• <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 ?

    結(jié)合注意力與雙線性網(wǎng)絡(luò)的Android惡意軟件檢測

    2023-12-04 11:13:14秦海雪
    計算機工程與設(shè)計 2023年11期
    關(guān)鍵詞:分類特征實驗

    秦海雪,王 勇

    (上海電力大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,上海 201306)

    0 引 言

    近年來Android惡意軟件的數(shù)量和類型都在快速增長[1],早期研究中所使用簡單的靜態(tài)和動態(tài)特征分析方法已經(jīng)不能滿足當(dāng)前惡意軟件快速檢測的需求。最近,一些研究者開始將字節(jié)碼圖像應(yīng)用在Android惡意軟件檢測上面[2-9]。該方法的優(yōu)點是代碼覆蓋率比較全面,根據(jù)惡意軟件家族中代碼結(jié)構(gòu)的相似性,可有效檢測出大量的惡意軟件及其變體。不過,目前大多數(shù)基于字節(jié)碼圖像Android惡意軟件檢測方法使用模型都是卷積神經(jīng)網(wǎng)絡(luò)(CNN),該模型在檢測字節(jié)碼圖像的過程中不但會受到噪音數(shù)據(jù)的影響,對于是否能進(jìn)一步識別不同類型惡意軟件還未得到實驗驗證。

    針對上述方法所存在的問題。本文提出了一種結(jié)合注意力機制與雙線性網(wǎng)絡(luò)的Android惡意軟件檢測方法。該方法同樣基于字節(jié)碼圖像,不同的是本文將注意力機制與雙線性網(wǎng)絡(luò)相結(jié)合作為的Android惡意軟件檢測模型,目的就是結(jié)合注意力機制與雙線性網(wǎng)絡(luò)的優(yōu)點,在減小字節(jié)碼圖像噪音數(shù)據(jù)影響的同時也提高了模型對惡意軟件分類的準(zhǔn)確率。此外,本文不僅使用消融實驗驗證了模型設(shè)計的有效性,還通過二分類與多分類對比實驗驗證了本文模型能夠在檢測出惡意軟件的基礎(chǔ)上進(jìn)一步區(qū)分出惡意軟件的具體類型。

    1 相關(guān)工作

    1.1 Android字節(jié)碼圖像

    Android字節(jié)碼圖像就是使用逆向工具讀取APK文件內(nèi)部文件的原始數(shù)據(jù)并據(jù)此轉(zhuǎn)化而成的圖像。其中APK文件內(nèi)部的classes.dex文件由于包含編譯后的所有源代碼[10],常被用來制作Android字節(jié)碼圖像。

    使用Android字節(jié)碼圖像檢測惡意軟件具有代碼覆蓋率全面,特征處理簡單等優(yōu)點。不過,由字節(jié)碼文件所生成的圖像不同于自然圖像,其圖像之間的差異完全由文件中的Dalvik字節(jié)碼所決定,不同類型的Android應(yīng)用可能只有幾行代碼的差別,其對應(yīng)字節(jié)碼圖像之間的差異也會非常小。

    此外,如圖1所示,Android字節(jié)碼圖像存在不同的數(shù)據(jù)區(qū)域,同時也會包含較多的噪音數(shù)據(jù),所以使用傳統(tǒng)的單線CNN無法在訓(xùn)練過程中精確定位在關(guān)鍵像素區(qū)域上,從而對檢測精度造成影響。

    圖1 DEX文件與RGB字節(jié)碼圖像對應(yīng)關(guān)系

    1.2 雙線性卷積神經(jīng)網(wǎng)絡(luò)

    雙線性卷積神經(jīng)網(wǎng)絡(luò)(B-CNN)[11]是一種用于細(xì)粒度圖像識別的體系結(jié)構(gòu),其結(jié)構(gòu)如圖2所示。

