揉我奶头~嗯~啊~动态视频| 色视频www国产| 日韩欧美在线二视频| 高清在线国产一区| 欧美极品一区二区三区四区| 国产亚洲av嫩草精品影院| 超碰av人人做人人爽久久 | 国产麻豆成人av免费视频| 国产在视频线在精品| 97超级碰碰碰精品色视频在线观看| 首页视频小说图片口味搜索| 内地一区二区视频在线| 最近最新中文字幕大全电影3| 日本在线视频免费播放| 成人一区二区视频在线观看| 窝窝影院91人妻| 看片在线看免费视频| 女警被强在线播放| 一级毛片高清免费大全| 99热这里只有精品一区| 在线国产一区二区在线| 亚洲色图av天堂| 国产av一区在线观看免费| 婷婷丁香在线五月| 亚洲久久久久久中文字幕| 国产成人欧美在线观看| 美女高潮的动态| 桃色一区二区三区在线观看| 国产成人aa在线观看| 一级黄片播放器| 人妻久久中文字幕网| 国产在线精品亚洲第一网站| 亚洲av中文字字幕乱码综合| 欧美乱色亚洲激情| 婷婷亚洲欧美| 国产精品亚洲一级av第二区| 成年女人看的毛片在线观看| 亚洲成人久久性| 91字幕亚洲| 村上凉子中文字幕在线| 国产欧美日韩一区二区三| 成人特级av手机在线观看| 国产一区二区在线av高清观看| 中文字幕熟女人妻在线| 免费搜索国产男女视频| 久久久久九九精品影院| 男人的好看免费观看在线视频| 99riav亚洲国产免费| tocl精华| 在线看三级毛片| 日本黄色片子视频| 校园春色视频在线观看| 久久久久久久亚洲中文字幕 | 国产伦一二天堂av在线观看| 又黄又爽又免费观看的视频| 国产精品国产高清国产av| 欧美最新免费一区二区三区 | 夜夜躁狠狠躁天天躁| 色综合婷婷激情| 国产乱人伦免费视频| 国产高清视频在线播放一区| 久久久久亚洲av毛片大全| 亚洲av成人不卡在线观看播放网| av天堂在线播放| 丁香欧美五月| 中文字幕人成人乱码亚洲影| 国产精品,欧美在线| 日韩欧美三级三区| 五月玫瑰六月丁香| 国产精品日韩av在线免费观看| 日韩欧美免费精品| 一个人观看的视频www高清免费观看| 亚洲av免费高清在线观看| 欧美丝袜亚洲另类 | 丰满人妻一区二区三区视频av | 桃红色精品国产亚洲av| 欧美成人一区二区免费高清观看| www.www免费av| 国产成人av教育| 法律面前人人平等表现在哪些方面| 精品久久久久久久久久免费视频| 成人欧美大片| 色综合婷婷激情| 99久久九九国产精品国产免费| 亚洲专区国产一区二区| 国产精品亚洲一级av第二区| 男人舔奶头视频| 亚洲自拍偷在线| 欧美黄色片欧美黄色片| 露出奶头的视频| 国产精品女同一区二区软件 | h日本视频在线播放| 婷婷亚洲欧美| 又粗又爽又猛毛片免费看| 最好的美女福利视频网| 他把我摸到了高潮在线观看| 国产欧美日韩一区二区三| 美女高潮喷水抽搐中文字幕| 精品久久久久久久毛片微露脸| 久久久久久久午夜电影| 91字幕亚洲| 亚洲精品亚洲一区二区| 国产野战对白在线观看| 精品人妻偷拍中文字幕| 欧美又色又爽又黄视频| avwww免费| 高清日韩中文字幕在线| 久久久久久大精品| 偷拍熟女少妇极品色| 午夜福利在线观看吧| 99在线视频只有这里精品首页| 国产v大片淫在线免费观看| 国产伦精品一区二区三区四那| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲精品在线美女| 亚洲欧美日韩无卡精品| 草草在线视频免费看| 欧美一区二区国产精品久久精品| 