• <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 ?

    基于視覺注意力網(wǎng)絡(luò)的惡意加密流量檢測*

    2023-10-22 01:45:40薛秋爽湯艷君王世航中國刑事警察學(xué)院
    警察技術(shù) 2023年5期
    關(guān)鍵詞:加密注意力卷積

    薛秋爽 湯艷君 王世航 中國刑事警察學(xué)院

    引言

    隨著網(wǎng)絡(luò)隱私安全事件頻發(fā),公眾越來越關(guān)注數(shù)據(jù)傳輸?shù)谋C苄院桶踩?,加密流量傳輸方式相較于非加密流量傳輸方式更傾向于被采用[1]。通過對端口協(xié)議、字段特征等方法將流量進(jìn)行加密,對保護(hù)國家和公眾的隱私起到了至關(guān)重要的作用[2],但同時(shí)攻擊者也可使用加密流量繞過現(xiàn)有的網(wǎng)絡(luò)安全產(chǎn)品來傳輸信息,逃避檢測,為從事違法犯罪活動提供了便利,其使得惡意流量因加密而不容易被檢測。在計(jì)算機(jī)中傳播惡意流量觸犯非法侵入計(jì)算機(jī)信息系統(tǒng)罪和破壞計(jì)算機(jī)信息系統(tǒng)罪等《刑法》條文。因此,如何在加密流量中關(guān)注流量的圖像特征,快速檢測未知威脅并做出響應(yīng),是網(wǎng)絡(luò)安全態(tài)勢感知中的關(guān)鍵問題,此問題的解決同時(shí)也為公安部門辦理網(wǎng)絡(luò)犯罪案件中鑒別是否屬于惡意流量、屬于哪種惡意流量提供依據(jù),進(jìn)一步為定罪量刑打下了基礎(chǔ)。

    目前對惡意加密流量的檢測方法可分為以下四種方式:基于端口號的方法、基于深度包檢測的方法、基于機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法[3]?;诙丝谔柕姆椒ㄍㄟ^識別協(xié)議類別來檢測流量。然而此方法只適用于檢測協(xié)議類別,動態(tài)端口號的普及和隧道技術(shù)以及專有的加密方法可以將協(xié)議進(jìn)行隱藏?;谏疃劝鼨z測的方法以應(yīng)用層的有效載荷為檢測對象,對字段特征進(jìn)行分析,以此來實(shí)現(xiàn)對流量的具體分析。此方法通過流量協(xié)議知悉其協(xié)議和字段含義,但是需要頻繁維護(hù)特征庫,僅適用于未加密的流量,且具有較高的計(jì)算開銷。新一代基于機(jī)器學(xué)習(xí)的方法依賴于統(tǒng)計(jì)或時(shí)間序列特征,通常采用經(jīng)典的機(jī)器學(xué)習(xí)算法,如隨機(jī)森林和k近鄰算法。然而,此方法的性能很大程度上取決于人工設(shè)計(jì)的特性,這大大限制了它的通用性?;谏疃葘W(xué)習(xí)的方法消除了人工選擇特征的過程,通過訓(xùn)練來自動選擇特征,這使得當(dāng)新的惡意流量出現(xiàn)并且舊的惡意流量逐漸升級時(shí)此方法依舊適用;同時(shí),基于深度學(xué)習(xí)的方法具有相當(dāng)好的學(xué)習(xí)能力,可以學(xué)習(xí)高度復(fù)雜的模式。因此,深度學(xué)習(xí)方法作為一種端到端的方法,能夠?qū)W習(xí)原始輸入和相應(yīng)輸出之間的非線性關(guān)系,而無需將過程分解出特征選擇的步驟。但是不同模型結(jié)構(gòu)的性能以及構(gòu)建方法仍有差異,如何合理運(yùn)用和搭建不同的深度學(xué)習(xí)模型,使其學(xué)習(xí)不同的表征,提高惡意加密流量的檢測率,仍然是一個(gè)需要研究的問題。

    國內(nèi)外學(xué)者基于深度學(xué)習(xí)的方法進(jìn)行惡意加密流量檢測的相關(guān)研究中,提出了包括以文本序列形式檢測和將流量轉(zhuǎn)化為圖像的方式進(jìn)行檢測方法。Wei W等人[4]提出一維卷積神經(jīng)網(wǎng)絡(luò)(One-Dimensional Convolutional Neural Network,1D-CNN)更適用于提取作為一維的序列數(shù)據(jù)的流量特征,并創(chuàng)建了USFC-TFC數(shù)據(jù)集并針對該數(shù)據(jù)集開發(fā)了預(yù)處理工具;Zhuang Z等人[5]提出采用CNN和LSTM分別進(jìn)行分組特征提取和流級別的時(shí)序特征提取的方法進(jìn)行加密流量分類;Yu T等人[6]提出一種基于多自動編碼器的加密惡意流量檢測方法,使用惡意沙盒收集流量數(shù)據(jù),再使用AE的多層網(wǎng)絡(luò)進(jìn)行特征提取和訓(xùn)練分類器模型。上述研究均取得了不錯(cuò)的結(jié)果,雖多關(guān)注流量本身的特征,但忽略了將其進(jìn)行數(shù)據(jù)處理轉(zhuǎn)換后針對數(shù)據(jù)形式對模型的選擇和改進(jìn),同時(shí)目前惡意流量檢測研究領(lǐng)域的實(shí)驗(yàn)多在未加密流量和虛擬數(shù)據(jù)集上開展,與公安實(shí)際較不符合。