    該網(wǎng)絡(luò)由兩個特征提取器(CNN)所組成,其輸出在圖像的每個位置使用外部乘積相乘,并合并以獲得圖像描述符。這種體系結(jié)構(gòu)可以以一種平移不變的方式對局部的兩兩特征進(jìn)行交互,并通過外積操作獲取特征圖通道之間的線性關(guān)系,這特別適用于圖像的細(xì)粒度分類。雙線性網(wǎng)絡(luò)模型B通??杀硎緸?/p>

    (1)

    B-CNN在圖像的細(xì)粒度分類領(lǐng)域具有巨大的優(yōu)勢,但還不足以完全解決字節(jié)碼圖像識別中存在的問題,尤其是字節(jié)碼圖像中噪音數(shù)據(jù)對檢測精度的影響。本文所提出的結(jié)合注意力的雙線性網(wǎng)絡(luò)受B-CNN所啟發(fā),將空間注意力機制加入B-CNN的一條分支中。通過提取特征圖中的關(guān)鍵像素位置信息來提升檢測的準(zhǔn)確率。

    1.3 空間注意力機制

    空間注意力機制模塊來自woo等提出的CBAM(卷積塊注意力模型)[12],如圖3所示。該模型有兩個順序子模塊:通道注意力模塊和空間注意力模塊。其中通道注意力模塊關(guān)注的是特征圖中的“行為”信息,而空間注意力模塊主要關(guān)注特征圖中的“位置”信息。最后通過將外積將通道信息與空間信息相結(jié)合來提取特征。

    由于空間注意力模塊主要關(guān)注的是圖像中的“位置”信息,這對于定位字節(jié)碼圖像中的關(guān)鍵數(shù)據(jù)區(qū)域十分有幫助??臻g注意力模塊通過對卷積層輸出的特征圖進(jìn)行全局平均池化和全局最大池化操作來聚合特征圖中的空間信息的,從而更加精準(zhǔn)識別Android字節(jié)碼圖像。

    2 結(jié)合注意力與雙線性網(wǎng)絡(luò)的檢測方法

    2.1 系統(tǒng)架構(gòu)

    本文檢測方法的系統(tǒng)架構(gòu)如圖4所示,首先使用Android逆向工具androguard[13]將APK樣本解壓縮,同時提取APK包中的classes.dex文件。然后通過androguard的反匯編功能讀取DEX文件中的原始字節(jié)碼,將其轉(zhuǎn)換為RGB圖像矩陣,并使用圖像工具Pillow將圖像矩陣保存為128×128的RGB字節(jié)碼圖像,生成Android字節(jié)碼圖像數(shù)據(jù)集。最后,將生成的字節(jié)碼圖像數(shù)據(jù)集輸入到本文提出的模型中進(jìn)行分類。如果輸入的數(shù)據(jù)集為包含良性軟件與惡意軟件的二分類檢測數(shù)據(jù)集,該模型將會從數(shù)據(jù)集中檢測出惡意軟件。如果輸入的數(shù)據(jù)集為包含不同類型惡意軟件的多分類識別數(shù)據(jù)集,該模型將會輸出數(shù)據(jù)集中惡意軟件的具體類型。圖4展示本文方法的整體架構(gòu)。

    2.2 字節(jié)碼圖像生成

    一張彩色RGB圖像是由紅綠藍(lán)3種顏色通道所組成,每個通道共有256種色級,3個通道組合在一起就形成了彩色圖像[14]。所以,如果將classes.dex文件按照字節(jié)讀取,一個字節(jié)含有8 bit,則每讀取3個字節(jié)就可以形成一個彩色的像素點。通過這種規(guī)則,我們先提取classes.dex文件的原始字節(jié)碼生成一個8位向量矩陣,然后按照一次讀取3個字節(jié)的方式逐個生成RGB像素,如果最后字節(jié)碼不滿3個字節(jié)則用0來補充。通過這種方式,就能夠?qū)PK包中的classes.dex文件轉(zhuǎn)化為RGB圖像。

