• <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Bi-LSTM 的在線物聯(lián)網(wǎng)設(shè)備識別方法

    2023-05-17 06:31:34郝秦霞謝林江杭菲璐
    西安科技大學(xué)學(xué)報 2023年2期
    關(guān)鍵詞:型號廠商向量

    郝秦霞,榮 政,謝林江,杭菲璐

    (1.西安科技大學(xué) 通信與信息工程學(xué)院,陜西 西安 710054;2.云南電網(wǎng)有限責(zé)任公司 信息中心,云南 昆明 650000)

    0 引 言

    物聯(lián)網(wǎng)技術(shù)的高速發(fā)展,方便智能設(shè)備的數(shù)據(jù)收集和交換。醫(yī)療、教育、交通、工業(yè)生產(chǎn)等領(lǐng)域部署大量的物聯(lián)網(wǎng)設(shè)備[1-4],預(yù)計到2025年,將有超過750億物聯(lián)網(wǎng)設(shè)備投入使用[5]。大規(guī)模應(yīng)用的同時,也帶來諸多問題[6-8],許多物聯(lián)網(wǎng)設(shè)備都是以低成本設(shè)計原則生產(chǎn)的,這些物聯(lián)網(wǎng)設(shè)備具有開放式設(shè)計[9],易受到網(wǎng)絡(luò)攻擊,如DDoS攻擊[10]、SQL注入攻擊[11]和高級可持續(xù)威脅攻擊[12]等。典型的案例Mirai僵尸網(wǎng)絡(luò)[13]使用大規(guī)模的DDoS攻擊美國域名解析服務(wù)提供商Dyn,使其DNS服務(wù)器大面積癱瘓。Mirai僵尸網(wǎng)絡(luò)在最初的20個小時內(nèi)感染近65 000臺物聯(lián)網(wǎng)設(shè)備,然后達(dá)到30萬數(shù)量的峰值,這其中包括DVR,IP攝像頭、路由器和打印機(jī)。新型的Hajime僵尸網(wǎng)絡(luò)[14]使用點對點(P2P)的方式進(jìn)行傳播,與Mirai相比,Hajime支持更廣泛的訪問方法,且更具有彈性。網(wǎng)絡(luò)病毒會對某個廠商的某個型號的物聯(lián)網(wǎng)設(shè)備進(jìn)行攻擊[15]。為防止這些病毒惡意傳播,要正確識別出物聯(lián)網(wǎng)設(shè)備的型號信息,對該型號的物聯(lián)網(wǎng)設(shè)備進(jìn)行補(bǔ)丁升級等防護(hù)措施。從安全防護(hù)的角度來看,發(fā)現(xiàn)并識別網(wǎng)絡(luò)空間的物聯(lián)網(wǎng)設(shè)備具體型號是防止它們被破壞和利用的先決條件。

    國內(nèi)外學(xué)者針對流量指紋識別物聯(lián)網(wǎng)設(shè)備,開展了大量的研究工作。IoT SENTINEL是最早使用流量特征來識別物聯(lián)網(wǎng)設(shè)備的方法,每個數(shù)據(jù)包選取23個流量特征,共接收N個數(shù)據(jù)包。每個設(shè)備生成N*23的特征矩陣,運(yùn)用機(jī)器學(xué)習(xí)訓(xùn)練模型并進(jìn)行預(yù)測[16]。MEIDAN等收集9個不同物聯(lián)網(wǎng)設(shè)備的流量數(shù)據(jù)特征,利用監(jiān)督學(xué)習(xí)訓(xùn)練多階段多分類模型,整體分類模型精度為99.2%,此方法只能識別到物聯(lián)網(wǎng)設(shè)備類型,而無法精確到設(shè)備的具體型號,分類精度低,給下一階段的安全防護(hù)增加困難[17]。KOSTAS等提出的IoTDevID通過分析并計算網(wǎng)絡(luò)數(shù)據(jù)包中每個特征的權(quán)重值,用遺傳算法選取特征池中52個特征子集構(gòu)建特征向量,運(yùn)用機(jī)器學(xué)習(xí)算法訓(xùn)練模型,在不同測試集上均提高準(zhǔn)確率[18]。HASAN等在開源數(shù)據(jù)集Kaggle使用分布式智能空間編排系統(tǒng)(DS2OS)創(chuàng)建一個虛擬物聯(lián)網(wǎng)環(huán)境,用于生成合成數(shù)據(jù),并通過對比不同機(jī)器學(xué)習(xí)模型的效果,得出隨機(jī)森林模型識別的準(zhǔn)確性最好,為99.4%[19]。NGUYEN等提出的D?oT通過將網(wǎng)絡(luò)數(shù)據(jù)包轉(zhuǎn)化為語言符號,用于檢測異常的物聯(lián)網(wǎng)設(shè)備,是第1個將聯(lián)合學(xué)習(xí)方法用于基于異常檢測的入侵檢測的系統(tǒng)。通過評估30多個物聯(lián)網(wǎng)設(shè)備,證明在檢測被Mirai惡意軟件破壞的物聯(lián)網(wǎng)識別設(shè)備方面是非常有效的,檢測率為95.6%,并將其部署到真實的智能家居中[20]。YANG等根據(jù)應(yīng)用層不同協(xié)議返回的數(shù)據(jù)文本,按單詞出現(xiàn)頻率排序,選取前30 000個單詞,搭配網(wǎng)絡(luò)層和傳輸層的流量特征,作為神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練模型,在測試集結(jié)果為94%的準(zhǔn)確率和95%的召回率[21]。

    上述方法都需要依靠先驗知識進(jìn)行特征工程,即提取、選擇和調(diào)整特征,部分特征需要領(lǐng)域?qū)<覜Q策。流量傳輸受網(wǎng)絡(luò)時延和偏移誤差累計影響較大,且識別粒度較低,無法識別出設(shè)備的型號,識別范圍局限于少數(shù)廠商。結(jié)合主動探測的特點及流量指紋識別存在的缺陷,提出基于Bi-LSTM的在線物聯(lián)網(wǎng)設(shè)備的識別方法,改進(jìn)了指紋提取方式,向目標(biāo)地址的7種常用協(xié)議端口進(jìn)行探測,將返回的報文經(jīng)過TF-IDF算法特征降維得到應(yīng)用層報文指紋,帶入到廠商識別模塊得到設(shè)備廠商。運(yùn)用爬蟲技術(shù)建立型號知識庫,通過正則表達(dá)式技術(shù)過濾出報文中可能是型號的字段,結(jié)合Jaro-Winkler文本匹配算法[22]得出設(shè)備型號和設(shè)備類型。

