• <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 ?

    基于評(píng)分離散度的托攻擊檢測(cè)算法*

    2022-12-23 09:52:42賈俊杰段超強(qiáng)
    關(guān)鍵詞:選擇項(xiàng)分類(lèi)特征

    賈俊杰,段超強(qiáng)

    (西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,甘肅 蘭州 730070)

    1 引言

    目前,推薦系統(tǒng)大量應(yīng)用于電商、社交媒體、電影推薦和外賣(mài)等互聯(lián)網(wǎng)服務(wù)中。推薦系統(tǒng)通過(guò)收集、分析用戶(hù)信息,向用戶(hù)推薦可能感興趣的信息,以滿(mǎn)足用戶(hù)個(gè)性化的服務(wù)需求?,F(xiàn)代推薦系統(tǒng)通常采用基于協(xié)同過(guò)濾CF(Collaborative Filtering)[1]的推薦算法,協(xié)同過(guò)濾基于與用戶(hù)相似的用戶(hù)的偏好,通過(guò)用戶(hù)的歷史行為尋找與目標(biāo)用戶(hù)相似的用戶(hù)組成最近鄰,最近鄰對(duì)目標(biāo)項(xiàng)目的偏好即為用戶(hù)的偏好[2,3]。這種算法在實(shí)際應(yīng)用中具有良好的推薦效果,但容易受到托攻擊(Shilling Attack)[4]。托攻擊是指利用獲取的用戶(hù)歷史評(píng)分構(gòu)造攻擊概貌,與目標(biāo)用戶(hù)形成最近鄰來(lái)影響推薦效果。檢測(cè)托攻擊是當(dāng)前推薦系統(tǒng)安全的研究熱點(diǎn)之一。

    檢測(cè)托攻擊本質(zhì)上是對(duì)真實(shí)用戶(hù)和攻擊概貌進(jìn)行分類(lèi)[5]。對(duì)真實(shí)用戶(hù)和攻擊概貌分類(lèi)需要尋找分類(lèi)特征作為依據(jù),即真實(shí)用戶(hù)和攻擊概貌評(píng)分在某個(gè)指標(biāo)上具有明顯的差別,可以通過(guò)這個(gè)差別將二者區(qū)分開(kāi)來(lái)。目前已有一系列關(guān)于用戶(hù)評(píng)分的特征指標(biāo),但單個(gè)特征指標(biāo)無(wú)法有效地對(duì)各種攻擊方式的托攻擊進(jìn)行檢測(cè),同時(shí)特征指標(biāo)的選取角度不同會(huì)加大數(shù)據(jù)的處理難度。

    基于上述問(wèn)題,本文提出基于用戶(hù)評(píng)分離散度的托攻擊檢測(cè)Dispersion-C算法。從用戶(hù)評(píng)分離散度出發(fā),提取用戶(hù)評(píng)分極端評(píng)分比PER(Proportion of Extreme Ratings)、去極端評(píng)分方差RESV(Remove Extreme Score Variance)和用戶(hù)評(píng)分標(biāo)準(zhǔn)差SD(Standard Deviation)3個(gè)特征,作為真實(shí)用戶(hù)和攻擊概貌的分類(lèi)特征;然后將3個(gè)特征作為監(jiān)督學(xué)習(xí)分類(lèi)算法—ID3(Iterative Dichotomiser 3)決策樹(shù)算法的分類(lèi)特征,訓(xùn)練各自的分類(lèi)器,對(duì)托攻擊用戶(hù)進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果表明,本文算法對(duì)托攻擊用戶(hù)具有良好的檢測(cè)效果,魯棒性較強(qiáng)。

    2 相關(guān)技術(shù)

    2.1 托攻擊模型

    目前流行的攻擊模型主要有隨機(jī)攻擊(Random Attack)、均值攻擊(Average Attack)、流行攻擊(Bandwagon Attack)和段攻擊(Segment Attack)等[5],4種攻擊模型的攻擊概貌組成如表1所示。

    Table 1 Four common attack models

    2.2 檢測(cè)技術(shù)

    現(xiàn)有的托攻擊檢測(cè)技術(shù)主要分為基于監(jiān)督學(xué)習(xí)的檢測(cè)技術(shù)、基于半監(jiān)督學(xué)習(xí)的檢測(cè)技術(shù)和無(wú)監(jiān)督學(xué)習(xí)的檢測(cè)技術(shù)。

    為了對(duì)托攻擊概貌和真實(shí)用戶(hù)概貌進(jìn)行分類(lèi),學(xué)者們提出了很多方法。Rashid等人[8]提出了多種可能有效分析各種托攻擊模式攻擊概貌的特征,包括預(yù)測(cè)偏差數(shù)量、用戶(hù)評(píng)分的標(biāo)準(zhǔn)偏差、與其他用戶(hù)的評(píng)分偏移度和最近鄰平均偏移度。Chirita等人[9]利用平均評(píng)分偏移度結(jié)合Degsim特征,提出了一種新的檢測(cè)算法。該算法可以成功檢測(cè)隨機(jī)攻擊、均值攻擊和流行攻擊概貌,但無(wú)法有效檢測(cè)段攻擊概貌。Bruke等人[10,11]在此基礎(chǔ)上提出了加權(quán)平均評(píng)分偏離度和加權(quán)評(píng)分偏離度,并提出了一些真實(shí)評(píng)分特征,但該算法受攻擊概貌填充率影響,對(duì)于較低填充率的段攻擊概貌識(shí)別效率不高。

    (1)基于監(jiān)督學(xué)習(xí)的檢測(cè)技術(shù)。

    將上述用戶(hù)評(píng)分特征與KNN(K-Nearest Neighbor)、SVM(Support Vector Machine)等監(jiān)督學(xué)習(xí)算法相結(jié)合稱(chēng)之為基于監(jiān)督學(xué)習(xí)的檢測(cè)算法。Bryan等人[12]利用方差校正均方殘差Hv-score發(fā)現(xiàn)攻擊概貌,攻擊概貌具有更大的Hv-score值,但極易受到攻擊概貌填充率影響,在填充率低時(shí),檢測(cè)效果不佳。李文濤等人[13]從用戶(hù)選擇評(píng)分項(xiàng)入手,根據(jù)用戶(hù)已評(píng)分項(xiàng)目流行度的不同,提出了一種基于用戶(hù)評(píng)分流行度的區(qū)分真實(shí)用戶(hù)和攻擊概貌的方法,但由于流行攻擊和段攻擊存在選擇項(xiàng),該方法對(duì)段攻擊的檢測(cè)效率不高?;诒O(jiān)督學(xué)習(xí)的檢測(cè)技術(shù)的關(guān)鍵在于擬合出合適的訓(xùn)練集和測(cè)試集來(lái)構(gòu)造分類(lèi)器。