    根據(jù)上述字節(jié)碼圖像的生成原理,本文首先使用逆向工具androguard解壓并提取APK文件中的classes.dex文件,同時從中讀取原始的二進(jìn)制字節(jié)碼。然后,根據(jù)所提取到文件的字節(jié)大小來計算圖像的高度和寬度,最后將這些原始字節(jié)碼放在一個向量空間中,使用Pillow將字節(jié)碼轉(zhuǎn)換為128×128的RGB彩色圖像。轉(zhuǎn)化后的字節(jié)碼RGB圖像如圖5所示。

    本文之所以選擇將圖像大小保存為128×128,是因為在Daoudi等[4]的文獻(xiàn)中對字節(jié)碼圖像尺寸與檢測精度關(guān)系進(jìn)行了詳細(xì)的測試,得出的結(jié)論是該圖像大小是能夠保持其最高檢測精度的最小尺寸,更大的圖像將會導(dǎo)致更長的訓(xùn)練時間,而更小的圖像將會使檢測精度受損。

    下面的算法1是生成RGB圖像的生成算法:

    算法1:DEX文件RGB圖像生成算法

    輸入:APK文件

    輸出:RGB圖像

    bytestream ← 0

    for DexFile in APK do

    bytestream←bytestream+DexFile.toByteStream()

    end

    l ← bytestream.length()

    sq ← sqrt2

    while bytestream.length() != 3sq do

    bytestream ← bytestream + "x00"http://補0

    end

    //用字節(jié)流生成一個長寬為sqrt的矩陣

    img←generateRGBImage(bytestream,sqrt)

    img.resize_to_size(height=128,width=128)

    img.save()

    2.3 結(jié)合注意力與雙線性網(wǎng)絡(luò)的檢測模型

    2.3.1 模型描述

    B-CNN模型可以通過兩條卷積神經(jīng)網(wǎng)絡(luò)的外積來捕獲特征圖通道中成對的相關(guān)性,從而對圖像進(jìn)行更為精細(xì)的分類。但是僅使用該模型仍無法解決字節(jié)碼圖像中噪音數(shù)據(jù)對檢測準(zhǔn)確率的影響。為了解決該問題,本文提出了結(jié)合注意力與雙線性網(wǎng)絡(luò)的檢測模型,該模型結(jié)構(gòu)如圖6所示。

    圖6 結(jié)合注意力機制的雙線性網(wǎng)絡(luò)模型

    該模型中包含有兩個分支,每個分支中都有一個特征提取模塊。與B-CNN不同的是,本文在分支A的特征提取模塊后面加入了注意力機制模塊。該模型充分利用了兩條分支中的特征信息,其中包含注意力機制模塊的分支A關(guān)注的字節(jié)碼圖像的“位置”信息,而另一條分支B將會通過特征提取模塊提取字節(jié)碼圖像的“行為”信息,同時這兩條分支還會通過外積捕獲兩條分支特征中成對的相關(guān)性,提升字節(jié)碼圖像分類的效果。

    在圖6中,結(jié)合注意力的雙線性網(wǎng)絡(luò)模型整體上可以由一個四元模型所組成,可表示為

    B=(fA,fB,P,C)

    (2)

    其中:fA和fB分別表示的是注意力分支A與分支B的特征函數(shù),而P和C分別代表池化函數(shù)和分類函數(shù)。其中特征提取函數(shù)f(·)為一個特征映射,可表示為

    (3)

    式中:I表示的是輸入圖像,L為區(qū)域位置,它表示I和L可以表示一個輸出大小為c×D的特征。而每一個位置的特征輸出可以由一個雙線性操作表示為

    Bilinear(l,I,fA,fB)=fA(l,I)TfB(l,I)

    (4)

    為了能夠獲取到一個完整的圖像描述,池化函數(shù)P將收集字節(jié)碼圖像中所有位置的特征,并將圖像中所有的雙線性特征累加起來,這個過程可以表示為

    P(I)=∑l∈LBilinear(l,I,fA,fB)