    1 二階段在線物聯(lián)網(wǎng)設(shè)備識別框架

    二階段在線物聯(lián)網(wǎng)設(shè)備識別框架如圖1所示,由預(yù)處理模塊、基于Bi-LSTM神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)設(shè)備廠商識別模塊、基于Jaro-Winkler算法的設(shè)備型號識別模塊組成。

    圖1 二階段在線物聯(lián)網(wǎng)設(shè)備識別框架Fig.1 Two-stage identification framework of online IoT device

    1)預(yù)處理模塊。對于HTTP協(xié)議提取HTML頁面源碼;對于非HTTP協(xié)議提取banner信息。提取的信息均以文本型保存,利用特征詞庫實現(xiàn)文本型向數(shù)值型轉(zhuǎn)換的特征詞映射。解析協(xié)議源碼后刪除視頻、音頻文件,去除停用詞。

    2)基于Bi-LSTM神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)設(shè)備廠商識別模塊。為過濾無用詞,減少樣本的特征維度,提高模型的訓(xùn)練速度和識別精度,采用TF-IDF文本挖掘算法,將輸入樣本經(jīng)特征降維后轉(zhuǎn)化為詞向量。鑒于Bi-LSTM神經(jīng)網(wǎng)絡(luò)能夠捕獲長遠(yuǎn)上下文信息,在文本分類任務(wù)上表現(xiàn)出色,將詞向量通過Bi-LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,輸出結(jié)果為設(shè)備廠商。

    3)基于Jaro-Winkler算法的設(shè)備型號識別模塊。通過爬蟲構(gòu)建三元組<廠商-型號-設(shè)備類型>產(chǎn)品知識庫。篩選已明確的廠商型號字段構(gòu)建案例庫,將待匹配的物聯(lián)網(wǎng)設(shè)備的型號字段通過Jaro-Winkler算法與案例知識進(jìn)行相似度計算,比較得出該物聯(lián)網(wǎng)設(shè)備的型號、設(shè)備類型。

    2 數(shù)據(jù)預(yù)處理

    在HTTP協(xié)議中,在線物聯(lián)網(wǎng)設(shè)備應(yīng)用層返回的響應(yīng)數(shù)據(jù)通常包含與廠商高度相關(guān)的內(nèi)容,如<TITLE>TL-MR30XX</TITLE>,<meta name=“description”content=“WVC54GXX”>,標(biāo)簽含有廠商和設(shè)備型號信息,組成應(yīng)用層指紋,且唯一標(biāo)識設(shè)備。

    解析不同廠商設(shè)備登錄頁面的DOM樹結(jié)構(gòu),統(tǒng)計標(biāo)簽特征和標(biāo)簽數(shù)量,如圖2所示。

    圖2 不同型號設(shè)備頁面標(biāo)簽特征統(tǒng)計Fig.2 Page label feature statistics of different models of devices

    從圖2可以看出,廠商D-LINK、HUAWEI和CISCO在標(biāo)簽特征<div>個數(shù)、<meta>個數(shù)、<script>個數(shù)、<img>個數(shù)、<table>個數(shù)上存在明顯差異,而同為CISCO的設(shè)備僅在<div>標(biāo)簽數(shù)量上不同,其他標(biāo)簽特征完全一致,表明相同廠商設(shè)備管理頁面的布局具有相似性,而不同廠商設(shè)備管理頁面的布局有較大差異,這些差異可以作為識別物聯(lián)網(wǎng)設(shè)備的依據(jù)。

    一些設(shè)備存在不同端口使用不同協(xié)議,因而將同一IP不同端口返回的報文數(shù)據(jù)分配相同標(biāo)簽,增加數(shù)據(jù)集的多樣性。文本樣式以全英文小寫,預(yù)處理公式,見式(1)。

    式中 Tl為分詞后的樣本;Te為文本T以英文空格為間隔轉(zhuǎn)化為字符串集合,Te={t1,t2,t3,…,tn},其中n為分詞個數(shù)。S={s1,s2,s3,…,sn}為停用詞集合,包括標(biāo)點符號、“is”、“the”這些沒有冗余的單詞、自定義去除的單詞。

    分析7種應(yīng)用層協(xié)議返回信息,7種協(xié)議和常用端口見表1。

    表1 常用協(xié)議及對應(yīng)端口Table 1 Common protocols and corresponding ports

    從表1可以看出,HTTP協(xié)議常用的端口數(shù)量最多,這是由于廠商為了方便用戶設(shè)備管理和權(quán)限登錄,使用HTTP協(xié)議開放管理頁面。限篇幅原因文中只對HTTP協(xié)議數(shù)據(jù)處理過程進(jìn)行分析。

    3 在線物聯(lián)網(wǎng)設(shè)備識別

    3.1 廠商識別

    預(yù)處理后的樣本經(jīng)TF-IDF算法降維后轉(zhuǎn)為數(shù)值型詞向量,作為模型輸入。利用Bi-LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建廠商識別模塊,輸出結(jié)果為設(shè)備廠商。

    3.1.1 TF-IDF算法降維

    TF-IDF(Term Frequency-Inverse Document Frequency)是一種統(tǒng)計方法,用于評估單詞對于樣本或樣本集合的重要程度。TF-IDF主要由TF和IDF兩部分組成。設(shè)樣本集合為T,ti為集合T中第i個樣本。詞cij的詞頻公式,見式(2)。

    式中 nij為單詞j在樣本i中出現(xiàn)的次數(shù);∑ni為ti的單詞總數(shù)。逆向文本頻率公式,見式(3)。

    式中 |T|為樣本集合中的樣本總數(shù),|{i:cj∈ti}|為包含詞語j的樣本數(shù)。最終單詞的TF-IDF權(quán)重,見式(4)。

    式中 wij越大,表示單詞在樣本集中越重要。

    當(dāng)在線物聯(lián)網(wǎng)設(shè)備返回的報文數(shù)據(jù)量較大,預(yù)處理后仍存在冗余字符串,且這些字符串的權(quán)重小、貢獻(xiàn)度低,增加特征向量的維度,導(dǎo)致出現(xiàn)過擬合現(xiàn)象,模型性能下降。將TF-IDF算法加入詞向量轉(zhuǎn)化過程中,計算單詞在數(shù)據(jù)集中的權(quán)重值,過濾掉低于閾值θ的無用詞,減少樣本的特征維度,提高模型的訓(xùn)練速度和識別精度。完整的流程如算法1所示。

    算法1 基于TF-IDF的詞向量轉(zhuǎn)換

    輸入:樣本集合T;樣本總數(shù)N;閾值θ;詞向量維度k;詞向量個數(shù)m;特征詞列表H_List。

    輸出:樣集合本的詞向量Tword

    1:INIT H_List←?