    為了解決上述問題,本文采用將流量數(shù)據(jù)轉(zhuǎn)換為圖像的方法,以公開數(shù)據(jù)集USTC-TFC作為實(shí)驗(yàn)數(shù)據(jù)集,針對圖像引入基于視覺注意力網(wǎng)絡(luò)(Visual Attention Network,VAN)[7]的惡意加密流量檢測模型,VAN模型中的大核注意力(Large Kernal Attention,LKA)是最關(guān)鍵的部分,其將大卷積核分解成深度卷積、深度擴(kuò)張卷積和通道上的卷積,再結(jié)合注意力機(jī)制根據(jù)不同的權(quán)重生成注意力圖,突出重要特征,以此生成更有效的表征提高模型的檢測率。最后設(shè)置消融實(shí)驗(yàn)與變體模型和常見其他模型進(jìn)行對比,來驗(yàn)證模型的有效性[8]。

    一、VAN模型設(shè)計(jì)

    (一)總體模型架構(gòu)設(shè)計(jì)

    基于深度學(xué)習(xí)使用端到端的方式進(jìn)行惡意加密流量檢測。首先,對USTC-TFC數(shù)據(jù)集進(jìn)行預(yù)處理,將原始流量轉(zhuǎn)換為灰度圖。此過程經(jīng)歷流量切分、流量清洗、流量匿名化、統(tǒng)一大小、圖片生成、標(biāo)記數(shù)據(jù)。其次,將處理好的圖片輸入到VAN模塊中,首先利用LKA模塊提取流量圖像的特征,再根據(jù)注意力機(jī)制計(jì)算每個(gè)特征圖的權(quán)重值生成注意力圖,然后將其輸入多層感知機(jī)(Multilayer Perceptron,MLP)中,使用多層非線性變換將輸入數(shù)據(jù)映射到高維度的特征空間中,經(jīng)歷多個(gè)階段后,將最終提取到的特征通過線性函數(shù)得到流量分類的結(jié)果。模型總體架構(gòu)如圖1所示。

    (二)數(shù)據(jù)預(yù)處理模塊

    使用的數(shù)據(jù)集是來自文獻(xiàn)[4]所創(chuàng)建的USTC-TFC的一部分。USTC-TFC數(shù)據(jù)集為少有的來源于真實(shí)環(huán)境,同時(shí)流量種類較多且為加密流量的數(shù)據(jù)集,在惡意加密流量研究領(lǐng)域較為廣泛的被使用。其數(shù)據(jù)格式為PCAP,實(shí)驗(yàn)僅將其應(yīng)用層的會話數(shù)據(jù)作為研究對象。表1為使用數(shù)據(jù)集的具體情況,左邊為正常流量,右邊為惡意流量,數(shù)據(jù)列為預(yù)處理后生成的樣本數(shù)量。

    數(shù)據(jù)預(yù)處理模塊的主要功能是將原始PCAP文件中的數(shù)據(jù)包按照會話的方式進(jìn)行劃分,并提取有用的信息,具體的處理過程如上述圖1所示,此模塊使用文獻(xiàn)[4]開發(fā)的工具集USTC-TK,在處理過程中,需要識別數(shù)據(jù)包中的五元組信息。通過這些信息,可以將流量分配到相應(yīng)的會話中,從而實(shí)現(xiàn)會話的劃分。

    (1)流量切分:將數(shù)據(jù)集中的原始PCAP流量文件通過使用SplitCap[9]工具進(jìn)行切分,以流量的五元組信息為唯一標(biāo)識,本文只對數(shù)據(jù)集中的應(yīng)用層數(shù)據(jù)進(jìn)行研究,將其以會話為單位切分為小單元。

    (2)流量清洗:將流量切分后生成的重復(fù)文件以及沒有應(yīng)用層數(shù)據(jù)的流量單元進(jìn)行清洗,只保留存在完整的通信會話標(biāo)志的流量小單元,將信息完整的流量小單元保存,以便后續(xù)模型對表征進(jìn)行學(xué)習(xí)以區(qū)分惡意流量和非惡意流量。

    (3)地址混淆:使用USTC-TK工具對數(shù)據(jù)鏈路層的Mac地址和IP層的IP地址進(jìn)行處理,這些帶有特定環(huán)境標(biāo)識的信息可能對流量檢測造成干擾,導(dǎo)致結(jié)果過擬合,失去檢測的真實(shí)性,因此統(tǒng)一刪除IP地址并使用隨機(jī)生成的IP地址進(jìn)行隨機(jī)混淆,使其地址不對檢測結(jié)果造成影響。

    (4)統(tǒng)一大?。呵蟹诌^的流量由于交互的為不同的信息和數(shù)據(jù),數(shù)據(jù)包的數(shù)量和大小各不相同,由于深度學(xué)習(xí)模型要求輸入的數(shù)據(jù)大小為固定長度,因此將流量切割或者填充為相同長度才可進(jìn)行后續(xù)處理。參考USTCTFC數(shù)據(jù)集的原始論文數(shù)據(jù)預(yù)處理方式,使用USTC-TK工具將流量切分為784字節(jié)大小。對于大于784字節(jié)的流量進(jìn)行截?cái)啵瑢τ谛∮?84字節(jié)的后續(xù)填充0x00,使流量都滿足784字節(jié)長度。