    (2)基于無(wú)監(jiān)督學(xué)習(xí)的檢測(cè)技術(shù)。

    由于基于監(jiān)督學(xué)習(xí)的檢測(cè)技術(shù)過(guò)多依賴(lài)于特征和測(cè)試集,因此研究者轉(zhuǎn)向利用無(wú)監(jiān)督學(xué)習(xí)構(gòu)建分類(lèi)器。Metha等人[14,15]利用PCA(Principal Component Analysis)算法在檢測(cè)算法中的思想,無(wú)需任何先驗(yàn)知識(shí),提出根據(jù)托攻擊概貌之間的相似性高于真實(shí)用戶(hù)這一特點(diǎn)對(duì)攻擊概貌進(jìn)行檢測(cè)的PCA VarSelect技術(shù),是一種無(wú)監(jiān)督的托攻擊檢測(cè)算法,但這種算法必須提前知道攻擊強(qiáng)度,否則檢測(cè)準(zhǔn)確率會(huì)嚴(yán)重降低,而現(xiàn)實(shí)中攻擊強(qiáng)度一般是無(wú)法獲取的。李聰?shù)热薣16]提出了LFAMR模型,該模型以用戶(hù)非隨機(jī)缺失數(shù)據(jù)為依托,對(duì)導(dǎo)致評(píng)分缺失的潛在因素進(jìn)行解析,利用聚類(lèi)發(fā)現(xiàn)攻擊概貌,但這種模型無(wú)法有效探測(cè)低攻擊強(qiáng)度攻擊。

    (3)基于半監(jiān)督學(xué)習(xí)的檢測(cè)算法。

    在大多數(shù)的推薦系統(tǒng)中,未標(biāo)記的用戶(hù)數(shù)量遠(yuǎn)遠(yuǎn)大于標(biāo)記用戶(hù)數(shù)量,因此同時(shí)對(duì)標(biāo)記用戶(hù)和未標(biāo)記用戶(hù)概貌進(jìn)行建模有助于提高托攻擊檢測(cè)效率。Cao等人[17,18]提出Semi-SAD算法,該算法充分利用了標(biāo)記和未標(biāo)記的用戶(hù)概貌,結(jié)合樸素貝葉斯和EM-λ算法,首先在標(biāo)記用戶(hù)概貌上訓(xùn)練一個(gè)樸素貝葉斯分類(lèi)器,然后利用期望最大化算法和未標(biāo)記的用戶(hù)概貌對(duì)初始貝葉斯算法進(jìn)行改進(jìn),提高攻擊概貌的檢測(cè)效率。但是,該算法對(duì)低強(qiáng)度的攻擊檢測(cè)效率不好,且EM迭代過(guò)程時(shí)間較長(zhǎng),需要極大的時(shí)間代價(jià)。

    從已有的檢測(cè)技術(shù)可以看出,檢測(cè)托攻擊概貌的關(guān)鍵在于特征選擇,本文根據(jù)不同攻擊模型和用戶(hù)評(píng)分在離散度上的差異,從托攻擊概貌和真實(shí)用戶(hù)概貌的評(píng)分離散度選擇特征,將這些特征作為決策樹(shù)算法的分類(lèi)特征。最后,通過(guò)實(shí)驗(yàn)說(shuō)明了基于用戶(hù)評(píng)分離散度的托攻擊檢測(cè)算法的可行性和優(yōu)越性。

    3 基于用戶(hù)評(píng)分離散度的托攻擊檢測(cè)算法

    3.1 基于用戶(hù)評(píng)分離散度的特征選擇

    本文通過(guò)對(duì)美國(guó)Minnesota大學(xué)GroupLens項(xiàng)目組收集的MovieLens數(shù)據(jù)集[19]進(jìn)行分析,發(fā)現(xiàn)用戶(hù)評(píng)分存在一個(gè)顯著的特點(diǎn):用戶(hù)對(duì)于電影項(xiàng)目的評(píng)分多是由用戶(hù)對(duì)于電影的喜愛(ài)程度和電影的質(zhì)量高低決定的,評(píng)分是隨機(jī)的、個(gè)性化的。同時(shí)評(píng)分項(xiàng)目越多的用戶(hù),不同評(píng)分次數(shù)分布更接近,也就是說(shuō)真實(shí)用戶(hù)評(píng)分的離散度是在一定范圍內(nèi)隨機(jī)分布的。托攻擊用戶(hù)概貌可采取一定的模型進(jìn)行部署,攻擊者根據(jù)其擁有的背景知識(shí)和想要達(dá)到的攻擊效果采取不同的攻擊模型,不同的攻擊模型具有不同的評(píng)分生成方式,且評(píng)分生成滿(mǎn)足一定的條件,因此托攻擊概貌評(píng)分的頻數(shù)分布是不均衡的,攻擊概貌的評(píng)分離散度接近且和真實(shí)用戶(hù)存在差異。本文從這個(gè)角度出發(fā),以用戶(hù)評(píng)分離散度區(qū)分真實(shí)用戶(hù)和攻擊概貌,提出了基于用戶(hù)評(píng)分離散度的PER、RESV和SD3個(gè)分類(lèi)特征,接下來(lái)通過(guò)不同攻擊模型對(duì)分類(lèi)特征進(jìn)行說(shuō)明。

    3.1.1 隨機(jī)攻擊和均值攻擊概貌

    從攻擊模型中可以看出,攻擊概貌與真實(shí)用戶(hù)在評(píng)分分布上存在一定的差異。其中隨機(jī)攻擊和均值攻擊不具有選擇項(xiàng),且評(píng)分為隨機(jī)生成,這2類(lèi)模型可以一起討論。隨機(jī)攻擊的填充項(xiàng)評(píng)分服從系統(tǒng)評(píng)分的正態(tài)分布。均值攻擊的任一填充項(xiàng)評(píng)分的生成服從項(xiàng)目自身評(píng)分的正態(tài)分布。在生成這2種攻擊方式的過(guò)程中發(fā)現(xiàn),隨機(jī)攻擊和均值攻擊的項(xiàng)目評(píng)分出現(xiàn)極端評(píng)分的概率極低,而真實(shí)用戶(hù)中極端評(píng)分是常有的。

    基于這種情況,Yang等人[20]提出了用戶(hù)最高評(píng)分填充比來(lái)對(duì)此進(jìn)行描述,但僅以最高評(píng)分區(qū)分真實(shí)用戶(hù)和攻擊概貌效果不佳,極易將真實(shí)用戶(hù)劃分為攻擊概貌,影響推薦效果。因此,本文在此基礎(chǔ)上提出極端評(píng)分比作為檢測(cè)攻擊概貌的特征之一。

    定義1(極端評(píng)分比PER)PER描述用戶(hù)評(píng)分中評(píng)分最大值和最小值的項(xiàng)目數(shù)占用戶(hù)評(píng)分所有項(xiàng)目數(shù)的比值。用戶(hù)u的極端評(píng)分比如式(1)所示:

    (1)