    2:for each sample from T do

    3: for each word from sample do

    4: ws,w←tfsmaple,word*idfword

    5: if ws,w>θthen

    6: H_List.add(word)

    7: else

    8: continue

    9: end for

    10:end for

    11:H_List去重,然后按入庫先后順序為每個單詞增加索

    引,轉(zhuǎn)換為字典類型D_List

    12:H_List.add(0:”unk”)

    13:H_List.add(1:”pad”)

    14:for each sample from T do

    15: sample.word←D_List[word]

    16:end for

    17:如果樣本的單詞數(shù)量超過m,取前m個單詞;如果單詞數(shù)量少于m,用1填充到m。將每個數(shù)字轉(zhuǎn)化為隨機(jī)生成的k維的向量。

    18:return Tword

    算法1得到的Tword為大小為n×m×k,其中n為樣本數(shù)量,m為一個樣本的分詞數(shù)量,k為詞向量的長度。將Tword作為廠商識別模塊的輸入,用于訓(xùn)練模型。

    HTTP協(xié)議文本數(shù)據(jù)樣本處理前后對如圖3所示,基于HTTP協(xié)議得到“CISCOEPC3825”設(shè)備報文的內(nèi)容,將分詞處理后的樣本經(jīng)TF-IDF降維,得到最終樣本。

    圖3 HTTP協(xié)議文本數(shù)據(jù)處理前后對比Fig.3 Comparison of HTTP protocol text data before and after processing

    3.1.2 基于Bi-LSTM神經(jīng)網(wǎng)絡(luò)的廠商識別模塊

    轉(zhuǎn)換后的詞向量作為廠商識別模塊的輸入樣本,LSTM[23]為RNN[24]的改進(jìn)結(jié)構(gòu)解決了處理較長時間序列時梯度消失問題,但只能學(xué)習(xí)單方向的特征。Bi-LSTM通過將前向特征和后向特征反饋到輸出層,同時學(xué)習(xí)過去和未來時刻元素對當(dāng)前時刻元素的關(guān)系,在文本分類任務(wù)上表現(xiàn)出色。

    廠商識別模塊由Bi-LSTM神經(jīng)網(wǎng)絡(luò)結(jié)合3層全連接層構(gòu)成。Bi-LSTM神經(jīng)網(wǎng)絡(luò)公式,見式(5)~式(7)。

    式中 hf為正向隱藏層狀態(tài);hb為反向隱藏層狀態(tài);y為hf和hb拼接后的最后輸出。

    全連接層之間使用Tanh激活函數(shù)作非線性變換,模型收斂速度更快,函數(shù)公式,見式(8)。

    輸入向量經(jīng)Tanh函數(shù)計算后,映射至(0,1),最后1層全連接層接Softmax函數(shù)輸出設(shè)備廠商的類別,函數(shù)公式,見式(9)。

    式中 zi為第i個類的輸出值;C為類的數(shù)量。完整的模型架構(gòu)如圖4所示。

    圖4 廠商識別模塊網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of manufacturer identification module

    3.2 型號識別

    為防止不法分子針對具體型號設(shè)備進(jìn)行攻擊,還需進(jìn)一步識別設(shè)備型號,以便與漏洞做更精準(zhǔn)的關(guān)聯(lián)分析,在漏洞爆發(fā)時及時制定相應(yīng)的防護(hù)措施。

    Jaro-Winkler算法是Jaro度量標(biāo)準(zhǔn)的改進(jìn)。對于2個給定的字符串s1和s2,Jaro距離dj計算公式,見式(10)。

    式中 m為s1,s1匹配的字符數(shù)量;|si|為字符串si的長度;t為字符需要轉(zhuǎn)化的次數(shù)。匹配窗口公式,見式(11)。

    當(dāng)2個字符相同且它們之間的距離小于ω時,認(rèn)為這2個字符是匹配的。Jaro-Winkler距離dw定義,見式(12)。

    式中 l為前綴部分匹配的長度;p為范圍因子常量,用來調(diào)整l的權(quán)重,默認(rèn)值為0.1。當(dāng)Jaro距離陷入停滯時,Jaro-Winkler算法可以對Jaro距離進(jìn)行調(diào)整。它的取值范圍為[0,1],越接近1,表示兩段字符串相似度越高。

    利用爬蟲技術(shù)獲取廠商官網(wǎng)產(chǎn)品介紹構(gòu)建物聯(lián)網(wǎng)設(shè)備知識庫,詳細(xì)信息見表2,其中廠商、設(shè)備型號和設(shè)備類型均為字符串類型。

    表2 型號知識庫及屬性值Table 2 Model knowledge base and attribute values

    使用Jaro-Winkler算法計算型號待匹配字段與案例的相似度,確定物聯(lián)網(wǎng)設(shè)備的型號,設(shè)備類型也隨之確定。設(shè)備型號字段通常由數(shù)字或字母加數(shù)字的組合形式,例如Cisco 1841,Axis Q7424-R,運(yùn)用正則表達(dá)式技術(shù)(^[a-z]+\d{1,5}|\d{1,4}$|^\d+[a-z])抓取樣本頁面中可能是型號的字段進(jìn)行相似度匹配,流程如算法2所示。

    算法2設(shè)備型號匹配

    輸入:待確定的型號詞列表M_List;產(chǎn)品知識庫Dm,廠商m;閾值δ

    輸出:樣本的設(shè)備型號model_true

    1:INIT model_List←?,item_List←?