    (5)圖片生成:將統(tǒng)一大小后的流量轉(zhuǎn)化為28×28的灰度圖進(jìn)行存儲,以便后續(xù)進(jìn)行可視化分析。隨機(jī)抽取各類灰度圖如圖2所示。

    (6)標(biāo)記數(shù)據(jù):將20類灰度圖存放到各類標(biāo)簽文件夾下。

    (三)VAN模塊

    VAN是基于LKA構(gòu)造的神經(jīng)網(wǎng)絡(luò)。VAN的每一個(gè)階段有兩個(gè)子層,分別是注意力機(jī)制(Attention)和前饋神經(jīng)網(wǎng)絡(luò)(Feed-Forward Network,F(xiàn)FN)。其中注意力層包括了LKA模塊,每個(gè)子層前使用批標(biāo)準(zhǔn)化(Batch Normalization,BN),每個(gè)子層后使用加法殘差連接(Residual Connection,)。VAN每個(gè)階段結(jié)構(gòu)如圖3所示。

    LKA基于CNN(Convolutional Nerual Network,卷積神經(jīng)網(wǎng)絡(luò))和視覺注意力方法進(jìn)行實(shí)現(xiàn)。CNN的主要目的是特征提取,選擇適當(dāng)大小的卷積核對流量圖像各部分的特征進(jìn)行提取,不同大小的卷積核提取的特征重點(diǎn)不相同,根據(jù)提取的各部分流量特征以及參數(shù)設(shè)置生成對應(yīng)的特征圖。CNN可以減少特征維度,并找出圖像最明顯的特征。同時(shí),卷積核越大意味著參數(shù)量越多,運(yùn)算量也越大,所以為了達(dá)到輕量化的目的,LKA對大卷積核分成三個(gè)部分,分別是空間局部卷積(深度卷積)、空間長距離卷積(深度擴(kuò)張卷積)和通道上的卷積(1×1卷積)。具體來說,即將K×K卷積分解為 的深度擴(kuò)張卷積,擴(kuò)張度為d,(2d-1)×(2d-1)的深度卷積和1×1的卷積。VAN模塊中默認(rèn)采用K=21,當(dāng)K=21時(shí),根據(jù)公式(2)d=3時(shí)取得最小值。這相當(dāng)于將大卷積分解成5×5的深度卷積和7×7的深度卷積,擴(kuò)張率為3的小卷積。

    使用上述方式將大核分解后,加入視覺注意力的方法,將提取的流量圖像特征根據(jù)每個(gè)部分的注意力權(quán)重進(jìn)行加權(quán)求和,來計(jì)算一個(gè)點(diǎn)的重要性并生成注意力圖,越明顯的特征的比重更大從而得到更好的特征表示。LKA模塊可寫為(1)(2):

    其中,F(xiàn)∈RC×H×W是輸入特征,注意力圖中的值表示每個(gè)特征的重要性[10],是張量積運(yùn)算。

    每個(gè)階段如上述圖3所示,首先對輸入進(jìn)行下采樣,并使用跨度數(shù)來控制將采樣率。下采樣后,一個(gè)階段的所有其他層保持相同的輸出大小,即空間分辨率和通道數(shù)量。然后,L組進(jìn)行批量歸一化、1×1卷積、GELU激活函數(shù)、LKA和前饋神經(jīng)網(wǎng)絡(luò)(FFN),這些操作被依次堆疊以提取特征,L的取值分別為3、3、5、2。

    二、實(shí)驗(yàn)結(jié)果與分析

    (一)實(shí)驗(yàn)環(huán)境和VAN模塊超參數(shù)設(shè)置

    本文實(shí)驗(yàn)訓(xùn)練環(huán)境調(diào)用GPU在Pytorch上進(jìn)行訓(xùn)練,實(shí)驗(yàn)環(huán)境如表2所示。

    VAN模型參數(shù)設(shè)置如下:圖片輸入大小為28X28,經(jīng)歷四個(gè)階段,每個(gè)階段的注意力機(jī)制中嵌入的向量維度分別是[64,128,160,256],每個(gè)階段的空間維度與嵌入向量維度之間的比率分別為[8,8,4,4],每個(gè)階段的網(wǎng)絡(luò)深度分別為[3,3,5,2]。模型選擇交叉熵作為損失函數(shù)、AdamW優(yōu)化算法,批大小為50,學(xué)習(xí)率為1×10-4。為防止訓(xùn)練結(jié)果過擬合,實(shí)驗(yàn)設(shè)置一個(gè)早停機(jī)制,當(dāng)驗(yàn)證集的loss比上一個(gè)epoch的驗(yàn)證集的loss小的時(shí)候,保存這一個(gè)epoch的預(yù)訓(xùn)練模型;如果連續(xù)10個(gè)epoch的驗(yàn)證集的loss都沒有比目前保存的預(yù)訓(xùn)練模型小,那么訓(xùn)練結(jié)束。

    (二)評價(jià)指標(biāo)

    本文通過多種常見評價(jià)指標(biāo)平均準(zhǔn)確率(Average Accuracy,AA)、平均精確率(Average Precision,AP)、平均召回率(Average Recall,AR)、平均F1值(Average F1_Score,AF)對模型的檢測效果進(jìn)行評估[11]。其中,準(zhǔn)確率為正例和負(fù)例中預(yù)測正確數(shù)量占總數(shù)量的比例;精確率為預(yù)測為正例的樣本中預(yù)測正確的比例;召回率為實(shí)際為正例的樣本中,被預(yù)測為正確的正例占實(shí)際正例樣本的比例;F1值為精確率和召回率乘積的二倍除以精確率和召回率的和。