    圖1和圖2所示為隨機(jī)攻擊和均值攻擊概貌極端評(píng)分比與真實(shí)用戶(hù)的對(duì)比情況。2種攻擊模型由于不具有選擇項(xiàng)且填充項(xiàng)的評(píng)分滿(mǎn)足一定條件,出現(xiàn)極端評(píng)分的概率明顯小于真實(shí)用戶(hù),且由于2種攻擊方式接近,極端評(píng)分比的分布方式也相似。通過(guò)圖1和圖2可以發(fā)現(xiàn),利用極端評(píng)分比可以有效區(qū)分真實(shí)用戶(hù)和攻擊概貌。

    Figure 1 Comparison of PER between random attackers and normal users

    Figure 2 Comparison of PER between average attackers and normal users

    3.1.2 流行攻擊概貌

    流行攻擊選擇當(dāng)前系統(tǒng)中最流行的項(xiàng)目作為選擇項(xiàng),其評(píng)分為系統(tǒng)最高評(píng)分,選擇項(xiàng)與隨機(jī)攻擊相同。由于流行攻擊具有評(píng)分為系統(tǒng)最高分的選擇項(xiàng),故流行攻擊中極端評(píng)分比根據(jù)其選擇項(xiàng)的規(guī)模發(fā)生變化。圖3所示為不同填充率下流行攻擊中的極端評(píng)分比和真實(shí)用戶(hù)的對(duì)比,流行攻擊的極端評(píng)分比隨攻擊概貌的填充率發(fā)生變化且和真實(shí)用戶(hù)的極端評(píng)分比相似。因此,使用極端評(píng)分比作為特征無(wú)法有效區(qū)分流行攻擊概貌和真實(shí)用戶(hù),但流行攻擊的概貌特征與真實(shí)用戶(hù)在評(píng)分離散度檢測(cè)下仍存在可區(qū)分的特征。下面對(duì)流行攻擊概貌進(jìn)行討論。

    Figure 3 Comparison of PER between bandwagon attackers and normal users

    流行攻擊屬于推攻擊,可以看作是隨機(jī)攻擊的一種擴(kuò)展。這種攻擊方式具有的選擇項(xiàng)為當(dāng)前系統(tǒng)中流行度最高的幾個(gè)項(xiàng)目,且評(píng)分均為系統(tǒng)最高評(píng)分,其填充項(xiàng)和隨機(jī)攻擊填充項(xiàng)的部署方式相同。因此,流行攻擊概貌的評(píng)分分布存在一個(gè)有趣的現(xiàn)象,即去除極端評(píng)分后,剩余的評(píng)分分布與隨機(jī)攻擊相同。而對(duì)于真實(shí)用戶(hù)在去除極端評(píng)分后,用戶(hù)評(píng)分的離散度會(huì)降低。因此,本文定義去極端評(píng)分方差對(duì)流行攻擊概貌和真實(shí)用戶(hù)進(jìn)行區(qū)分。

    定義2(去極端評(píng)分方差RESV)RESV描述用戶(hù)去除極端評(píng)分后其余評(píng)分的方差。用戶(hù)u的去極端評(píng)分方差定義如式(2)所示:

    (2)

    如圖4所示,在去除極端評(píng)分后,流行攻擊用戶(hù)概貌的評(píng)分方差為用戶(hù)整體評(píng)分的均值和方差。而真實(shí)用戶(hù)去除極端評(píng)分值后,評(píng)分方差降低。因此,通過(guò)圖4可以確定,利用去極端評(píng)分方差可以有效地區(qū)分真實(shí)用戶(hù)和流行攻擊概貌。

    Figure 4 Comparison of RESV between bandwagon attackers and normal users

    3.1.3 段攻擊概貌

    段攻擊同樣屬于推攻擊,具有選擇項(xiàng)。但是,段攻擊概貌和流行攻擊概貌的區(qū)別在于,段攻擊選擇項(xiàng)為與目標(biāo)用戶(hù)類(lèi)別相似的項(xiàng)目,評(píng)分均為系統(tǒng)最高評(píng)分。填充項(xiàng)與流行攻擊的不同之處在于,段攻擊的填充項(xiàng)為系統(tǒng)隨機(jī)選擇,但填充項(xiàng)目的評(píng)分均為系統(tǒng)最低分。這是由于段攻擊是只針對(duì)目標(biāo)項(xiàng)目具有潛在興趣的一組用戶(hù)群,而不影響推薦系統(tǒng)整體,因此利用去極端評(píng)分方差無(wú)法檢測(cè)段攻擊概貌。

    段攻擊概貌中選擇項(xiàng)為系統(tǒng)最高分而填充項(xiàng)為系統(tǒng)最低分,但真實(shí)用戶(hù)評(píng)分中用戶(hù)根據(jù)對(duì)項(xiàng)目的喜愛(ài)程度進(jìn)行評(píng)分。真實(shí)用戶(hù)的評(píng)分是隨機(jī)且波動(dòng)較為平穩(wěn)的,2類(lèi)用戶(hù)在整體評(píng)分離散度上存在較大差異,因此本文引入用戶(hù)評(píng)分標(biāo)準(zhǔn)差作為檢測(cè)段攻擊的評(píng)分特征。

    定義3(用戶(hù)評(píng)分標(biāo)準(zhǔn)差SD)SD指的是用戶(hù)對(duì)各個(gè)項(xiàng)目評(píng)分與評(píng)分均值的離差平方的算數(shù)平均數(shù)的平方根,如式(3)所示:

    (3)

    由圖5可見(jiàn),真實(shí)用戶(hù)評(píng)分的離散度明顯小于段攻擊概貌的,因此SD可以區(qū)分真實(shí)用戶(hù)的段攻擊概貌。

    Figure 5 Comparison of SD between segment attackers and normal users

    3.2 基于用戶(hù)評(píng)分離散度的托攻擊檢測(cè)算法

    根據(jù)上面的討論,托攻擊概貌和真實(shí)用戶(hù)概貌在評(píng)分離散度上存在差異,本文用極端評(píng)分比PER、去極端評(píng)分方差RESV和用戶(hù)評(píng)分標(biāo)準(zhǔn)差SD3個(gè)特征對(duì)用戶(hù)評(píng)分離散度進(jìn)行描述。利用這些特征差異對(duì)攻擊概貌和真實(shí)用戶(hù)進(jìn)行分類(lèi)。

    以上3個(gè)特征中,PER是一個(gè)適合對(duì)不具有選擇項(xiàng)的隨機(jī)攻擊和均值攻擊進(jìn)行檢測(cè)的分類(lèi)特征,對(duì)真實(shí)用戶(hù)和攻擊概貌中的極端評(píng)分比進(jìn)行統(tǒng)計(jì)可以看出,隨機(jī)攻擊和均值攻擊的PER均低于正常用戶(hù)的。RESV是針對(duì)流行攻擊提出的分類(lèi)特征,在去除極端評(píng)分比之后,流行攻擊概貌的評(píng)分方差大于真實(shí)用戶(hù)的評(píng)分方差。SD是專(zhuān)門(mén)針對(duì)段攻擊的分類(lèi)特征,由于段攻擊由特殊的攻擊概貌構(gòu)成,其用戶(hù)評(píng)分均方差大于真實(shí)用戶(hù)的。為了從用戶(hù)離散度上對(duì)攻擊用戶(hù)進(jìn)行檢測(cè),將PER、RESV和SD3個(gè)特征作為相應(yīng)攻擊模型的分類(lèi)特征,使用ID3決策樹(shù)算法訓(xùn)練分類(lèi)器。