    2:for each item from M_List do

    3: for each model from Dmdo

    4: jw←Jaro-Winkler(item,model)

    5: model_List.add([jw,model])

    6: end for

    7: item_List.add(max(model_list))

    8:end for

    9:temp←max(item_List)

    10:if temp[jw]>δthen

    11: model_true←temp[model]

    12:else

    13: model_true←?

    14:return model_true

    輸出結(jié)果得到的model_true為匹配到的該設(shè)備的型號信息,model_true為空表示匹配失敗。

    4 試驗與評估

    4.1 數(shù)據(jù)來源

    數(shù)據(jù)集來源于Zmap[25]掃描工具探測IPv4地址空間,對于存活的IP地址,向7種協(xié)議的常用端口發(fā)送請求數(shù)據(jù)包,共解析了10 400條報文數(shù)據(jù)并打上標(biāo)簽。數(shù)據(jù)集中包含10種設(shè)備類型,15個廠商的800種型號設(shè)備。其中80%的數(shù)據(jù)集作為訓(xùn)練集,20%的數(shù)據(jù)集作為測試集。

    4.2 運(yùn)行環(huán)境

    硬件環(huán)境為Windows 10操作系統(tǒng),內(nèi)存16GB,Intel Core i5-1135G7@2.40 GHz,軟件環(huán)境為Pycharm 2021版本,Pytorch框架。

    4.3 評價指標(biāo)

    從準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)、和F1-score來評價模型的性能。各指標(biāo)公式,見式(13)~式(16)。

    式中 TP為正類判定為正類;FP為負(fù)類判定為正類;FN為正類判定為負(fù)類;TN為負(fù)類判定為負(fù)類。精確率表示正確預(yù)測為正的占全部預(yù)測為正的比例,越高越好。召回率表示正確預(yù)測為正的占全部實際為正的比例,越高越好。F1-score是衡量分類性能的一種綜合指標(biāo)。

    4.4 試驗結(jié)果分析

    4.4.1 廠商識別結(jié)果分析

    設(shè)置訓(xùn)練集與測試集數(shù)量比為4∶1,訓(xùn)練次數(shù)為400次,模型每訓(xùn)練4次測試1次。取詞向量維度k=10,30,60,100進(jìn)行訓(xùn)練和測試[26],結(jié)果如圖5所示。

    圖5 訓(xùn)練集與測試集損失函數(shù)Fig.5 Loss function between training set and test set

    從圖5可以看出,k=10時,訓(xùn)練集損失函數(shù)收斂速度最慢,在訓(xùn)練次數(shù)為400次左右達(dá)到收斂,在測試集上損失函數(shù)最大,這是因為詞向量維度太小,導(dǎo)致樣本之間差異性較弱,機(jī)器需要學(xué)習(xí)更多的次數(shù);k=30時損失函數(shù)在訓(xùn)練次數(shù)為200次左右達(dá)到收斂,測試集損失函數(shù)波動較為明顯;k=60時,在訓(xùn)練集和測試集上均最先達(dá)到收斂;k=100時,損失函數(shù)收斂速度降低,這是因為詞向量維度過高導(dǎo)致模型復(fù)雜度增加,但損失函數(shù)曲線波動最小,模型更加穩(wěn)定。

    4.4.2 Bi-LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)優(yōu)

    設(shè)置與4.4.1一致,結(jié)果如圖6所示,通過結(jié)果分析參數(shù)k與訓(xùn)練次數(shù)的選取。

    圖6 k取值大小與分類性能關(guān)系Fig.6 Relationship between the value of k and the classification performance

    從圖6可以看出,隨著訓(xùn)練次數(shù)的增加,所有參數(shù)的模型精確率、召回率不斷提高,然后逐漸趨于收斂。k=10時,在訓(xùn)練400次左右曲線達(dá)到收斂,此時精確率達(dá)到最高為92.3%,召回率為90.5%,F(xiàn)1-score值為0.91;k=30時,曲線在訓(xùn)練280次達(dá)到收斂,此時精確率為96.4%,召回率為95.2%,F(xiàn)1-score值為0.95;k=60時,曲線在訓(xùn)練120次達(dá)到收斂,在4條曲線中最先達(dá)到收斂,此時精確率為98.9%,召回率為98.6%,F(xiàn)1-score值為0.99;k=100時,在訓(xùn)練140次時達(dá)到收斂,精確率為99.3%,召回率為97.3%,F(xiàn)1-score值為0.98,曲線波動范圍最小。詞向量維度越小在向量空間中越密集,需要更多的訓(xùn)練次數(shù)來達(dá)到收斂;隨著詞向量維度增加,模型的穩(wěn)定性增強(qiáng);詞向量維度過大時將導(dǎo)致計算量指數(shù)級上升,訓(xùn)練時間也隨之增加。

    綜合考慮,取k=60,訓(xùn)練次數(shù)為150來訓(xùn)練廠商識別模型,此時訓(xùn)練次數(shù)和模型性能最均衡。

    4.4.3 型號識別結(jié)果分析

    在型號匹配模塊中,匹配閾值δ決定模型的匹配精度。當(dāng)匹配結(jié)果的可信值大于閾值時,視為匹配成功;否則,視為無法匹配。δ取值過小時,會得到非型號字段的干擾詞,模型的準(zhǔn)確率降低;當(dāng)δ取值過大時,匹配失敗的樣例會增加,模型整體的性能降低。因此,需要找到閾值最佳的平衡點。δ取值和模型性能的關(guān)系如圖7所示。

    圖7 閾值大小與模型性能關(guān)系Fig.7 Relationship between threshold and model performance

    從圖7可以看出,隨著閾值δ從0.9增加到0.96,模型的準(zhǔn)確率和召回率不斷增加,在δ=0.96時達(dá)到最大值,此時準(zhǔn)確率為98.8%,召回率為96.5%。之后隨著閾值的增加,準(zhǔn)確率和召回率逐漸減小。當(dāng)δ=1時,模型的性能表現(xiàn)最差,這是因為閾值設(shè)置過高時,型號匹配的要求更加嚴(yán)格,導(dǎo)致包含正確型號字段被過濾掉,使得模型整體性能變差。綜合考慮取δ值為0.96,此時準(zhǔn)確率和召回率達(dá)到峰值,模型的整體性能最佳。