母亲3免费完整高清在线观看| 亚洲国产色片| 午夜福利成人在线免费观看| 啦啦啦观看免费观看视频高清| 国产黄片美女视频| 精品一区二区三区人妻视频| 91av网一区二区| 亚洲精品美女久久久久99蜜臀| 99精品欧美一区二区三区四区| 淫秽高清视频在线观看| 久久亚洲真实| 国产淫片久久久久久久久 | 免费看美女性在线毛片视频| 午夜免费激情av| 久99久视频精品免费| 精品日产1卡2卡| 精品久久久久久久人妻蜜臀av| 网址你懂的国产日韩在线| 国内少妇人妻偷人精品xxx网站| 国产午夜精品久久久久久一区二区三区 | a级毛片a级免费在线| 国产精品一及| 综合色av麻豆| 黄片大片在线免费观看| 在线看三级毛片| 两个人看的免费小视频| 国产熟女xx| 国产熟女xx| 成人国产综合亚洲| 熟女电影av网| 搡老岳熟女国产| 变态另类丝袜制服| 黄色视频,在线免费观看| 91在线精品国自产拍蜜月 | 亚洲一区二区三区不卡视频| 成人特级黄色片久久久久久久| 国产精品综合久久久久久久免费| 免费看a级黄色片| 国产伦精品一区二区三区视频9 | 久9热在线精品视频| 亚洲久久久久久中文字幕| 亚洲中文日韩欧美视频| 精品国产超薄肉色丝袜足j| 丁香欧美五月| 丰满人妻一区二区三区视频av | 免费在线观看成人毛片| 国产在线精品亚洲第一网站| 亚洲成av人片在线播放无| 黄色成人免费大全| 此物有八面人人有两片| 国产高清激情床上av| 久久精品影院6| 一夜夜www| 麻豆成人午夜福利视频| 国产97色在线日韩免费| 国产色爽女视频免费观看| 99久久九九国产精品国产免费| 成人国产一区最新在线观看| 热99在线观看视频| 九色成人免费人妻av| 日韩欧美免费精品| 中国美女看黄片| 熟女人妻精品中文字幕| e午夜精品久久久久久久| 在线播放国产精品三级| 可以在线观看毛片的网站| 欧美日本视频| 女同久久另类99精品国产91| 久久久久久九九精品二区国产| 久久亚洲精品不卡| 俄罗斯特黄特色一大片| 国产精华一区二区三区| 亚洲成a人片在线一区二区| 欧美中文综合在线视频| 在线观看舔阴道视频| 在线天堂最新版资源| 日韩成人在线观看一区二区三区| 欧美日韩中文字幕国产精品一区二区三区| 亚洲精华国产精华精| 特大巨黑吊av在线直播| 久久精品国产亚洲av涩爱 | 欧美国产日韩亚洲一区| 亚洲va日本ⅴa欧美va伊人久久| 欧美日本亚洲视频在线播放| 无遮挡黄片免费观看| 丰满的人妻完整版| 天天躁日日操中文字幕| 精品久久久久久成人av| 久久久久免费精品人妻一区二区| 久99久视频精品免费| 欧美国产日韩亚洲一区| 国产精品99久久久久久久久| 国产爱豆传媒在线观看| 男女床上黄色一级片免费看| 亚洲精品久久国产高清桃花| 国产亚洲欧美98| 搡老熟女国产l中国老女人| av在线蜜桃| 99精品欧美一区二区三区四区| 午夜福利视频1000在线观看| 欧美国产日韩亚洲一区| 日韩精品中文字幕看吧| 欧美日本亚洲视频在线播放| 国产亚洲欧美在线一区二区| 别揉我奶头~嗯~啊~动态视频| 精品一区二区三区av网在线观看| 欧美日韩黄片免| 国产精品久久久久久精品电影| 国产精品精品国产色婷婷| www国产在线视频色| 99久久九九国产精品国产免费| 国产主播在线观看一区二区| 久久久久久久精品吃奶| 特大巨黑吊av在线直播| 欧美绝顶高潮抽搐喷水| 亚洲美女黄片视频| av在线天堂中文字幕| 久久久国产成人精品二区| 国产成+人综合+亚洲专区| 