    決策樹(shù)算法是一個(gè)以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法[21],從一個(gè)無(wú)次序、無(wú)規(guī)則的實(shí)例集合中歸納出一組采用樹(shù)形結(jié)構(gòu)表示的分類(lèi)規(guī)則。ID3決策樹(shù)算法是對(duì)決策樹(shù)算法的一種改進(jìn)算法。本文將標(biāo)記的數(shù)據(jù)集作為訓(xùn)練集,將ID3決策樹(shù)算法作為分類(lèi)算法。ID3決策樹(shù)算法根據(jù)信息增益率選擇測(cè)試屬性,通過(guò)屬性離散化的方式對(duì)連續(xù)屬性進(jìn)行處理。本文中系統(tǒng)標(biāo)記的虛假用戶(hù)和真實(shí)用戶(hù)樣本集D={x1,x2,…,xn},每個(gè)樣本xi的屬性向量P=(a1,a2,…,am),其中m=3,ai包括PER,RESV,SD3個(gè)特征值。類(lèi)別屬性C={C1,C2,…,Ck},其中k=2,根據(jù)屬性特征值可以將樣本劃分為C1和C22個(gè)子集,代表真實(shí)用戶(hù)和攻擊概貌。步驟如下所示:

    步驟1計(jì)算每個(gè)樣本的RESV、PER和SD3個(gè)屬性,得到用戶(hù)評(píng)分屬性特征向量。

    步驟2計(jì)算待分類(lèi)數(shù)據(jù)樣本在每個(gè)屬性A=ai時(shí)的信息增益度h(D,A)=Gain(D,A)/Entropy(D),i=1,2,3,選擇信息增益度最大的屬性作為根節(jié)點(diǎn),其中Entropy(D)是當(dāng)前樣本的信息熵,Gain(D,A)為屬性在當(dāng)前樣本下的分類(lèi)信息增益,其計(jì)算公式如式(4)所示:

    Gain(D,A)=Entropy(D)-

    ∑v∈V(A)Entropy(Dv)

    (4)

    其中,D為當(dāng)前待分的數(shù)據(jù)樣本集,Dv是樣本集D中屬性A的值等于v的樣本集合,V(A)是屬性A的值域。

    步驟3對(duì)于根節(jié)點(diǎn)屬性的每個(gè)可能值vi和相應(yīng)的數(shù)據(jù)點(diǎn)集合Dv,遞歸步驟2選擇子樹(shù)根節(jié)點(diǎn)建立子樹(shù),直至某個(gè)分支下只有一個(gè)類(lèi)標(biāo)簽的樣本子集為止。

    本文算法流程如算法1所示:

    算法1基于評(píng)分離散度的托攻擊檢測(cè)算法

    輸入:含有攻擊用戶(hù)的用戶(hù)評(píng)分?jǐn)?shù)據(jù)集S,用戶(hù)集合U,項(xiàng)目集I,決策樹(shù)算法分類(lèi)數(shù)K=2。

    輸出:分類(lèi)結(jié)果。

    BEGIN

    步驟1foru∈U

    步驟2fori∈I

    步驟3計(jì)算特征向量P=(a1,a2,a3)/*用戶(hù)特征向量由SD,PER,RESV組成*/

    步驟4endfor

    步驟5endfor

    步驟6foru∈U

    步驟7計(jì)算用戶(hù)特征向量集合;

    步驟8fori≤3

    步驟9A=ai;

    步驟10計(jì)算屬性A的分類(lèi)信息增益度:

    步驟11Gain(D,A)=Entropy(D)-∑v∈V(A)Entropy(Dv);

    步驟12計(jì)算信息增益度:

    步驟13MAE(ai)=root;

    步驟14endfor

    步驟15endfor

    END

    4 實(shí)驗(yàn)與結(jié)果分析

    4.1 實(shí)驗(yàn)數(shù)據(jù)集與實(shí)驗(yàn)指標(biāo)

    本文使用MovieLens數(shù)據(jù)集[19]進(jìn)行實(shí)驗(yàn),包括943個(gè)用戶(hù)對(duì)1 682個(gè)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù),并且每個(gè)用戶(hù)至少對(duì)20部電影進(jìn)行評(píng)分,評(píng)分取值為[1,5]。實(shí)驗(yàn)假定系統(tǒng)中原有的用戶(hù)為真實(shí)用戶(hù),利用托攻擊的模型向系統(tǒng)中注入的用戶(hù)為攻擊概貌,實(shí)驗(yàn)的目的是在不刪除虛假用戶(hù)的情況下,對(duì)目標(biāo)用戶(hù)進(jìn)行分類(lèi)。

    托攻擊常用準(zhǔn)確率fp和召回率fr的綜合指標(biāo)F值[13]作為監(jiān)測(cè)指標(biāo),設(shè)N為分類(lèi)器預(yù)測(cè)出的虛假用戶(hù)數(shù)量,Na為分類(lèi)器正確分類(lèi)出的虛假用戶(hù)數(shù),Nt為系統(tǒng)中實(shí)際存在的虛假用戶(hù)數(shù)。為了適應(yīng)本文算法,重新定義N為ID3決策樹(shù)算法中虛假用戶(hù)集C1中用戶(hù)的數(shù)量,Na為C1中虛假用戶(hù)數(shù),Nt為系統(tǒng)中實(shí)際存在的虛假用戶(hù)數(shù)。則準(zhǔn)確率fp、召回率fr及綜合指標(biāo)F值的計(jì)算公式分別如式(5)~式(7)所示:

    fp=Na/N

    (5)

    fr=Na/Nt

    (6)

    F=2fpfr/(fp+fr)

    (7)

    4.2 實(shí)驗(yàn)與討論

    為了說(shuō)明實(shí)驗(yàn)的效果,本文進(jìn)行了2組實(shí)驗(yàn)。首先在注入不同的攻擊概貌之后,驗(yàn)證Dispersion-C算法的準(zhǔn)確率fp和召回率fr;其次利用fp和fr的綜合指標(biāo)值,在10%的攻擊強(qiáng)度下,將本文算法與文獻(xiàn)[13,16,22]的托攻擊檢測(cè)算法進(jìn)行對(duì)比驗(yàn)證。