    4.4.4 方法對比

    將提出的方法與IoT SENTINEL[16]、IoTDevID聚合和IoTDevID混合模式[18]從平均準(zhǔn)確率、識別粒度、識別范圍和時間開銷4個方面進(jìn)行對比。IoT SENTINEL從每個設(shè)備的前12個數(shù)據(jù)包中提取的23個流量特征,作為設(shè)備的唯一指紋。IoTDevID通過使用遺傳算法從52個候選流量特征中挑選性能更高的特征子集來降低模型的計算開銷。比較結(jié)果見表3。

    表3 不同方法性能對比Table 3 Performance comparison of different methods

    從表3可以看出,在平均準(zhǔn)確率方面文章提出的方法表現(xiàn)最好,平均準(zhǔn)確率為98.8%;IoTDevID在2種模式下通過重新組合流量指紋,得到最優(yōu)特征子集,提高了算法的準(zhǔn)確率,分別為94.3%和94.1%;IoT SENTINEL由于存在地址沖突問題,性能與其他方法差距較大,僅為81.5%。在識別粒度方面,提出的二階段識別框架識別細(xì)粒度最高,知識庫800個設(shè)備型號中,識別出型號的占778個,約占97%;IoT SENTINEL和IoTDevID采用流量指紋的方式,前者在27種流量中只能識別出4種設(shè)備型號,后者只能識別到廠商粒度。時間開銷方面,IoT SENTINEL沒有進(jìn)行額外的預(yù)處理,算法整體開銷最小,約為0.15 s;IoTDevID由于加入了遺傳算法增加了時間開銷,約為0.5 s;文章構(gòu)建型號知識庫擴(kuò)大識別范圍到800個物聯(lián)網(wǎng)設(shè)備,分別比其他方法多773個和769個,識別型號時需要額外開銷,但識別細(xì)粒度得到有效提升。

    5 結(jié) 論

    1)改進(jìn)指紋提取方法,提取應(yīng)用層報文特征生成設(shè)備指紋以識別在線物聯(lián)網(wǎng)設(shè)備。試驗證明該方法準(zhǔn)確率為98.8%,召回率為96.5%,與其他方法相比平均識別準(zhǔn)確率提升4.7%。

    2)提出的二階段在線物聯(lián)網(wǎng)設(shè)備識別框架細(xì)化了設(shè)備識別粒度,利用Bi-LSTM 神經(jīng)網(wǎng)絡(luò)加Jaro-Winkler算法,在有效識別設(shè)備廠商后進(jìn)一步判別設(shè)備型號和設(shè)備類型。試驗證明該方法在數(shù)據(jù)集中正確識別出97%的設(shè)備型號。

    3)構(gòu)建物聯(lián)網(wǎng)設(shè)備型號知識庫,用于存儲設(shè)備型號、設(shè)備類型等物聯(lián)網(wǎng)設(shè)備信息。知識庫可擴(kuò)展性強(qiáng),通過將新設(shè)備信息添加入到庫中,有效解決識別范圍受限問題。