    (三)實(shí)驗(yàn)結(jié)果

    1.消融實(shí)驗(yàn)

    VAN網(wǎng)絡(luò)中最重要的部分為LKA模塊,LKA分解為三個(gè)卷積分別是:空間上的局部卷積和長距離卷積以及通道上的卷積,同時(shí)又加上了注意力機(jī)制。過多或過少的分解均有可能造成模型性能的下降,導(dǎo)致流量圖像特征提取不全面。因此本文設(shè)置了消融實(shí)驗(yàn),分別去掉深度卷積(DW-Conv)、深度擴(kuò)張卷積(DW-D-Conv)、通道上的卷積(1×1Conv)以及注意力機(jī)制,并在LKA的基礎(chǔ)上加上sigmoid函數(shù),在公開數(shù)據(jù)集USTC-TFC上進(jìn)行六組實(shí)驗(yàn)。使用平均精確率(AP)和平均F1值(AF)作為評價(jià)指標(biāo),除改動上述模塊之外其他參數(shù)保持一致,來評估VAN模型的有效性。實(shí)驗(yàn)結(jié)果表明原始LKA的性能最好,說明LKA中的所有部分對于提高性能都是必不可少的,使得模型分類更為準(zhǔn)確。對比增加sigmoid函數(shù),證明歸一化對LKA模塊來說是沒有必要的。VAN模型與其消融實(shí)驗(yàn)?zāi)P偷膶Ρ冉Y(jié)果如圖4所示。

    2.基準(zhǔn)模型對比實(shí)驗(yàn)

    為驗(yàn)證基于上述LKA模塊的VAN模型的有效性,在設(shè)置了早停機(jī)制的訓(xùn)練中,本文選取了5種模型(ResNet[12]、GoogLeNet[13]、DPN[14]、VGG[15]、1DCNN)做為基準(zhǔn)模型進(jìn)行對比。

    根據(jù)表3數(shù)據(jù),VAN模型的表現(xiàn)最好,它在AA、AP、AR、AF指標(biāo)上分別達(dá)到了95.53%、96.27%、95.56%和95.65%。相比其他基準(zhǔn)模型,在AA指標(biāo)上分別提升了0.74%、3.01%、2.66%、2.98%、3.88%,在AP指標(biāo)上分別提升了0.71%、2.03%、2.23%、2.41%、4.49%,在AR指標(biāo)上分別提升了0.81%、3.45%、3.02%、3.31%、4.15%,在AF指標(biāo)上分別提升了0.8%、3.51%、3.07%、3.48%、4.2%。

    為驗(yàn)證所提VAN模型在加密流量檢測上的區(qū)分度,發(fā)現(xiàn)多數(shù)模型在Neris和Virut兩類上存在一定混淆。與此同時(shí),VAN模型預(yù)測為Neris類樣本中有63個(gè)屬于Virut類,預(yù)測為Virut類樣本中有52個(gè)屬于Neris類,而基準(zhǔn)模型中表現(xiàn)最好的ResNet模型,預(yù)測為Neris類樣本中有51個(gè)屬于Virut類,預(yù)測為Virut類樣本中有114個(gè)屬于Neris類,減少了50個(gè)樣本混淆。各模型的混淆矩陣如圖5所示。

    此外,VAN模型在Neris和Virut兩類的F1指標(biāo)上值最高,相較于基準(zhǔn)模型中性能最好的ResNet模型分別提升了3.77%和6.07%,相較于在基準(zhǔn)模型中Neris和Virut區(qū)分度最好的VGG模型分別提升了0.27%和0.97%。由圖5混淆矩陣的預(yù)測標(biāo)簽與真實(shí)標(biāo)簽的歸類可以看出,其他模型在對惡意加密流量Tinba類進(jìn)行預(yù)測時(shí),將該類的多個(gè)樣本錯(cuò)誤地預(yù)測為其他種類的流量,而VAN模型在該類別上沒有錯(cuò)誤地將樣本進(jìn)行分類;基準(zhǔn)模型中表現(xiàn)最好的ResNet模型在對Miuref類進(jìn)行預(yù)測時(shí),將其錯(cuò)誤地預(yù)測為了四類,而VAN模型僅將2個(gè)樣本錯(cuò)誤預(yù)測為Htbot類,對惡意加密流量檢測類的區(qū)分度更強(qiáng)。各模型在Neris和Virut兩類的F1值評價(jià)指標(biāo)結(jié)果如圖6所示。

    三、結(jié)語

    本文基于VAN模型對惡意加密流量進(jìn)行檢測,將VAN結(jié)構(gòu)應(yīng)用于惡意加密流量檢測領(lǐng)域,更關(guān)注將流量轉(zhuǎn)為圖片后的特征,實(shí)現(xiàn)高性能的分類。實(shí)驗(yàn)結(jié)果有效證明,將該模型應(yīng)用于惡意加密流量圖像識別中,四大指標(biāo)相比其他模型均有一定程度的提升,同時(shí)對不同種類的惡意加密流量上的細(xì)粒度區(qū)分明顯增強(qiáng)。該模型對于流量轉(zhuǎn)換為圖片后的形式提取了更有效的惡意加密流量特征,提升了對惡意加密流量檢測的各方面指標(biāo)。