    4.2.1 算法的檢測(cè)效果分析

    為了說(shuō)明實(shí)驗(yàn)效果,在不同的實(shí)驗(yàn)參數(shù)下對(duì)本文Dispersion-C算法的效果進(jìn)行測(cè)試。實(shí)驗(yàn)的參數(shù)包括:裝填規(guī)模和攻擊規(guī)模。其中,攻擊強(qiáng)度取5%,7%,10%和12%,填充率取3%,8%,10%,12%,15%和20%,攻擊模型為隨機(jī)攻擊、均值攻擊、流行攻擊和段攻擊。將2個(gè)參數(shù)進(jìn)行相互組合,每一種組合對(duì)應(yīng)一個(gè)實(shí)驗(yàn)設(shè)置,其中選擇75%的數(shù)據(jù)樣本組成訓(xùn)練集,25%的數(shù)據(jù)樣本組成測(cè)試集,然后計(jì)算算法的準(zhǔn)確率和召回率,并在重復(fù)進(jìn)行100次實(shí)驗(yàn)后,統(tǒng)計(jì)得到最終的結(jié)果。

    表2~表5是Dispersion-C算法在不同裝填規(guī)模和攻擊規(guī)模下的分類(lèi)效果,從中可以發(fā)現(xiàn),對(duì)于不同填充率和攻擊強(qiáng)度的流行攻擊和均值攻擊,Dispersion-C算法均有較好的檢測(cè)效果,并且隨著填充率和攻擊強(qiáng)度的增大檢測(cè)效果逐漸提高,算法魯棒性較好。對(duì)于具有選擇項(xiàng)的流行攻擊和段攻擊,Dispersion-C算法的檢測(cè)效果同樣優(yōu)勢(shì)明顯,特別是針對(duì)段攻擊的檢測(cè)。實(shí)驗(yàn)中算法存在召回率大于準(zhǔn)確率的現(xiàn)象,說(shuō)明本文算法檢測(cè)嚴(yán)格,出現(xiàn)了將真實(shí)用戶(hù)劃分為攻擊概貌的現(xiàn)象。

    Table 2 Detection precision and recall of random attack detected by Dispersion-C algorithm

    4.2.2 Dispersion-C算法與其他算法對(duì)比

    為了對(duì)本文提出的 Dispersion-C算法的檢測(cè)效果進(jìn)行更加全面的分析,將本文算法與文獻(xiàn)[13]提出的基于用戶(hù)評(píng)分流行度分類(lèi)特征的監(jiān)督學(xué)習(xí)的DegreeSAD算法、文獻(xiàn)[22]提出的利用特征指標(biāo)進(jìn)行托攻擊檢測(cè)的半監(jiān)督學(xué)習(xí)的檢測(cè)算法SEDSA-CI和文獻(xiàn)[16]提出的無(wú)監(jiān)督學(xué)習(xí)的檢測(cè)算法LFAMR一起進(jìn)行討論。在相同配置的情況下,且攻擊強(qiáng)度均為10%時(shí),將4種算法的檢測(cè)效果利用式(7)進(jìn)行比較。實(shí)驗(yàn)結(jié)果如圖6所示。

    Table 3 Detection precision and recall of average attack detected by Dispersion-C algorithm

    Table 4 Detection precision and recall of bandwagon attack detected by Dispersion-C algorithm

    Table 5 Detection precision and recall of segment attack detected by Dispersion-C algorithm

    Figure 6 Comparison of detection effects between Dispersion-C and other algorithms

    圖6展示了4種算法對(duì)于不同攻擊模型的檢測(cè)效果。Dispersion-C算法根據(jù)用戶(hù)評(píng)分離散度選取分類(lèi)特征,不易受到項(xiàng)目填充率的影響,因此對(duì)于較低項(xiàng)目填充率的攻擊概貌檢測(cè)效果較好,但因攻擊概貌始終存在接近真實(shí)用戶(hù)評(píng)分分布的可能性,因此很難達(dá)到完美的檢測(cè)效果。

    與同為有監(jiān)督學(xué)習(xí)的基于流行度分類(lèi)特征的算法DegreeSAD相比,Dispersion-C算法針對(duì)4種攻擊模型具有較優(yōu)的檢測(cè)效果。由于DegreeSAD算法從用戶(hù)選擇評(píng)分項(xiàng)目的方式入手,因此對(duì)于存在選擇項(xiàng)的流行攻擊和段攻擊,在填充率低于10%時(shí),檢測(cè)效果不太理想,并且隨著填充率的增加,對(duì)于隨機(jī)攻擊的檢測(cè)存在F值下降的現(xiàn)象,說(shuō)明DegreeSAD算法的檢測(cè)不穩(wěn)定。對(duì)于半監(jiān)督學(xué)習(xí)SEDSA-CI算法,由于其使用K-means算法對(duì)標(biāo)記用戶(hù)進(jìn)行分類(lèi),算法易受到聚類(lèi)中心選擇的影響,導(dǎo)致檢測(cè)效果不穩(wěn)定,且檢測(cè)效果較差。無(wú)監(jiān)督學(xué)習(xí)算法LFAMR從用戶(hù)評(píng)分的缺失項(xiàng)目潛在因素構(gòu)建分類(lèi)特征,在填充率較低時(shí)目標(biāo)項(xiàng)和選擇項(xiàng)的數(shù)目相差不大,算法對(duì)各類(lèi)攻擊的檢測(cè)能力均較差。

    根據(jù)以上實(shí)驗(yàn)對(duì)比,基于用戶(hù)評(píng)分離散度的托攻擊檢測(cè)算法與傳統(tǒng)的有監(jiān)督學(xué)習(xí)的托攻擊檢測(cè)算法相比具有較好的檢測(cè)效果;同時(shí)與半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)算法相比,不受填充率的影響,且具有較好的魯棒性。

    5 結(jié)束語(yǔ)

    托攻擊的檢測(cè)通常面臨魯棒性問(wèn)題,針對(duì)這一問(wèn)題,本文對(duì)真實(shí)用戶(hù)和攻擊概貌的評(píng)分分布情況進(jìn)行分析,發(fā)現(xiàn)真實(shí)用戶(hù)和攻擊概貌在評(píng)分頻數(shù)分布上是不同的。引入評(píng)分離散度作為衡量標(biāo)準(zhǔn),將評(píng)分離散度的描述特征PER、RESV和SD作為檢測(cè)攻擊概貌的分類(lèi)特征。選擇信息增益最大的特征作為ID3決策樹(shù)的分類(lèi)屬性,對(duì)真實(shí)用戶(hù)和攻擊概貌進(jìn)行分類(lèi),實(shí)現(xiàn)托攻擊的檢測(cè)。實(shí)驗(yàn)結(jié)果表明,本文算法在不同的填充率和攻擊強(qiáng)度下,對(duì)攻擊概貌均有較好的檢測(cè)效果,同時(shí)算法具有良好的魯棒性。本文算法主要針對(duì)單一推薦系統(tǒng)的托攻擊檢測(cè),而目前分布式協(xié)同過(guò)濾算法越來(lái)越流行,下一步工作將對(duì)分布式協(xié)同過(guò)濾算法中的托攻擊檢測(cè)算法進(jìn)行研究。