    (5)

    如果特征函數(shù)fA和fB分別提取尺寸為c×M和c×N的特征,則P(I) 的尺寸為M×N。將P(I) 重塑為尺寸MN×1得到的雙線性向量是一個通用的圖像描述,可以與分類函數(shù)C一起使用。然后,將雙線性特征正則化后通過以下公式改善性能

    (6)

    (7)

    最后,通過分類函數(shù)Softmax對經(jīng)過處理的特征進(jìn)行預(yù)測分類。

    2.3.2 注意力機制模塊

    本文在B-CNN的一個分支中加入了空間注意力機制模塊[12],目的是利用特征間的空間關(guān)系生成空間注意圖,抑制不重要的像素特征,同時將注意力集中在更加重要的像素上面,從而使雙線性網(wǎng)絡(luò)的一條分支可以通過訓(xùn)練定位到字節(jié)碼圖像的關(guān)鍵像素區(qū)域。具體來說,該空間注意力機制模塊主要由一個最大池化、平均池化層、一個連接層以及一個卷積層所組成,如圖7所示。

    圖7 空間注意力機制模塊

    Ms(F)=σ(f5×5([AvgPool(F);MaxPool(F)]))=

    (8)

    式中:σ表示的是Sigmoid函數(shù),f5×5表示卷積核尺寸為5×5的卷積運算。

    盡管從式(8)中所得出的空間注意力特征圖Ms(F)已經(jīng)包含了后續(xù)計算所需的全部信息,但是該特征圖還無法直接參與模型后續(xù)的計算。因為該特征圖形狀為通道數(shù)為1,已經(jīng)不同于分支B中的特征圖的通道數(shù)C,而后續(xù)的外積操作則要求兩個分支特征圖的通道數(shù)C必須保持一致。所以,在這里我們會用輸入注意力機制模塊的特征圖F與Ms(F)相乘,得到一個與特征圖F形狀保持一致空間注意力特征圖Fat,計算如式(9)

    Fat=F×Ms(F)T

    (9)

    接下來,由式(9)所得到的空間注意力特征圖Fat將會參與后續(xù)進(jìn)一步的計算。

    2.3.3 特征提取器模塊

    特征提取模塊同時存在于兩條分支中,該模塊的主要作用是從字節(jié)碼圖像中提取特征并生成特征圖以作為整個模型后續(xù)的計算。本文參考了Sun等[6]的網(wǎng)絡(luò)模型結(jié)構(gòu),使用了一組卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為雙線性網(wǎng)絡(luò)兩條分支的特征提取器。值得注意的是,盡管本文所用CNN的結(jié)構(gòu)Sun等[6]的模型結(jié)構(gòu)相同,但由于他們的模型參數(shù)是為了處理一維字節(jié)碼圖像而設(shè)置的,所以本文調(diào)整了其卷積核的尺寸,經(jīng)過反復(fù)調(diào)整最終確定了使用兩個大小為5×5的卷積核和一個大小為3×3的卷積核效果最好。其特征提取模塊CNN的模型結(jié)構(gòu)如圖8所示。

    該特征提取模塊包含兩個卷積層以及兩個最大池化層,從字節(jié)碼圖像中提取的特征經(jīng)過該模塊后將會輸出一個特征圖F。在包含注意力機制模塊的分支A中,生成的特征圖F將會經(jīng)過注意力機制模塊并生成一個空間注意力特征圖Fat。而在分支B中,其特征提取器將會直接生成一個特征圖F,與空間注意力特征圖Fat共同參與后續(xù)的運算。

    3 實驗評估

    本實驗使用兩種類型的分類實驗對本文模型方法進(jìn)行評估,分別為:①惡意軟件二分類檢測實驗,該實驗從軟件總樣本中檢測出惡意軟件樣本;②惡意軟件多分類識別實驗,從惡意軟件樣本中識別出惡意軟件的具體類型。數(shù)據(jù)集的劃分和實驗評估也都將按照這兩種類型的分類實驗進(jìn)行。