    猜你喜歡
    型號廠商向量
    向量的分解
    “三化”在型號研制中的應(yīng)用研究
    聚焦“向量與三角”創(chuàng)新題
    玩具廠商及合作機(jī)構(gòu)新年進(jìn)步
    型號產(chǎn)品配套管理模式探索與實踐
    廠商對北京卡車市場不抱希望
    汽車觀察(2018年10期)2018-11-06 07:05:32
    不同型號CTC/TDCS設(shè)備的互聯(lián)互通
    向量垂直在解析幾何中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    電視廠商與好萊塢公司將制訂超高清標(biāo)準(zhǔn)
    聲屏世界(2015年2期)2015-03-11 18:31:32
    国产乱人伦免费视频| 亚洲欧美激情综合另类| 久久国产乱子免费精品| 日本免费一区二区三区高清不卡| 波多野结衣高清无吗| 日韩欧美国产一区二区入口| 久久精品人妻少妇| 精品福利观看| 亚洲av中文字字幕乱码综合| 99久久精品一区二区三区| 亚洲精品乱码久久久v下载方式| 人妻久久中文字幕网| 成熟少妇高潮喷水视频| 亚洲av不卡在线观看| 国产视频内射| 欧美极品一区二区三区四区| 日韩欧美在线二视频| 欧美日韩福利视频一区二区| 美女 人体艺术 gogo| 最近在线观看免费完整版| 美女cb高潮喷水在线观看| 久久天躁狠狠躁夜夜2o2o| 一本久久中文字幕| 亚洲av熟女| 日本免费a在线| 男女之事视频高清在线观看| 有码 亚洲区| 成人国产一区最新在线观看| 日本五十路高清| 日本免费一区二区三区高清不卡| 欧美区成人在线视频| 伦理电影大哥的女人| 在线a可以看的网站| 亚洲中文字幕日韩| 日本黄大片高清| 一进一出抽搐gif免费好疼| 欧美三级亚洲精品| 国产精品久久久久久久电影| 成人av一区二区三区在线看| 久久久久久九九精品二区国产| 久久香蕉精品热| 99久久九九国产精品国产免费| 亚洲中文字幕日韩| 91字幕亚洲| 亚洲专区中文字幕在线| 日韩欧美国产一区二区入口| 少妇人妻一区二区三区视频| 搡女人真爽免费视频火全软件 | 婷婷精品国产亚洲av在线| 日本成人三级电影网站| 亚洲va日本ⅴa欧美va伊人久久| 国产精品乱码一区二三区的特点| 国语自产精品视频在线第100页| 亚洲中文字幕日韩| 少妇被粗大猛烈的视频| 欧美性感艳星| 一级黄片播放器| 人妻丰满熟妇av一区二区三区| av天堂中文字幕网| 午夜免费成人在线视频| 色在线成人网| 亚洲激情在线av| 欧美性猛交黑人性爽| 久久亚洲真实| 日韩 亚洲 欧美在线| 久久99热6这里只有精品| 黄色丝袜av网址大全| 亚洲不卡免费看| 国产久久久一区二区三区| 亚洲天堂国产精品一区在线| 男女那种视频在线观看| 国产精品电影一区二区三区| 91狼人影院| 婷婷精品国产亚洲av| 亚洲真实伦在线观看| 精品午夜福利在线看| 精品久久久久久久久av| 亚洲最大成人av| 夜夜爽天天搞| 精品熟女少妇八av免费久了| 亚洲第一欧美日韩一区二区三区| 欧美色欧美亚洲另类二区| www.熟女人妻精品国产| 欧美潮喷喷水| 在线播放无遮挡| 黄色日韩在线| 在线观看66精品国产| 精品人妻视频免费看| 亚洲av免费在线观看| 久久久久久久午夜电影| 免费大片18禁| 午夜老司机福利剧场| 中文字幕精品亚洲无线码一区| 欧美日韩亚洲国产一区二区在线观看| 欧美一级a爱片免费观看看| 色5月婷婷丁香| 亚洲人成网站在线播放欧美日韩| 91午夜精品亚洲一区二区三区 | ponron亚洲| 18禁黄网站禁片免费观看直播| 日本 av在线| 国产欧美日韩一区二区三| 国产精品免费一区二区三区在线| 亚洲七黄色美女视频| 能在线免费观看的黄片| 91麻豆av在线| 欧美日韩国产亚洲二区| 91九色精品人成在线观看| 国产一区二区三区视频了| av在线蜜桃| 99国产极品粉嫩在线观看| 久久婷婷人人爽人人干人人爱| 色综合亚洲欧美另类图片| 我要搜黄色片| 真人一进一出gif抽搐免费| 一卡2卡三卡四卡精品乱码亚洲| 日韩欧美国产在线观看| 久久久久免费精品人妻一区二区| 熟女电影av网| 亚洲成人中文字幕在线播放| www.色视频.com| 最近中文字幕高清免费大全6 | 亚洲av一区综合| 国产人妻一区二区三区在| xxxwww97欧美| 精品一区二区三区av网在线观看| 亚洲午夜理论影院| 18+在线观看网站| 国产一区二区三区视频了| 村上凉子中文字幕在线| 一二三四社区在线视频社区8| 最近视频中文字幕2019在线8| 制服丝袜大香蕉在线| a在线观看视频网站| 亚洲成人久久爱视频| 观看免费一级毛片| 中文资源天堂在线| 亚洲色图av天堂| 亚洲成人久久性| 91午夜精品亚洲一区二区三区 | 国产爱豆传媒在线观看| 亚洲美女视频黄频| 久久精品综合一区二区三区| 久久午夜亚洲精品久久| 久久伊人香网站| 中文亚洲av片在线观看爽| 国产亚洲欧美在线一区二区| 特大巨黑吊av在线直播| 色哟哟哟哟哟哟| a级毛片免费高清观看在线播放| 久久精品国产99精品国产亚洲性色| 国产毛片a区久久久久| 久久精品国产亚洲av香蕉五月| 午夜福利视频1000在线观看| 国产亚洲精品综合一区在线观看| 一级a爱片免费观看的视频| 日韩av在线大香蕉| 欧美潮喷喷水| 国产精品av视频在线免费观看| 日本一二三区视频观看| 99久久成人亚洲精品观看| 国产白丝娇喘喷水9色精品| 他把我摸到了高潮在线观看| 免费在线观看亚洲国产| 亚洲中文字幕日韩| 精品免费久久久久久久清纯| 日韩欧美国产在线观看| 人人妻人人澡欧美一区二区| 日韩av在线大香蕉| 可以在线观看毛片的网站| 欧美日本亚洲视频在线播放| 嫩草影院入口| 国产精品不卡视频一区二区 | 久久久精品大字幕| 久久精品人妻少妇| 性色avwww在线观看| 日日摸夜夜添夜夜添小说| 久久国产乱子伦精品免费另类| 亚洲精品久久国产高清桃花| 91九色精品人成在线观看| eeuss影院久久| 久久久久九九精品影院| 在线播放无遮挡| 国产精品久久久久久精品电影| 99精品久久久久人妻精品| 