91av网一区二区| 成人午夜高清在线视频| 成年女人毛片免费观看观看9| 欧美+日韩+精品| 精华霜和精华液先用哪个| 国产伦人伦偷精品视频| 久久草成人影院| 国产精品99久久99久久久不卡| 国产一区在线观看成人免费| 在线观看美女被高潮喷水网站 | 我要搜黄色片| 亚洲成a人片在线一区二区| 久久久久免费精品人妻一区二区| 色在线成人网| 制服丝袜大香蕉在线| 久久久国产成人精品二区| 香蕉久久夜色| 97碰自拍视频| 欧美一区二区国产精品久久精品| av女优亚洲男人天堂| 成人一区二区视频在线观看| 人妻夜夜爽99麻豆av| 国产国拍精品亚洲av在线观看 | 精品久久久久久久人妻蜜臀av| 日本免费一区二区三区高清不卡| 国产欧美日韩精品亚洲av| 成人性生交大片免费视频hd| 国产精品野战在线观看| 老熟妇仑乱视频hdxx| 欧美性猛交╳xxx乱大交人| 99久久精品国产亚洲精品| 欧美乱色亚洲激情| 久久国产乱子伦精品免费另类| 狠狠狠狠99中文字幕| 亚洲男人的天堂狠狠| 在线a可以看的网站| 一进一出好大好爽视频| 国产成人影院久久av| 日韩大尺度精品在线看网址| 麻豆久久精品国产亚洲av| 亚洲av免费在线观看| av女优亚洲男人天堂| 国产成人a区在线观看| 欧美一区二区精品小视频在线| 88av欧美| 日韩有码中文字幕| 国产熟女xx| 国产一区在线观看成人免费| 欧美成人性av电影在线观看| 蜜桃久久精品国产亚洲av| 精品不卡国产一区二区三区| 精品国产美女av久久久久小说| 午夜福利视频1000在线观看| 免费人成在线观看视频色| 日韩欧美国产一区二区入口| 丰满乱子伦码专区| 亚洲一区高清亚洲精品| 欧美不卡视频在线免费观看| 久久婷婷人人爽人人干人人爱| 午夜福利视频1000在线观看| 国产色婷婷99| 嫩草影视91久久| 制服丝袜大香蕉在线| 欧美国产日韩亚洲一区| 不卡一级毛片| 一个人免费在线观看的高清视频| 两人在一起打扑克的视频| 婷婷亚洲欧美| 岛国视频午夜一区免费看| 黄色片一级片一级黄色片| 亚洲国产精品合色在线| 国产精品,欧美在线| 午夜激情欧美在线| 在线观看舔阴道视频| 啦啦啦免费观看视频1| 免费看十八禁软件| 精品国内亚洲2022精品成人| 波多野结衣高清无吗| 亚洲内射少妇av| 亚洲成a人片在线一区二区| 白带黄色成豆腐渣| 丰满人妻一区二区三区视频av | 免费观看精品视频网站| 国产乱人视频| 日本免费a在线| 成人亚洲精品av一区二区| 欧美区成人在线视频| 成人特级av手机在线观看| 久久久久性生活片| 国产乱人伦免费视频| 国产黄a三级三级三级人| 久久草成人影院| 中文亚洲av片在线观看爽| 变态另类丝袜制服| 久久精品国产99精品国产亚洲性色| 白带黄色成豆腐渣| 亚洲精品国产精品久久久不卡| 日本撒尿小便嘘嘘汇集6| 麻豆一二三区av精品| 女人高潮潮喷娇喘18禁视频| 国产精品 国内视频| 一级毛片女人18水好多| 久久人人精品亚洲av| 亚洲国产精品sss在线观看| 色播亚洲综合网| 欧美最黄视频在线播放免费| 精品久久久久久,| 国产精华一区二区三区| 9191精品国产免费久久| 亚洲美女视频黄频| 国产淫片久久久久久久久 | 日韩欧美在线二视频| 人妻夜夜爽99麻豆av| 精品免费久久久久久久清纯| 中文在线观看免费www的网站| 麻豆久久精品国产亚洲av| 99国产综合亚洲精品| 色尼玛亚洲综合影院| 91字幕亚洲| 久久6这里有精品| 