    猜你喜歡
    選擇項(xiàng)分類(lèi)特征
    分類(lèi)算一算
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    分類(lèi)討論求坐標(biāo)
    數(shù)據(jù)分析中的分類(lèi)討論
    教你一招:數(shù)的分類(lèi)
    抓住特征巧觀(guān)察
    高考論述類(lèi)文本符合文意選擇項(xiàng)設(shè)題技巧解密
    “寧可A,也不B”容忍性讓步復(fù)句考察
    線(xiàn)性代數(shù)的應(yīng)用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    日韩中字成人| 精品人妻一区二区三区麻豆| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲av一区综合| 亚洲av电影在线观看一区二区三区 | 夫妻午夜视频| 有码 亚洲区| 日本猛色少妇xxxxx猛交久久| 亚洲国产欧美人成| 精品一区在线观看国产| 亚洲国产欧美人成| 国产精品女同一区二区软件| 欧美性感艳星| 国产男人的电影天堂91| 真实男女啪啪啪动态图| 青春草国产在线视频| 午夜激情福利司机影院| 热re99久久精品国产66热6| 香蕉精品网在线| 久热久热在线精品观看| 九九爱精品视频在线观看| 亚洲av在线观看美女高潮| 真实男女啪啪啪动态图| 国产淫语在线视频| 国产精品国产av在线观看| 亚洲,欧美,日韩| 九九在线视频观看精品| 日韩一本色道免费dvd| 日韩不卡一区二区三区视频在线| 亚洲精品一区蜜桃| 亚洲精品一二三| 中文天堂在线官网| 舔av片在线| 丝袜脚勾引网站| 亚洲av成人精品一区久久| 黄色日韩在线| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 蜜桃亚洲精品一区二区三区| 色综合色国产| 黄片wwwwww| 久久精品久久精品一区二区三区| 中文字幕亚洲精品专区| 亚洲成色77777| 国产精品偷伦视频观看了| 91久久精品电影网| 欧美丝袜亚洲另类| 国产亚洲精品久久久com| 日本欧美国产在线视频| 欧美成人午夜免费资源| 亚洲av中文字字幕乱码综合| 色5月婷婷丁香| 国产色婷婷99| 成年女人在线观看亚洲视频 | 免费少妇av软件| 99热这里只有是精品50| 亚洲久久久久久中文字幕| 男女无遮挡免费网站观看| a级一级毛片免费在线观看| tube8黄色片| 免费av观看视频| 亚洲av二区三区四区| 我的老师免费观看完整版| 成人黄色视频免费在线看| 久久久久久伊人网av| 美女xxoo啪啪120秒动态图| 国产精品女同一区二区软件| 国精品久久久久久国模美| 国产亚洲精品久久久com| 日韩成人伦理影院| 日韩强制内射视频| 欧美成人a在线观看| 成年免费大片在线观看| 丝瓜视频免费看黄片| 国产免费又黄又爽又色| 国产在线男女| 国产白丝娇喘喷水9色精品| 成人毛片60女人毛片免费| 深夜a级毛片| 最近最新中文字幕免费大全7| 亚洲最大成人av| 欧美激情在线99| 18禁在线无遮挡免费观看视频| 亚洲国产色片| 性色av一级| 又黄又爽又刺激的免费视频.| 可以在线观看毛片的网站| 91狼人影院| 成人免费观看视频高清| 成人亚洲精品一区在线观看 | 高清欧美精品videossex| 国产精品嫩草影院av在线观看| 青春草国产在线视频| 成人亚洲精品av一区二区| 成人一区二区视频在线观看| 一级毛片aaaaaa免费看小| 九草在线视频观看| 久久久久久久久久人人人人人人| 日韩在线高清观看一区二区三区| 欧美激情久久久久久爽电影| 永久网站在线| 日日啪夜夜撸| 国内揄拍国产精品人妻在线| 成人国产av品久久久| 少妇的逼水好多| 美女高潮的动态| 精品人妻一区二区三区麻豆| 国产成人午夜福利电影在线观看| 色网站视频免费| av免费观看日本| 高清av免费在线| 欧美成人a在线观看| 国产乱来视频区| 男女那种视频在线观看| 亚洲在久久综合| 男的添女的下面高潮视频| 日日撸夜夜添| 一级毛片久久久久久久久女| 男人爽女人下面视频在线观看| 亚洲美女搞黄在线观看| 伊人久久精品亚洲午夜| 22中文网久久字幕| 国产成年人精品一区二区| 亚洲国产精品专区欧美| a级毛片免费高清观看在线播放| 男人和女人高潮做爰伦理| 亚洲天堂国产精品一区在线| av福利片在线观看| www.色视频.com| 卡戴珊不雅视频在线播放| 又爽又黄无遮挡网站| 亚洲丝袜综合中文字幕| 日本免费在线观看一区| av免费观看日本| 国产精品三级大全| 国产在视频线精品| 日本三级黄在线观看| 免费看光身美女| 免费av不卡在线播放| 亚洲av中文av极速乱| 日韩av免费高清视频| 91久久精品国产一区二区成人| 久久久久性生活片| 性色av一级| 大片免费播放器 马上看| 国产中年淑女户外野战色| 真实男女啪啪啪动态图| 免费av不卡在线播放| 国产精品av视频在线免费观看| 欧美性猛交╳xxx乱大交人| 国产老妇伦熟女老妇高清| 日韩视频在线欧美| 色网站视频免费| 久久久久久伊人网av| 亚洲欧美日韩卡通动漫| 国产精品一二三区在线看| av在线app专区| 国产成人freesex在线| 亚洲精品视频女| 又粗又硬又长又爽又黄的视频| 亚洲va在线va天堂va国产| 国产精品久久久久久久久免| 亚洲精品一二三| 久久久久久九九精品二区国产| 18禁裸乳无遮挡动漫免费视频 | av在线老鸭窝| 国产精品一区二区在线观看99| 日本色播在线视频| 免费大片18禁| 女人被狂操c到高潮| 老司机影院毛片| 久久久国产一区二区| 少妇熟女欧美另类| 免费观看av网站的网址| 色视频在线一区二区三区| 尤物成人国产欧美一区二区三区| 国产极品天堂在线| 国语对白做爰xxxⅹ性视频网站| 成人欧美大片| 哪个播放器可以免费观看大片| 亚洲国产最新在线播放| 亚洲精品一二三| 亚洲av成人精品一二三区| 久久久色成人| 国产伦理片在线播放av一区| 亚洲国产欧美在线一区| 