    3.1 數(shù)據(jù)集

    本次實驗的Android惡意軟件數(shù)據(jù)來自加拿大網(wǎng)絡(luò)安全研究所[15]的數(shù)據(jù)集CICMalDroid2020。該惡意軟件數(shù)據(jù)集中包含了廣告軟件(Adware)、銀行惡意軟件(Ban-king)、短信惡意軟件(SMS)、風(fēng)險軟件(Riskware)4個惡意軟件類型。Android良性軟件由360應(yīng)用市場和豌豆莢應(yīng)用商店收集而來。對該數(shù)據(jù)進(jìn)行了整理和刪除后,選取了5893個惡意軟件樣本和5055個良性軟件樣本進(jìn)行實驗。數(shù)據(jù)集的描述見表1。該數(shù)據(jù)集中二分類檢測數(shù)據(jù)集與多分類識別數(shù)據(jù)集將分別用于相對應(yīng)的檢測與識別實驗中。

    表1 數(shù)據(jù)集描述

    3.2 實驗環(huán)境

    本實驗的實驗環(huán)境是基于Python版本3.8.5、Anaconda集成環(huán)境。本實驗所有模型都使用Tensorflow版本2.6和Keras版本2.25實現(xiàn)。所有實驗是在CPU為AMD Ryzen 7 5800H with Radeon Graphics 3.20 GHz,GPU為3060的Windows系統(tǒng)上進(jìn)行的。

    3.3 評估指標(biāo)

    3.3.1 二分類檢測實驗評估指標(biāo)

    Android惡意軟件與良性軟件的二分類檢測實驗中本文將會使用準(zhǔn)確率(Accuracy)、精確度(Precision)、召回率(Recall)和F1-Score作為評估模型性能的指標(biāo),其定義如下。

    準(zhǔn)確率(Accuracy):被測試樣本中被正確預(yù)測的比例

    (10)

    精確度(Precision):衡量預(yù)測為正例的樣本中真正為正例的比例

    (11)

    召回率(Recall):評估是否把樣本中所有的真正例全部找出來

    (12)

    F1-Score:精度和檢出率的平衡點

    (13)

    3.3.2 多分類識別實驗評估指標(biāo)

    Android惡意軟件多分類識別實驗將會使用表2中的多分類混淆矩陣來對分類結(jié)果進(jìn)行具體的評估[11]。

    表2 多分類混淆矩陣

    除了混淆矩陣以外,本文還使用加權(quán)平均(Weighted-average)方法對多分類進(jìn)行評估,該方法中準(zhǔn)確率與二分類的計算方式相同,其它3個指標(biāo)略有不同。該方法給不同類別賦予了不同權(quán)重(權(quán)重根據(jù)該類別的真實分布比例確定),每個類別乘權(quán)重后再進(jìn)行相加,該方法考慮了類別不平衡情況。

    設(shè)n代表的是多分類的樣本總數(shù),i為第i個類別的下標(biāo),則ni表示第i個分類的樣本數(shù)量。由此可以得到第i類的權(quán)重為Wi=ni/n。然后將多分類樣本中的每個類別i看作二分類中的正例,其它類別看作反列,這樣就可以按照二分類的計算方式由式(11)、式(12)、式(13)計算出每一個分類i的精確度、召回率和F1-Score分別為Pi、Ri和Fi。進(jìn)而,我們就能夠得出多分類中的Weighted-Precision、Weighted-Recall和Weighted-F1-Score。其定義如下。

    加權(quán)精確度(Weighted-Precision):表示多分類中每個類別精確度的加權(quán)平均值

    (14)

    加權(quán)召回率(Weighted-Recall):表示多分類中每個類別召回率的加權(quán)平均值

    (15)

    加權(quán)(Weighted-F1-Score):表示多分類中每個類別F1-Score的加權(quán)平均值

    (16)