    但本文的實(shí)驗(yàn)僅僅使用了單一數(shù)據(jù)集,且僅選擇應(yīng)用層會話的流量作為研究對象,沒有對別的計(jì)算機(jī)網(wǎng)絡(luò)層以及單向流進(jìn)行實(shí)驗(yàn)檢測惡意加密流量的效果。因此,為了獲得更好的表示性能以及對比差異,后續(xù)研究將考慮在多種數(shù)據(jù)集上對多層的流量以及單向流進(jìn)行實(shí)驗(yàn),以進(jìn)一步打擊新型黑客類網(wǎng)絡(luò)犯罪活動,提升公安領(lǐng)域?qū)阂饧用芰髁繖z測的預(yù)期效果,為涉及惡意加密流量的犯罪認(rèn)定以及量刑提供普適性依據(jù)。

    猜你喜歡
    加密注意力卷積
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    一種基于熵的混沌加密小波變換水印算法
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    認(rèn)證加密的研究進(jìn)展
    基于ECC加密的電子商務(wù)系統(tǒng)
    基于格的公鑰加密與證書基加密
    男女边摸边吃奶| 日韩视频在线欧美| 极品少妇高潮喷水抽搐| 国产一区有黄有色的免费视频| tube8黄色片| 欧美高清成人免费视频www| 人体艺术视频欧美日本| 美女国产视频在线观看| 成人无遮挡网站| 一级av片app| 国产欧美日韩精品一区二区| 亚洲av中文av极速乱| 精品久久久久久久久av| 亚洲国产色片| 国产在线男女| av在线观看视频网站免费| 国产亚洲午夜精品一区二区久久| 久久精品夜色国产| 人妻 亚洲 视频| 久久国产精品大桥未久av | 日韩av不卡免费在线播放| 中文天堂在线官网| av天堂中文字幕网| 亚洲欧美成人精品一区二区| 免费人成在线观看视频色| 精品一区二区三卡| 亚洲性久久影院| 精品酒店卫生间| 美女脱内裤让男人舔精品视频| 插逼视频在线观看| 亚洲av日韩在线播放| 国产黄频视频在线观看| 最新中文字幕久久久久| 日本wwww免费看| av又黄又爽大尺度在线免费看| 国产精品免费大片| 国产高清国产精品国产三级 | 乱码一卡2卡4卡精品| 18禁在线播放成人免费| 自拍欧美九色日韩亚洲蝌蚪91 | 观看av在线不卡| 在线观看一区二区三区| 国产精品av视频在线免费观看| 日日撸夜夜添| 国产精品国产三级专区第一集| 日韩一本色道免费dvd| 国产精品福利在线免费观看| 在线观看一区二区三区| 99久久中文字幕三级久久日本| 国产欧美另类精品又又久久亚洲欧美| 婷婷色综合www| 最近最新中文字幕大全电影3| 欧美日韩综合久久久久久| 欧美日韩国产mv在线观看视频 | 国产欧美另类精品又又久久亚洲欧美| 久久久久精品性色| 久久久精品免费免费高清| 中文天堂在线官网| 色视频在线一区二区三区| 美女高潮的动态| 久久亚洲国产成人精品v| 久久99精品国语久久久| 国产欧美另类精品又又久久亚洲欧美| 久久99蜜桃精品久久| 欧美变态另类bdsm刘玥| 免费看不卡的av| 成人亚洲精品一区在线观看 | 99久久中文字幕三级久久日本| 欧美性感艳星| 丝袜脚勾引网站| 亚洲国产成人一精品久久久| 国产成人一区二区在线| 亚洲精品,欧美精品| 精品一区二区免费观看| 国精品久久久久久国模美| 丝袜脚勾引网站| 国产 一区 欧美 日韩| 亚洲色图av天堂| 人妻夜夜爽99麻豆av| 亚洲国产av新网站| 在线观看美女被高潮喷水网站| 在线免费十八禁| 伊人久久国产一区二区| 亚洲欧美日韩东京热| 国产爱豆传媒在线观看| av免费在线看不卡| 国产av国产精品国产| 建设人人有责人人尽责人人享有的 | 亚洲精品456在线播放app| 秋霞伦理黄片| 你懂的网址亚洲精品在线观看| 中文欧美无线码| 男女边吃奶边做爰视频| 99久国产av精品国产电影| 久久精品国产a三级三级三级| 伦精品一区二区三区| 两个人的视频大全免费| 国产伦精品一区二区三区视频9| 搡老乐熟女国产| 欧美xxxx性猛交bbbb| av黄色大香蕉| 国产黄片美女视频| 五月伊人婷婷丁香| 久久综合国产亚洲精品| 午夜激情福利司机影院| 国产高清三级在线| 人人妻人人澡人人爽人人夜夜| 亚洲欧美日韩无卡精品| 成人特级av手机在线观看| 99久久精品国产国产毛片| 老熟女久久久| 日本黄色日本黄色录像| 日日啪夜夜撸| 欧美另类一区| 乱系列少妇在线播放| 老女人水多毛片| 日韩,欧美,国产一区二区三区| 日韩av在线免费看完整版不卡| 男女下面进入的视频免费午夜| 久久影院123| 在线免费十八禁| 国产一区有黄有色的免费视频| 99视频精品全部免费 