国产精品亚洲美女久久久| 草草在线视频免费看| 亚洲欧美日韩高清专用| 老司机深夜福利视频在线观看| 国产蜜桃级精品一区二区三区| 亚洲国产色片| 日本成人三级电影网站| 搡老妇女老女人老熟妇| 欧美最黄视频在线播放免费| 精品一区二区免费观看| 欧美3d第一页| 一区二区三区高清视频在线| 99久久无色码亚洲精品果冻| 免费一级毛片在线播放高清视频| 丁香欧美五月| 国产美女午夜福利| 久久精品91蜜桃| 偷拍熟女少妇极品色| 国产综合懂色| 久久精品久久久久久噜噜老黄 | 国产精品人妻久久久久久| 午夜福利欧美成人| 在线免费观看不下载黄p国产 | 国产午夜精品久久久久久一区二区三区 | 黄色一级大片看看| 最近视频中文字幕2019在线8| av黄色大香蕉| 亚洲专区中文字幕在线| 久久午夜福利片| 真人做人爱边吃奶动态| 亚洲综合色惰| 极品教师在线视频| 免费在线观看影片大全网站| 久久天躁狠狠躁夜夜2o2o| 中文字幕高清在线视频| 亚洲精品色激情综合| 麻豆av噜噜一区二区三区| 日本成人三级电影网站| 嫩草影院新地址| 欧洲精品卡2卡3卡4卡5卡区| 村上凉子中文字幕在线| 国产成人aa在线观看| 黄色一级大片看看| 美女xxoo啪啪120秒动态图 | 91在线精品国自产拍蜜月| 精品一区二区三区av网在线观看| 国产精品av视频在线免费观看| 午夜激情福利司机影院| 国产精品一区二区性色av| 51午夜福利影视在线观看| 免费人成在线观看视频色| 中文字幕人成人乱码亚洲影| 免费在线观看成人毛片| 亚洲成人久久性| 天天躁日日操中文字幕| 午夜免费男女啪啪视频观看 | 久久欧美精品欧美久久欧美| a在线观看视频网站| 内射极品少妇av片p| 99在线人妻在线中文字幕| 欧洲精品卡2卡3卡4卡5卡区| 一级a爱片免费观看的视频| 精品熟女少妇八av免费久了| 动漫黄色视频在线观看| 亚洲欧美日韩卡通动漫| netflix在线观看网站| 亚洲av免费在线观看| 精品日产1卡2卡| 一区二区三区高清视频在线| 高清毛片免费观看视频网站| 黄色配什么色好看| 国内毛片毛片毛片毛片毛片| 在线国产一区二区在线| 99在线人妻在线中文字幕| 欧美国产日韩亚洲一区| 日韩成人在线观看一区二区三区| 一进一出抽搐动态| 午夜福利在线观看免费完整高清在 | 真人做人爱边吃奶动态| 久久人人爽人人爽人人片va | 午夜福利18| 简卡轻食公司| 欧美日韩综合久久久久久 | 给我免费播放毛片高清在线观看| 麻豆成人av在线观看| 免费大片18禁| 国产熟女xx| 天堂动漫精品| 欧美极品一区二区三区四区| 丁香欧美五月| 色视频www国产| 日韩欧美 国产精品| 男女视频在线观看网站免费| 国产午夜精品论理片| 亚洲内射少妇av| 丰满人妻熟妇乱又伦精品不卡| 最好的美女福利视频网| 亚洲人成电影免费在线| 亚洲一区二区三区色噜噜| 狠狠狠狠99中文字幕| 99久久99久久久精品蜜桃| 亚州av有码| 亚洲精品乱码久久久v下载方式| 欧美日本亚洲视频在线播放| 国产视频内射| 亚洲真实伦在线观看| 国产真实乱freesex| 在线天堂最新版资源| 久久久久久久精品吃奶| 欧美精品啪啪一区二区三区| 日韩欧美免费精品| 在线观看舔阴道视频| 国产黄a三级三级三级人| www.熟女人妻精品国产| av欧美777| 夜夜夜夜夜久久久久| 国产免费一级a男人的天堂| 亚洲精华国产精华精| 久久久久久久久久成人| 最近视频中文字幕2019在线8| 99热精品在线国产| 少妇的逼好多水| 久久人妻av系列| 一区福利在线观看| 亚洲欧美精品综合久久99| 国产高潮美女av| 毛片女人毛片| 亚洲中文字幕日韩| 国产亚洲av嫩草精品影院| 看十八女毛片水多多多| 一进一出抽搐动态| 欧美+亚洲+日韩+国产| 毛片女人毛片| 亚洲一区二区三区色噜噜| 在线观看午夜福利视频| 女同久久另类99精品国产91| 色精品久久人妻99蜜桃| 激情在线观看视频在线高清| av视频在线观看入口| 欧美激情国产日韩精品一区| 一夜夜www| 国产伦在线观看视频一区| 欧美一区二区国产精品久久精品| 欧美潮喷喷水| 欧美日韩中文字幕国产精品一区二区三区| 国产精品电影一区二区三区| 有码 亚洲区| 中文字幕久久专区| 精品午夜福利在线看| 九色国产91popny在线| 日韩欧美一区二区三区在线观看| 精品人妻一区二区三区麻豆 | 国产精品亚洲一级av第二区| 两个人视频免费观看高清| 日日摸夜夜添夜夜添av毛片 | 免费在线观看成人毛片| 免费看a级黄色片| 一进一出抽搐动态| 午夜福利在线在线| x7x7x7水蜜桃| 国产精品久久久久久亚洲av鲁大| 国产视频内射| 美女大奶头视频| 久久99热6这里只有精品| 午夜福利在线在线| 首页视频小说图片口味搜索| 亚洲国产精品sss在线观看| 亚洲成a人片在线一区二区| 亚洲精品亚洲一区二区| 两人在一起打扑克的视频| 精品人妻1区二区| 国产真实乱freesex| 三级男女做爰猛烈吃奶摸视频| 91麻豆精品激情在线观看国产| 毛片一级片免费看久久久久 | 午夜精品久久久久久毛片777| 搞女人的毛片| 国产真实伦视频高清在线观看 | 日本免费a在线| 久久伊人香网站| 99久久久亚洲精品蜜臀av| 草草在线视频免费看| 桃红色精品国产亚洲av| 啦啦啦韩国在线观看视频| 日韩中字成人| 一级作爱视频免费观看| 伦理电影大哥的女人| 欧美一区二区国产精品久久精品| 国产精品久久电影中文字幕| 一进一出抽搐gif免费好疼| 99久久无色码亚洲精品果冻| 看片在线看免费视频| 精品一区二区免费观看| 99热这里只有是精品在线观看 | 久久久久国内视频| 欧美日韩国产亚洲二区| 在线免费观看的www视频| 国产单亲对白刺激| 国产精品综合久久久久久久免费| 日韩av在线大香蕉| 欧美日本视频| 亚洲精品色激情综合| 欧美高清性xxxxhd video| 国产主播在线观看一区二区| 日本三级黄在线观看| 亚洲片人在线观看| 久久伊人香网站| 国产欧美日韩一区二区三| 老女人水多毛片| 日本精品一区二区三区蜜桃| 啦啦啦韩国在线观看视频| 国产一区二区激情短视频| 看黄色毛片网站| 国产一区二区三区在线臀色熟女| 91九色精品人成在线观看| 