    3.4 消融實驗

    消融實驗的主要目的是使用控制變量的方法驗證本文模型改進(jìn)所帶來的提升效果。結(jié)合注意力的雙線性網(wǎng)絡(luò)的主要創(chuàng)新之處是在B-CNN的單分支中加入了空間注意力機制模塊,而為了準(zhǔn)確驗證這一改進(jìn)的提升效果,本文使用以下5種模型作為對比:①CNN(單線網(wǎng)絡(luò)),該模型結(jié)構(gòu)與本文模型中特征提取器模塊中的CNN結(jié)構(gòu)相同。②CNN+注意力,該模型僅在CNN模型中加入一個注意力機制,與本文模型中的分支A結(jié)構(gòu)相同。③B-CNN,該模型中未加入注意力機制模塊。④B-CNN+單線注意力,該模型也就是本文所提出的結(jié)合注意力的雙線性網(wǎng)絡(luò)模型。⑤B-CNN+雙線注意力,該模型同時在B-CNN的兩條分支中加入注意力機制模塊。

    使用這5種模型分別進(jìn)行二分類檢測實驗和多分類識別實驗并綜合分析模型的性能。

    3.4.1 二分類檢測

    5種不同模型實驗的結(jié)果見表3。

    表3 5種不同模型二分類檢測實驗結(jié)果

    從表3的實驗結(jié)果可以看出,與CNN相比,加入注意力機制模塊的CNN+注意力模型在4個評估指標(biāo)上均有0.1%~0.0.4%的提升,而B-CNN與CNN相比所得到的結(jié)果幾乎相同,并沒有體現(xiàn)出優(yōu)勢。當(dāng)B-CNN中加入注意力機制模塊后,其在4個評估指標(biāo)上又有了0.2%~0.8%的提升,不過在B-CNN的兩條分支中加入注意力機制模塊并沒有比只在一條分支中加入注意力機制具有更好的結(jié)果,兩個模型在準(zhǔn)確率和F1-Score上表現(xiàn)相同,其它兩個評估指標(biāo)各有優(yōu)劣。

    從以上結(jié)果對比不難發(fā)現(xiàn),模型中注意力機制的加入將會成為二分類檢測效果提升的關(guān)鍵,而僅僅使用B-CNN并不能對二分類檢測實驗效果產(chǎn)生明顯的提升。這說明了注意力機制的加入會讓模型更加關(guān)注字節(jié)碼圖像中的關(guān)鍵數(shù)據(jù)區(qū)域,從而獲得更多的有效信息,提升Android字節(jié)碼圖像檢測的效果。

    3.4.2 多分類識別

    多分類識別實驗的目的是驗證該模型是否能夠在檢測出Android惡意軟件的基礎(chǔ)上進(jìn)一步識別出惡意軟件的具體類型,從而實現(xiàn)字節(jié)碼圖像的細(xì)粒度識別。使用加權(quán)平均(Weighted-average)評估方法對5種不同網(wǎng)絡(luò)模型的多分類結(jié)果見表4。

    表4 5種模型的多分類識別實驗結(jié)果

    從表4的多分類識別實驗結(jié)果上來看,CNN與B-CNN加入注意力機制后都有較為明顯的提升,這說明注意力機制在字節(jié)碼圖像多分類識別中同樣具有提升作用。而與二分類實驗不同的是,B-CNN本身相較于CNN在4個評估指標(biāo)上也具有一定的提升,這驗證了B-CNN的雙線性特征的提取和交互在圖像多分類中具有優(yōu)勢,在圖像多分類中具有優(yōu)勢。值得注意的是,B-CNN+單注意力模型的效果要明顯優(yōu)于B-CNN+雙線注意力模型的效果,這一結(jié)果則進(jìn)一步的驗證了本文的理論,在B-CNN中使用兩個不同的分支將會聚合兩個分支中不同的特征信息,使兩個分支中的特征產(chǎn)生更多交互,這對于內(nèi)部差異更小的惡意軟件家族多分類將更加有效。