在线| 菩萨蛮人人尽说江南好唐韦庄| 色视频在线一区二区三区| 美女福利国产在线 | 免费人成在线观看视频色| 身体一侧抽搐| 18禁裸乳无遮挡动漫免费视频| 18禁在线无遮挡免费观看视频| 人妻系列 视频| 老女人水多毛片| 日韩一区二区视频免费看| 久久女婷五月综合色啪小说| 亚洲熟女精品中文字幕| 国产精品人妻久久久影院| 国精品久久久久久国模美| 色视频www国产| 91精品一卡2卡3卡4卡| 2022亚洲国产成人精品| 多毛熟女@视频| 最后的刺客免费高清国语| 久久精品国产亚洲av天美| 黄色配什么色好看| 观看av在线不卡| 国产精品女同一区二区软件| 老司机影院成人| 成年av动漫网址| 性高湖久久久久久久久免费观看| 久久精品国产自在天天线| 青青草视频在线视频观看| 免费在线观看成人毛片| 国产av一区二区精品久久 | 亚洲精品久久久久久婷婷小说| 菩萨蛮人人尽说江南好唐韦庄| 精品久久久久久久末码| 在线免费观看不下载黄p国产| 亚洲国产毛片av蜜桃av| 网址你懂的国产日韩在线| 精品久久久久久久久亚洲| 91在线精品国自产拍蜜月| 妹子高潮喷水视频| 欧美+日韩+精品| 国产精品偷伦视频观看了| 色婷婷av一区二区三区视频| 久久6这里有精品| 18禁动态无遮挡网站| 亚洲国产日韩一区二区| 亚洲丝袜综合中文字幕| 天堂中文最新版在线下载| 国产男人的电影天堂91| 国产成人免费无遮挡视频| 免费av中文字幕在线| 久久韩国三级中文字幕| 国产精品伦人一区二区| 欧美人与善性xxx| 久久久久精品久久久久真实原创| 一二三四中文在线观看免费高清| 国产爽快片一区二区三区| 日韩国内少妇激情av| 日本与韩国留学比较| 欧美一区二区亚洲| 欧美xxxx性猛交bbbb| 精品一品国产午夜福利视频| 日韩一本色道免费dvd| 精品午夜福利在线看| 好男人视频免费观看在线| 韩国高清视频一区二区三区| 国产91av在线免费观看| 高清视频免费观看一区二区| 永久网站在线| 亚洲国产精品专区欧美| 色视频在线一区二区三区| 51国产日韩欧美| 99热这里只有精品一区| 精品视频人人做人人爽| 日本黄大片高清| www.色视频.com| 91在线精品国自产拍蜜月| 国产中年淑女户外野战色| 国产av一区二区精品久久 | 色视频在线一区二区三区| 久热久热在线精品观看| 18+在线观看网站| 日本-黄色视频高清免费观看| 亚洲av成人精品一二三区| 一区二区三区乱码不卡18| 美女中出高潮动态图| 国产黄片美女视频| 亚洲精品日韩av片在线观看| 各种免费的搞黄视频| 欧美成人a在线观看| 香蕉精品网在线| 亚洲,欧美,日韩| 亚洲av中文av极速乱| 男女边吃奶边做爰视频| 麻豆成人午夜福利视频| 老女人水多毛片| 亚洲成色77777| 免费观看a级毛片全部| 亚洲国产精品一区三区| 99热这里只有是精品在线观看| 18+在线观看网站| 国产精品国产三级专区第一集| 一级毛片久久久久久久久女| h视频一区二区三区| 亚洲av成人精品一二三区| 狂野欧美白嫩少妇大欣赏| 亚洲成色77777| 激情 狠狠 欧美| 涩涩av久久男人的天堂| 亚洲美女黄色视频免费看| 日本欧美国产在线视频| 亚洲成人av在线免费| 搡老乐熟女国产| 亚洲国产毛片av蜜桃av| 久久精品国产自在天天线| 国产成人aa在线观看| 黄色日韩在线| 国产高清有码在线观看视频| 亚洲无线观看免费| 欧美国产精品一级二级三级 | 三级经典国产精品| 久久精品久久精品一区二区三区| 亚洲精华国产精华液的使用体验| 国产男女内射视频| 99热这里只有是精品50| 亚洲国产精品专区欧美| 蜜桃久久精品国产亚洲av| 亚洲精品日韩在线中文字幕| 亚洲精品日本国产第一区| 看十八女毛片水多多多| 亚洲精品久久午夜乱码| 国产毛片在线视频| 久久久精品94久久精品| 免费人成在线观看视频色| 99久久精品热视频| 久久久久久久大尺度免费视频| 男女啪啪激烈高潮av片| 我要看黄色一级片免费的| 国产欧美亚洲国产| 色视频在线一区二区三区| 秋霞伦理黄片| 自拍欧美九色日韩亚洲蝌蚪91 | 久久国产精品大桥未久av | 香蕉精品网在线| 久久久亚洲精品成人影院| 春色校园在线视频观看| 波野结衣二区三区在线| 亚洲aⅴ乱码一区二区在线播放| 国产又色又爽无遮挡免| 九色成人免费人妻av| 日日啪夜夜爽| 一区二区av电影网| 99热这里只有精品一区| 黄片wwwwww| 韩国av在线不卡| 两个人的视频大全免费| 久久久色成人| 国产熟女欧美一区二区| 日韩欧美精品免费久久| 黄色日韩在线| 大片免费播放器 马上看| 国产精品99久久久久久久久| 成人18禁高潮啪啪吃奶动态图 | 国产黄色视频一区二区在线观看| 国产免费一级a男人的天堂| 