欧美日韩亚洲高清精品| 夜夜看夜夜爽夜夜摸| 丰满乱子伦码专区| av在线app专区| 亚洲精品视频女| 一个人观看的视频www高清免费观看| 大又大粗又爽又黄少妇毛片口| 黄片无遮挡物在线观看| 国产精品久久久久久精品电影小说 | 亚洲精品一二三| 九九久久精品国产亚洲av麻豆| av女优亚洲男人天堂| 人人妻人人爽人人添夜夜欢视频 | 成人亚洲欧美一区二区av| 2018国产大陆天天弄谢| 亚洲国产精品国产精品| 2021天堂中文幕一二区在线观| 王馨瑶露胸无遮挡在线观看| 日韩在线高清观看一区二区三区| 国产成年人精品一区二区| 美女高潮的动态| 精品国产露脸久久av麻豆| 日韩强制内射视频| 日日啪夜夜爽| 亚洲一区二区三区欧美精品 | 永久免费av网站大全| 在线观看美女被高潮喷水网站| 极品少妇高潮喷水抽搐| av播播在线观看一区| 男插女下体视频免费在线播放| 中文资源天堂在线| 亚洲一级一片aⅴ在线观看| 亚洲精品国产av成人精品| 99热这里只有是精品在线观看| 成年免费大片在线观看| 亚洲av男天堂| 免费播放大片免费观看视频在线观看| 国产黄a三级三级三级人| 亚洲国产欧美在线一区| 男人和女人高潮做爰伦理| av免费观看日本| 2018国产大陆天天弄谢| 欧美成人a在线观看| 韩国高清视频一区二区三区| 久久久精品免费免费高清| 麻豆久久精品国产亚洲av| 久久人人爽人人爽人人片va| 国产老妇伦熟女老妇高清| 国产高清三级在线| 国产午夜福利久久久久久| 久久久久久久久大av| 最近手机中文字幕大全| 涩涩av久久男人的天堂| 精品国产一区二区三区久久久樱花 | 97精品久久久久久久久久精品| 人妻 亚洲 视频| 日本与韩国留学比较| 亚洲综合精品二区| 成年版毛片免费区| 搡老乐熟女国产| videos熟女内射| 免费看a级黄色片| 婷婷色综合www| 成人毛片60女人毛片免费| 九色成人免费人妻av| 亚洲精品国产av蜜桃| 中文字幕av成人在线电影| 美女内射精品一级片tv| 亚洲欧美日韩东京热| 午夜激情久久久久久久| 国产亚洲av片在线观看秒播厂| 91aial.com中文字幕在线观看| 男人和女人高潮做爰伦理| 九草在线视频观看| 国产高清国产精品国产三级 | 精品国产露脸久久av麻豆| 偷拍熟女少妇极品色| 成人美女网站在线观看视频| 99热网站在线观看| 亚洲美女搞黄在线观看| 哪个播放器可以免费观看大片| 国产人妻一区二区三区在| 波野结衣二区三区在线| 欧美zozozo另类| 联通29元200g的流量卡| 22中文网久久字幕| 免费人成在线观看视频色| 22中文网久久字幕| 精品一区二区免费观看| 2021少妇久久久久久久久久久| 日韩欧美一区视频在线观看 | 欧美激情在线99| 亚洲av在线观看美女高潮| 在线看a的网站| 国产成人福利小说| 亚洲精品中文字幕在线视频 | 久久6这里有精品| 直男gayav资源| 亚洲电影在线观看av| 色哟哟·www| 麻豆乱淫一区二区| 看免费成人av毛片| 国产成人免费观看mmmm| 日韩免费高清中文字幕av| 青春草视频在线免费观看| 亚洲激情五月婷婷啪啪| 一级毛片久久久久久久久女| 欧美成人午夜免费资源| 夜夜看夜夜爽夜夜摸| 精品久久国产蜜桃| 欧美3d第一页| 亚洲色图av天堂| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | av在线app专区| 交换朋友夫妻互换小说| 99九九线精品视频在线观看视频| 中文字幕制服av| 你懂的网址亚洲精品在线观看| 国产一区二区亚洲精品在线观看| 成人鲁丝片一二三区免费| 五月开心婷婷网| 国产一区亚洲一区在线观看| 免费黄色在线免费观看| 岛国毛片在线播放| 一级毛片 在线播放| 最近2019中文字幕mv第一页| 五月开心婷婷网| 日韩av免费高清视频| 一本一本综合久久| 成人综合一区亚洲| 又黄又爽又刺激的免费视频.| 久热这里只有精品99| 日日啪夜夜撸| 青青草视频在线视频观看| 国产69精品久久久久777片| 久久久欧美国产精品| 只有这里有精品99| 亚洲欧美日韩卡通动漫| 丝袜喷水一区| 亚洲av欧美aⅴ国产| 日本色播在线视频| 91aial.com中文字幕在线观看| 大片电影免费在线观看免费| 国模一区二区三区四区视频| 亚洲国产精品国产精品| 亚洲av日韩在线播放| 欧美精品国产亚洲| 午夜激情福利司机影院| 少妇高潮的动态图| 啦啦啦在线观看免费高清www| a级毛色黄片| h日本视频在线播放| 日韩av免费高清视频| 啦啦啦啦在线视频资源| 久久久久久久久久久免费av| 大片电影免费在线观看免费| 成人鲁丝片一二三区免费| 最近中文字幕2019免费版| 国产亚洲午夜精品一区二区久久 | 大香蕉久久网| 亚洲精品色激情综合| 久久人人爽人人片av| 成人亚洲精品一区在线观看 | 日日撸夜夜添| 秋霞在线观看毛片| 少妇高潮的动态图| 亚洲自偷自拍三级| 午夜福利视频精品| 久久99热这里只有精品18| 欧美zozozo另类| 欧美潮喷喷水| eeuss影院久久| 久久久久网色| 欧美+日韩+精品| 麻豆国产97在线/欧美| 国产91av在线免费观看| 成年女人看的毛片在线观看| 亚洲最大成人av| 亚洲精品影视一区二区三区av| 69av精品久久久久久| 日日啪夜夜爽| 高清午夜精品一区二区三区| 午夜激情久久久久久久| 久久精品国产亚洲网站| 老司机影院毛片| 91久久精品国产一区二区三区| 中文字幕制服av| 永久免费av网站大全| 观看美女的网站| 国产一区有黄有色的免费视频| 久久久亚洲精品成人影院| 国产成人免费无遮挡视频| 美女被艹到高潮喷水动态| 99热国产这里只有精品6| 午夜爱爱视频在线播放| 国产毛片a区久久久久| 一级a做视频免费观看| 99热这里只有精品一区| 中文字幕av成人在线电影| 国产精品精品国产色婷婷| 久久久a久久爽久久v久久| 久久国产乱子免费精品| 久久久久网色| 在线播放无遮挡| 国产伦精品一区二区三区四那| 亚洲国产日韩一区二区| 99久久中文字幕三级久久日本| 久久久久国产精品人妻一区二区| 成人高潮视频无遮挡免费网站| 成人国产av品久久久| 