欧美最黄视频在线播放免费| 男女午夜视频在线观看| 亚洲国产精品成人综合色| 国产高清videossex| 亚洲av成人不卡在线观看播放网| 亚洲av熟女| 亚洲在线观看片| 村上凉子中文字幕在线| 亚洲av免费高清在线观看| 伊人久久精品亚洲午夜| 一进一出好大好爽视频| 97超级碰碰碰精品色视频在线观看| 国产精品国产高清国产av| 免费高清视频大片| 国产真实乱freesex| 91在线观看av| 亚洲美女视频黄频| 成人性生交大片免费视频hd| 国产探花极品一区二区| 久久精品国产亚洲av香蕉五月| 青草久久国产| 国产午夜精品论理片| 国产私拍福利视频在线观看| 日本黄色片子视频| 亚洲中文字幕一区二区三区有码在线看| 精品久久久久久久毛片微露脸| 在线播放国产精品三级| 又粗又爽又猛毛片免费看| 日韩欧美精品免费久久 | 一本综合久久免费| 国产精品,欧美在线| 日本黄色片子视频| 99视频精品全部免费 在线| 极品教师在线免费播放| 国产高清三级在线| 国产三级在线视频| 免费看十八禁软件| 亚洲无线观看免费| 波多野结衣高清作品| 国产v大片淫在线免费观看| 亚洲中文字幕一区二区三区有码在线看| 男女之事视频高清在线观看| 欧美最黄视频在线播放免费| 国产免费av片在线观看野外av| 美女 人体艺术 gogo| 网址你懂的国产日韩在线| 一个人免费在线观看的高清视频| 精品99又大又爽又粗少妇毛片 | 亚洲avbb在线观看| 成人国产一区最新在线观看| 一边摸一边抽搐一进一小说| 91九色精品人成在线观看| 天堂动漫精品| 国产视频内射| 国产精品98久久久久久宅男小说| 亚洲熟妇熟女久久| 法律面前人人平等表现在哪些方面| 亚洲 国产 在线| 性色avwww在线观看| 好看av亚洲va欧美ⅴa在| 日本精品一区二区三区蜜桃| 免费看日本二区| 亚洲最大成人中文| 精品一区二区三区人妻视频| 嫩草影院精品99| 淫妇啪啪啪对白视频| 国产高清激情床上av| 老司机午夜十八禁免费视频| 国产精品乱码一区二三区的特点| 丰满人妻一区二区三区视频av | 国产亚洲精品一区二区www| 免费高清视频大片| 亚洲男人的天堂狠狠| 国产三级在线视频| 久久午夜亚洲精品久久| 日韩精品中文字幕看吧| 亚洲狠狠婷婷综合久久图片| 欧洲精品卡2卡3卡4卡5卡区| 久久国产乱子伦精品免费另类| 精品熟女少妇八av免费久了| 在线a可以看的网站| 天美传媒精品一区二区| 欧美大码av| 午夜a级毛片| 97超级碰碰碰精品色视频在线观看| 精品国产超薄肉色丝袜足j| 丝袜美腿在线中文| 免费av观看视频| 亚洲av美国av| 狂野欧美激情性xxxx| 欧美又色又爽又黄视频| 久久九九热精品免费| h日本视频在线播放| 叶爱在线成人免费视频播放| 欧美最黄视频在线播放免费| 国产精品,欧美在线| 欧美另类亚洲清纯唯美| 男女午夜视频在线观看| 国产真实乱freesex| 国产精品1区2区在线观看.| 少妇裸体淫交视频免费看高清| 成人欧美大片| www.