观看美女的网站| 日韩国内少妇激情av| 99国产精品一区二区蜜桃av| 成人国产综合亚洲| 十八禁人妻一区二区| 国产一级毛片七仙女欲春2| 一本一本综合久久| 在线观看av片永久免费下载| 久久99热6这里只有精品| 深夜a级毛片| 欧美日韩亚洲国产一区二区在线观看| 香蕉av资源在线| 久久久精品大字幕| 综合色av麻豆| 特级一级黄色大片| 中亚洲国语对白在线视频| 午夜两性在线视频| 日韩有码中文字幕| 亚洲精品一区av在线观看| 成年免费大片在线观看| 亚洲片人在线观看| 亚洲在线自拍视频| 中文字幕熟女人妻在线| 欧美激情久久久久久爽电影| 一区二区三区免费毛片| 每晚都被弄得嗷嗷叫到高潮| 午夜激情欧美在线| www日本黄色视频网| 色尼玛亚洲综合影院| 久久久久久久久大av| 国内精品久久久久精免费| 国产精品三级大全| 好看av亚洲va欧美ⅴa在| 一区二区三区四区激情视频 | 日韩有码中文字幕| 亚洲欧美日韩无卡精品| 国产av一区在线观看免费| 亚洲18禁久久av| 日日夜夜操网爽| 90打野战视频偷拍视频| 少妇熟女aⅴ在线视频| 最近最新免费中文字幕在线| 麻豆久久精品国产亚洲av| 非洲黑人性xxxx精品又粗又长| 国产午夜精品久久久久久一区二区三区 | 高清日韩中文字幕在线| 国产伦精品一区二区三区四那| 俄罗斯特黄特色一大片| 国产精品98久久久久久宅男小说| 青草久久国产| 午夜免费成人在线视频| 国产精品久久电影中文字幕| 亚洲熟妇中文字幕五十中出| 欧美性感艳星| 国内精品一区二区在线观看| 午夜免费激情av| 午夜福利高清视频| 亚洲欧美精品综合久久99| 亚洲综合色惰| 看片在线看免费视频| 男女之事视频高清在线观看| 欧美日韩瑟瑟在线播放| 制服丝袜大香蕉在线| 亚洲一区二区三区不卡视频| 一区二区三区免费毛片| 久久精品91蜜桃| 99riav亚洲国产免费| .国产精品久久| 给我免费播放毛片高清在线观看| 午夜免费成人在线视频| 国产久久久一区二区三区| 亚洲熟妇中文字幕五十中出| 一本综合久久免费| 日韩高清综合在线| 亚洲av成人不卡在线观看播放网| 成人av在线播放网站| 国产高清视频在线播放一区| 精品久久久久久久久亚洲 | 欧美性感艳星| 中文字幕av在线有码专区| 国产黄a三级三级三级人| 免费在线观看日本一区| 国产精品一区二区三区四区久久| 日本一本二区三区精品| 丰满的人妻完整版| 国产成人啪精品午夜网站| 日韩中字成人| 美女高潮的动态| 国产三级中文精品| 午夜激情福利司机影院| 亚洲精品亚洲一区二区| 久99久视频精品免费| 我的老师免费观看完整版| 俺也久久电影网| 成人特级黄色片久久久久久久| a在线观看视频网站| 九九在线视频观看精品| a在线观看视频网站| 夜夜看夜夜爽夜夜摸| 禁无遮挡网站| 亚洲中文字幕一区二区三区有码在线看| 国产亚洲av嫩草精品影院| 成年女人看的毛片在线观看| 国产精品久久视频播放| 亚洲经典国产精华液单 | 亚洲 欧美 日韩 在线 免费| 97超级碰碰碰精品色视频在线观看| 久久婷婷人人爽人人干人人爱| 日日摸夜夜添夜夜添小说| av视频在线观看入口| 国内精品美女久久久久久| 性欧美人与动物交配| 97超视频在线观看视频| 亚洲国产日韩欧美精品在线观看| 亚洲精品影视一区二区三区av| 99久久久亚洲精品蜜臀av| 极品教师在线视频| 天堂√8在线中文| 成人永久免费在线观看视频| 99riav亚洲国产免费| 婷婷精品国产亚洲av在线| 别揉我奶头 嗯啊视频| 久久久久久久午夜电影| 白带黄色成豆腐渣| 国产麻豆成人av免费视频| 久久精品夜夜夜夜夜久久蜜豆| 欧美一级a爱片免费观看看| 搡老妇女老女人老熟妇| 三级国产精品欧美在线观看| 精品日产1卡2卡| 变态另类丝袜制服| 国产精品国产高清国产av| 成人av在线播放网站| 亚洲一区二区三区不卡视频| 日日干狠狠操夜夜爽| 1000部很黄的大片| 中出人妻视频一区二区| 变态另类丝袜制服| 国产乱人伦免费视频| 国产成人av教育| 精品一区二区免费观看| 国产亚洲精品av在线| 午夜免费激情av| 精品久久久久久,| 男女那种视频在线观看| 51午夜福利影视在线观看| 国产免费一级a男人的天堂| 成熟少妇高潮喷水视频| 久久久久久国产a免费观看| 黄色日韩在线| 日本撒尿小便嘘嘘汇集6| 美女黄网站色视频| 99国产精品一区二区三区| 精品一区二区三区视频在线| 久久精品久久久久久噜噜老黄 | 国产男靠女视频免费网站| 最近最新中文字幕大全电影3| 日韩欧美免费精品| 我的老师免费观看完整版| 中文字幕免费在线视频6| 欧美一区二区国产精品久久精品| 小说图片视频综合网站| 欧美色欧美亚洲另类二区| 精品乱码久久久久久99久播| 国产亚洲精品综合一区在线观看| 嫁个100分男人电影在线观看| 精品人妻视频免费看| 99精品在免费线老司机午夜| 亚洲精品影视一区二区三区av| 婷婷精品国产亚洲av在线| av在线老鸭窝| 亚洲av熟女| 日韩精品青青久久久久久| 国产综合懂色| 91在线精品国自产拍蜜月| 成人特级黄色片久久久久久久| av女优亚洲男人天堂| 日韩欧美国产一区二区入口| 69人妻影院| 两人在一起打扑克的视频| 精品人妻1区二区| 校园春色视频在线观看| 国产私拍福利视频在线观看| av专区在线播放| 国产精品自产拍在线观看55亚洲| 国产在线男女| 色综合站精品国产| 亚洲中文日韩欧美视频| 美女xxoo啪啪120秒动态图 | 亚洲片人在线观看| 国产综合懂色| 国产三级黄色录像| 亚洲一区二区三区不卡视频| 毛片一级片免费看久久久久 | 久久久久国产精品人妻aⅴ院| 欧美xxxx黑人xx丫x性爽| 精品一区二区三区人妻视频| 欧美xxxx性猛交bbbb| 午夜影院日韩av| 别揉我奶头 嗯啊视频| 深夜精品福利| 国产激情偷乱视频一区二区| 51午夜福利影视在线观看| 在线观看免费视频日本深夜| 麻豆国产av国片精品| 国产三级在线视频| 国产精品永久免费网站| 亚洲熟妇中文字幕五十中出| 搡老熟女国产l中国老女人| 久久亚洲真实| 村上凉子中文字幕在线| av专区在线播放| 男人的好看免费观看在线视频| 丁香欧美五月| 免费av观看视频|