99re6热这里在线精品视频| 婷婷色麻豆天堂久久| 午夜免费鲁丝| 日本一本二区三区精品| 亚洲精品日韩在线中文字幕| 好男人视频免费观看在线| 另类亚洲欧美激情| 精品一区二区免费观看| 久久99热6这里只有精品| 亚洲电影在线观看av| 国产高清有码在线观看视频| 精品视频人人做人人爽| 久久精品国产自在天天线| 亚洲人与动物交配视频| 插逼视频在线观看| 免费观看性生交大片5| 午夜免费观看性视频| 99热网站在线观看| 国产一级毛片在线| 成人毛片a级毛片在线播放| 在线 av 中文字幕| 日日啪夜夜撸| 一级av片app| 99热国产这里只有精品6| 别揉我奶头 嗯啊视频| 99久久精品热视频| 夜夜爽夜夜爽视频| 激情 狠狠 欧美| 99re6热这里在线精品视频| 91在线精品国自产拍蜜月| 亚洲色图av天堂| 能在线免费看毛片的网站| 午夜福利在线观看免费完整高清在| 国产老妇伦熟女老妇高清| 天天躁夜夜躁狠狠久久av| 少妇熟女欧美另类| eeuss影院久久| 亚洲av在线观看美女高潮| 亚洲一级一片aⅴ在线观看| 欧美97在线视频| 欧美少妇被猛烈插入视频| 色5月婷婷丁香| av国产精品久久久久影院| 波野结衣二区三区在线| 五月天丁香电影| 亚洲精品乱码久久久久久按摩| 国产精品一二三区在线看| 精品久久久久久久久亚洲| 日本三级黄在线观看| 一本色道久久久久久精品综合| 久久久a久久爽久久v久久| 国产av不卡久久| 亚洲人成网站在线观看播放| 啦啦啦中文免费视频观看日本| 看十八女毛片水多多多| 最近手机中文字幕大全| 日韩一本色道免费dvd| 国产69精品久久久久777片| 欧美bdsm另类| 国产色爽女视频免费观看| 2018国产大陆天天弄谢| 人人妻人人爽人人添夜夜欢视频 | 日本午夜av视频| 熟妇人妻不卡中文字幕| 在线观看三级黄色| 91精品一卡2卡3卡4卡| av国产精品久久久久影院| 国产精品熟女久久久久浪| 精品酒店卫生间| 亚洲va在线va天堂va国产| 亚洲精品aⅴ在线观看| 99热全是精品| 少妇被粗大猛烈的视频| 男女那种视频在线观看| 国产精品爽爽va在线观看网站| 国产成人freesex在线| 欧美xxxx黑人xx丫x性爽| 我的老师免费观看完整版| 韩国av在线不卡| 在线观看一区二区三区| 老师上课跳d突然被开到最大视频| 日本猛色少妇xxxxx猛交久久| 久久久欧美国产精品| 久久99热这里只频精品6学生| 亚洲成色77777| 国产精品熟女久久久久浪| 交换朋友夫妻互换小说| 性色av一级| 哪个播放器可以免费观看大片| 国产日韩欧美亚洲二区| 男女国产视频网站| 成人免费观看视频高清| 精品一区二区三区视频在线| 深夜a级毛片| 中文字幕人妻熟人妻熟丝袜美| 精品午夜福利在线看| 免费av观看视频| 久久韩国三级中文字幕| 国产高潮美女av| 一级av片app| 日韩大片免费观看网站| 人妻 亚洲 视频| 午夜亚洲福利在线播放| 熟女电影av网| 国产乱来视频区| 国产精品秋霞免费鲁丝片| 日韩电影二区| 啦啦啦中文免费视频观看日本| 高清午夜精品一区二区三区| 麻豆乱淫一区二区| 少妇人妻久久综合中文| 另类亚洲欧美激情| 亚洲高清免费不卡视频| 日韩av不卡免费在线播放| 成人亚洲精品av一区二区| 精品午夜福利在线看| 国产毛片在线视频| 亚洲va在线va天堂va国产| 亚洲精品视频女| 内地一区二区视频在线| 精品久久国产蜜桃| 五月开心婷婷网| 亚洲国产色片| 看非洲黑人一级黄片| 99热这里只有是精品50| 视频中文字幕在线观看| 在线天堂最新版资源| 99热全是精品| 七月丁香在线播放| 中文资源天堂在线| 亚洲欧美清纯卡通| 亚洲成人精品中文字幕电影| 丝袜喷水一区| 在线观看美女被高潮喷水网站| 精品国产露脸久久av麻豆| 99热全是精品| 亚洲av.av天堂| 97超碰精品成人国产| 国产免费一区二区三区四区乱码| 亚洲一区二区三区欧美精品 | 国产成人精品婷婷| 人妻制服诱惑在线中文字幕| 男人爽女人下面视频在线观看| av国产免费在线观看| 在线观看一区二区三区激情| 深爱激情五月婷婷| 欧美xxⅹ黑人| 欧美成人精品欧美一级黄| xxx大片免费视频| 特级一级黄色大片| 国产精品熟女久久久久浪| 成人黄色视频免费在线看| 一级爰片在线观看| 精品少妇久久久久久888优播| 欧美xxⅹ黑人| 特大巨黑吊av在线直播| 国产成人精品婷婷| 国产精品一区二区三区四区免费观看| 黄色视频在线播放观看不卡| 精品国产乱码久久久久久小说| 成人综合一区亚洲| 日日摸夜夜添夜夜爱| 欧美精品人与动牲交sv欧美| 丝瓜视频免费看黄片| 丰满乱子伦码专区| 99精国产麻豆久久婷婷| 日本黄色片子视频| xxx大片免费视频| 久久久久国产网址| 精品人妻熟女av久视频| 日韩精品有码人妻一区| 国产在线男女| 国产精品麻豆人妻色哟哟久久| 嫩草影院精品99| 久久女婷五月综合色啪小说 | 精品熟女少妇av免费看| 亚洲成人一二三区av| 亚洲av福利一区| 岛国毛片在线播放| 51国产日韩欧美| 国产精品久久久久久精品电影| 91精品一卡2卡3卡4卡| 国产在视频线精品| 97人妻精品一区二区三区麻豆| 久久精品熟女亚洲av麻豆精品| 午夜福利视频精品| 91午夜精品亚洲一区二区三区| 国产亚洲一区二区精品| 精品国产乱码久久久久久小说| 别揉我奶头 嗯啊视频| 少妇人妻久久综合中文| 国产 一区 欧美 日韩| av又黄又爽大尺度在线免费看| 免费少妇av软件| 久久精品综合一区二区三区| 欧美老熟妇乱子伦牲交| 综合色丁香网| 99久久九九国产精品国产免费| 一级毛片我不卡| 纵有疾风起免费观看全集完整版| 人妻系列 视频| 视频区图区小说| 国产成人a区在线观看| 一级毛片电影观看| 十八禁网站网址无遮挡 | 亚洲激情五月婷婷啪啪| 国产一级毛片在线| 亚洲av.av天堂| 亚洲丝袜综合中文字幕| 久久人人爽av亚洲精品天堂 | 制服丝袜香蕉在线| 99热全是精品| 亚洲欧洲国产日韩| 精品视频人人做人人爽| 综合色丁香网| 99视频精品全部免费 在线| 日韩 亚洲 欧美在线| 欧美bdsm另类| 可以在线观看毛片的网站| 国产黄片视频在线免费观看|