欧美成人a在线观看| 内射极品少妇av片p| 欧美少妇被猛烈插入视频| 99热这里只有是精品50| 亚州av有码| 亚洲av在线观看美女高潮| 国产 一区精品| 秋霞在线观看毛片| 亚洲精品自拍成人| 少妇 在线观看| 两个人的视频大全免费| 精品一区二区三区视频在线| 国产免费一级a男人的天堂| 插阴视频在线观看视频| 国产av码专区亚洲av| 国精品久久久久久国模美| 人妻一区二区av| a级毛片免费高清观看在线播放| 国产日韩欧美在线精品| 日韩中文字幕视频在线看片 | 91久久精品国产一区二区三区| 亚洲国产毛片av蜜桃av| 亚州av有码| 亚洲国产精品国产精品| 国产成人91sexporn| 熟妇人妻不卡中文字幕| 日韩精品有码人妻一区| 亚洲精品乱码久久久v下载方式| 黄片无遮挡物在线观看| 三级国产精品片| 日韩av在线免费看完整版不卡| 国产片特级美女逼逼视频| 精品国产露脸久久av麻豆| 高清不卡的av网站| 性高湖久久久久久久久免费观看| 九色成人免费人妻av| 久久久久久人妻| 观看av在线不卡| 干丝袜人妻中文字幕| 汤姆久久久久久久影院中文字幕| 水蜜桃什么品种好| 亚洲精品视频女| 国产淫片久久久久久久久| 你懂的网址亚洲精品在线观看| 亚洲精品国产成人久久av| 成年免费大片在线观看| 久久99蜜桃精品久久| 在现免费观看毛片| 国产精品一区二区三区四区免费观看| 在线观看美女被高潮喷水网站| 91精品一卡2卡3卡4卡| 亚洲一级一片aⅴ在线观看| 国产在线一区二区三区精| 日韩精品有码人妻一区| av线在线观看网站| 视频区图区小说| 亚洲国产成人一精品久久久| 视频区图区小说| 久久久久久久国产电影| 国内揄拍国产精品人妻在线| 直男gayav资源| 成人国产麻豆网| 国产爽快片一区二区三区| 人妻少妇偷人精品九色| 日韩av不卡免费在线播放| 国产人妻一区二区三区在| 国产女主播在线喷水免费视频网站| 久久国内精品自在自线图片| 插逼视频在线观看| av不卡在线播放| 亚洲电影在线观看av| 亚洲精品国产av成人精品| 插逼视频在线观看| 午夜福利影视在线免费观看| 肉色欧美久久久久久久蜜桃| 国产老妇伦熟女老妇高清| 午夜福利在线观看免费完整高清在| 婷婷色综合www| 一级毛片黄色毛片免费观看视频| 热99国产精品久久久久久7| 欧美三级亚洲精品| 老司机影院成人| 我的老师免费观看完整版| 成年人午夜在线观看视频| 男女免费视频国产| 亚洲人与动物交配视频| 只有这里有精品99| 极品教师在线视频| 日韩不卡一区二区三区视频在线| 涩涩av久久男人的天堂| 中文精品一卡2卡3卡4更新| 99热这里只有是精品50| 一级a做视频免费观看| h视频一区二区三区| 欧美国产精品一级二级三级 | 免费高清在线观看视频在线观看| 日韩一区二区三区影片| 两个人的视频大全免费| 王馨瑶露胸无遮挡在线观看| 国产午夜精品一二区理论片| 美女国产视频在线观看| 性色av一级| 亚洲成色77777| 观看美女的网站| 久久久a久久爽久久v久久| 这个男人来自地球电影免费观看 | 国产淫语在线视频| 亚洲伊人久久精品综合| 三级国产精品片| 亚洲第一区二区三区不卡| 成人漫画全彩无遮挡| 国产日韩欧美亚洲二区| 街头女战士在线观看网站| 一二三四中文在线观看免费高清| 男人添女人高潮全过程视频| 精品国产乱码久久久久久小说| 欧美xxxx性猛交bbbb| 99视频精品全部免费 在线| 午夜免费鲁丝| 人妻 亚洲 视频| 一本—道久久a久久精品蜜桃钙片| 亚洲av综合色区一区| 亚洲精品aⅴ在线观看| 18禁在线无遮挡免费观看视频| 色5月婷婷丁香| 国产精品免费大片| 中文字幕亚洲精品专区| 2022亚洲国产成人精品| 五月天丁香电影| 夫妻性生交免费视频一级片| 国产淫片久久久久久久久| 日韩欧美一区视频在线观看 | 哪个播放器可以免费观看大片| 水蜜桃什么品种好| 三级经典国产精品| 国产男女内射视频| 国产大屁股一区二区在线视频| 最新中文字幕久久久久| 色视频www国产| 日本与韩国留学比较| 99热6这里只有精品| 纵有疾风起免费观看全集完整版| 六月丁香七月| www.av在线官网国产| 91久久精品国产一区二区成人| 久久亚洲国产成人精品v| 国产精品免费大片| 国产精品一二三区在线看| 日日摸夜夜添夜夜添av毛片| 久久久国产一区二区| 日韩视频在线欧美| 日韩大片免费观看网站| 亚洲人成网站在线播| 只有这里有精品99| 最近2019中文字幕mv第一页| 三级国产精品欧美在线观看| 亚洲精品国产av成人精品| 国产av码专区亚洲av| 啦啦啦视频在线资源免费观看| kizo精华| 久久综合国产亚洲精品| 十八禁网站网址无遮挡 | 99九九线精品视频在线观看视频| 