色视频.com| 亚洲久久久久久中文字幕| 午夜影院日韩av| 在线观看免费午夜福利视频| 一级黄色大片毛片| 最近最新中文字幕大全免费视频| 亚洲一区二区三区不卡视频| 一个人免费在线观看的高清视频| 真实男女啪啪啪动态图| 欧美在线黄色| 性欧美人与动物交配| 日韩欧美国产一区二区入口| 一本一本综合久久| 国产老妇女一区| 一个人观看的视频www高清免费观看| 亚洲av第一区精品v没综合| 成人精品一区二区免费| 十八禁网站免费在线| 国产精品一区二区免费欧美| 国产精品久久久人人做人人爽| 亚洲不卡免费看| 久久精品国产自在天天线| 在线免费观看不下载黄p国产 | 中出人妻视频一区二区| 亚洲真实伦在线观看| 美女 人体艺术 gogo| 国产高潮美女av| 欧美色视频一区免费| 亚洲电影在线观看av| 十八禁人妻一区二区| 免费无遮挡裸体视频| 女人十人毛片免费观看3o分钟| 日本熟妇午夜| 性色av乱码一区二区三区2| 欧美乱码精品一区二区三区| 午夜福利免费观看在线| 真人做人爱边吃奶动态| 亚洲精品国产精品久久久不卡| 欧美一级a爱片免费观看看| 一进一出好大好爽视频| 色尼玛亚洲综合影院| 久久亚洲精品不卡| 成熟少妇高潮喷水视频| 亚洲成人中文字幕在线播放| 欧美成人免费av一区二区三区| 亚洲乱码一区二区免费版| 国产69精品久久久久777片| 两个人的视频大全免费| 桃红色精品国产亚洲av| 中文亚洲av片在线观看爽| 亚洲五月婷婷丁香| 亚洲中文字幕日韩| 国产精华一区二区三区| 欧美日韩黄片免| 午夜精品在线福利| 国产99白浆流出| 亚洲成av人片免费观看| 亚洲中文字幕一区二区三区有码在线看| 免费观看的影片在线观看| 精品国产亚洲在线| 欧美成狂野欧美在线观看| 日本黄大片高清| 欧美色视频一区免费| 夜夜看夜夜爽夜夜摸| 欧美成狂野欧美在线观看| 国产99白浆流出| 日本一二三区视频观看| 黄色成人免费大全| 成人无遮挡网站| 亚洲成人免费电影在线观看| www.www免费av| 午夜两性在线视频| 男插女下体视频免费在线播放| 九九在线视频观看精品| 久久精品91无色码中文字幕| 一个人看的www免费观看视频| 男女视频在线观看网站免费| 网址你懂的国产日韩在线| 久久精品91无色码中文字幕| 99视频精品全部免费 在线| 欧美乱妇无乱码| 亚洲成人久久性| bbb黄色大片| 伊人久久大香线蕉亚洲五| 欧美色欧美亚洲另类二区| 午夜福利18| 欧美另类亚洲清纯唯美| 久久久久久久久大av| 国产成人a区在线观看| 九色成人免费人妻av| a级一级毛片免费在线观看| 嫩草影院精品99| 欧美乱色亚洲激情| 亚洲黑人精品在线| 亚洲人成网站在线播放欧美日韩| 美女cb高潮喷水在线观看| 国产99白浆流出| 18禁黄网站禁片午夜丰满| 亚洲av成人不卡在线观看播放网| 女警被强在线播放| 亚洲美女黄片视频| 成人亚洲精品av一区二区| 国产免费av片在线观看野外av| 亚洲第一电影网av| 久久久久久久久大av| 高清在线国产一区| 久久精品人妻少妇| 51国产日韩欧美| 女人高潮潮喷娇喘18禁视频| 免费在线观看亚洲国产| 国产精品国产高清国产av| 丝袜美腿在线中文| 亚洲人成网站在线播放欧美日韩| 在线观看午夜福利视频| 亚洲 欧美 日韩 在线 免费| 欧美日韩一级在线毛片| 女人高潮潮喷娇喘18禁视频| 精品午夜福利视频在线观看一区| 最新中文字幕久久久久| 内地一区二区视频在线| 国产免费av片在线观看野外av| 一卡2卡三卡四卡精品乱码亚洲| 国产av在哪里看| 国产精品嫩草影院av在线观看 | 淫妇啪啪啪对白视频| 亚洲国产精品sss在线观看| 亚洲人成电影免费在线| 欧美绝顶高潮抽搐喷水| 色综合站精品国产| 夜夜躁狠狠躁天天躁| av欧美777| 国产精品 欧美亚洲| 国产91精品成人一区二区三区| av黄色大香蕉| 长腿黑丝高跟| 国产伦在线观看视频一区| 日韩av在线大香蕉| 国产老妇女一区|