成人一区二区视频在线观看| 我的女老师完整版在线观看| 妹子高潮喷水视频| 中文字幕av成人在线电影| 欧美xxxx黑人xx丫x性爽| 国产成人91sexporn| 大片免费播放器 马上看| 国产精品人妻久久久久久| 日日撸夜夜添| 干丝袜人妻中文字幕| 亚洲第一区二区三区不卡| 久久精品久久精品一区二区三区| 国产高清三级在线| 日韩伦理黄色片| 美女高潮的动态| 日韩av在线免费看完整版不卡| 97精品久久久久久久久久精品| 亚洲电影在线观看av| 一二三四中文在线观看免费高清| 久久国产精品大桥未久av | 日韩av不卡免费在线播放| 国产成人aa在线观看| 中文字幕av成人在线电影| 亚洲精品第二区| 欧美精品一区二区免费开放| 如何舔出高潮| 街头女战士在线观看网站| 亚洲精品第二区| 在线天堂最新版资源| 日本爱情动作片www.在线观看| 日日摸夜夜添夜夜添av毛片| 高清av免费在线| 国产色爽女视频免费观看| 久久久久久伊人网av| 韩国av在线不卡| 成人黄色视频免费在线看| 成年免费大片在线观看| 观看av在线不卡| 亚洲国产精品国产精品| 99久久中文字幕三级久久日本| 国产日韩欧美在线精品| 国产精品欧美亚洲77777| 人人妻人人看人人澡| 18禁裸乳无遮挡动漫免费视频| 日韩视频在线欧美| 精品一区在线观看国产| 日韩电影二区| 日韩强制内射视频| 色5月婷婷丁香| 青春草亚洲视频在线观看| 黄色欧美视频在线观看| 精品久久久久久电影网| 亚洲成人一二三区av| 男女边摸边吃奶| 在现免费观看毛片| 国产熟女欧美一区二区| 91精品伊人久久大香线蕉| 亚洲无线观看免费| 夫妻午夜视频| 免费看不卡的av| 搡老乐熟女国产| 黄色欧美视频在线观看| 国产精品欧美亚洲77777| 人妻一区二区av| 久久97久久精品| 黄色日韩在线| 老司机影院成人| 欧美精品人与动牲交sv欧美| 欧美xxxx性猛交bbbb| 中文欧美无线码| 99热6这里只有精品| 免费观看a级毛片全部| av线在线观看网站| 亚洲国产欧美在线一区| 成人美女网站在线观看视频| 欧美另类一区| 99re6热这里在线精品视频| 91久久精品国产一区二区成人| 最近中文字幕2019免费版| 国产精品一区www在线观看| 亚洲av中文av极速乱| 国产精品久久久久久精品电影小说 | 99视频精品全部免费 在线| 亚洲婷婷狠狠爱综合网| 精品国产露脸久久av麻豆| 久久国内精品自在自线图片| 高清黄色对白视频在线免费看 | 成人二区视频| 亚洲欧美精品专区久久| 三级国产精品片| 一区二区三区精品91| 91精品国产九色| 五月伊人婷婷丁香| 久热久热在线精品观看| 少妇被粗大猛烈的视频| 久久精品久久久久久久性| 国产亚洲5aaaaa淫片| 免费看av在线观看网站| 久久久午夜欧美精品| 久久99热6这里只有精品| 欧美日韩精品成人综合77777| 久久久久久久国产电影| 99热网站在线观看| 成人一区二区视频在线观看| 国产精品一区二区在线不卡| 国产探花极品一区二区| 国产精品久久久久久av不卡| 国产成人精品福利久久| av国产久精品久网站免费入址| 91久久精品电影网| 韩国高清视频一区二区三区| 免费人妻精品一区二区三区视频| 妹子高潮喷水视频| 日本色播在线视频| 国产一级毛片在线| 精品人妻视频免费看| 国产无遮挡羞羞视频在线观看| 街头女战士在线观看网站| 免费黄色在线免费观看| 久久99精品国语久久久| 亚洲av不卡在线观看| 国产午夜精品久久久久久一区二区三区| 国产精品久久久久久精品古装| 久久99精品国语久久久| 晚上一个人看的免费电影| 国产精品成人在线| 国产深夜福利视频在线观看| 亚洲av福利一区| 成人午夜精彩视频在线观看| 18禁在线播放成人免费| 性高湖久久久久久久久免费观看| 我要看日韩黄色一级片| 欧美老熟妇乱子伦牲交| 久久ye,这里只有精品| 国产又色又爽无遮挡免| 美女国产视频在线观看| 亚洲成人一二三区av| 国产 一区精品| 人妻少妇偷人精品九色| 夫妻性生交免费视频一级片| 一二三四中文在线观看免费高清| 国产高清不卡午夜福利| 最后的刺客免费高清国语| 亚洲av欧美aⅴ国产| 久久人人爽人人片av| 日产精品乱码卡一卡2卡三| 中文字幕制服av| 七月丁香在线播放| 秋霞伦理黄片| 天美传媒精品一区二区| 黑丝袜美女国产一区| 国产精品熟女久久久久浪| 久久久亚洲精品成人影院| 国产精品久久久久久精品古装| 亚洲综合色惰| 久热这里只有精品99| 97热精品久久久久久| 哪个播放器可以免费观看大片| 亚洲av在线观看美女高潮| 天美传媒精品一区二区| 久久久亚洲精品成人影院| 国产色爽女视频免费观看| 91精品国产国语对白视频| 久久99蜜桃精品久久| av专区在线播放|