    為了能直觀展現(xiàn)模型在多分類實驗中對每個類型分類的準(zhǔn)確率,本文將多分類混淆矩陣可視化,5種類型的模型多分類混淆矩陣可視化如圖9所示。

    圖9 多分類混淆矩陣

    該矩陣每一列表示Android惡意軟件類型的預(yù)測值,而每一行則表示Android惡意軟件類型的真實值。圖中每一格都顯示出了預(yù)測為該類型的惡意軟件數(shù)量與真實數(shù)量的比值,對角線上給出了正確的分類結(jié)果。也就是說,混淆矩陣對角線上值越大,表示多分類的準(zhǔn)確率越高。從圖9中我們可以看出,與表4的結(jié)果相對應(yīng),當(dāng)CNN模型中加入注意力機制模塊后,Adware、Banking和Riskware這3種類型分類的準(zhǔn)確率均有提升,其中Banking提升最大為5%。B-CNN對比CNN在除Riskware外的3個類型中也均有提升。從該結(jié)果中我們還能發(fā)現(xiàn),5種模型對SMS類型的惡意軟件分類的準(zhǔn)確性最差,對Riskware類型分類的準(zhǔn)確率最好,但B-CNN+單線注意力在這兩個類型上表現(xiàn)出的準(zhǔn)確率差距最小,其綜合性能最好。

    從以上二分類與多分類實驗結(jié)果綜合來看,注意力機制模塊的加入能夠同時提升字節(jié)碼圖像二分類與多分類的效果,而B-CNN模型的使用則主要能為字節(jié)碼圖像的多分類識別效果帶來提升。同時該實驗還證實了將注意力機制模塊加入B-CNN的一條分支中所得到的效果要好于同時加入兩個分支。所以本文使用B-CNN+單線注意力作為本文所提出的模型。

    3.5 與其它方法的對比

    本文同時實現(xiàn)了幾種近幾年同類型的Android惡意軟件檢測方法或模型,這些方法均是使用本文數(shù)據(jù)集并在同一實驗環(huán)境下比較的。其中Xiao等[3]的檢測方法由于同樣使用RGB字節(jié)碼圖像,與本文類似,所以僅使用該模型進(jìn)行比對。其余3種方法所用字節(jié)碼圖像類型與本文不同。我們按照這些文獻(xiàn)中所論述的方法以及所公開的代碼將本文數(shù)據(jù)集樣本轉(zhuǎn)化為了這些方法所對應(yīng)的字節(jié)碼圖像。這些方法也將與本文方法進(jìn)行二分類與多分類比較實驗。

    3.5.1 二分類檢測實驗

    二分類檢測結(jié)果中與其它方法的比較見表5。從表5可以看出,本文方法在二分類檢測實驗中4個評估指標(biāo)都超過了98%,準(zhǔn)確率比這些所對比的方法提升要好于這些所對比的同類型方法。這說明與其它方法相比,本文所用模型中的注意力機制能夠更加關(guān)注字節(jié)碼圖像中的關(guān)鍵像素區(qū)域,從而更加精確的檢測出Android惡意軟件的字節(jié)碼圖像。在總體性能上要優(yōu)于這些所對比的方法。

    表5 二分類檢測實驗與現(xiàn)有方法結(jié)果的比較

    3.5.2 多分類識別實驗

    二分類檢測結(jié)果中與其它方法的比較見表6。

    表6 多分類識別實驗與現(xiàn)有方法結(jié)果的比較

    從表6中多分類識別結(jié)果來看,與二分類檢測實驗中呈現(xiàn)的結(jié)果不同,這些所對比的方法在4個評估指標(biāo)上得出的結(jié)果相差較大,其中本文的方法表現(xiàn)最好,4個評估指標(biāo)均達(dá)到了0.959。DexRay[4]的效果最差,準(zhǔn)確率只有0.843,其余3個評估指標(biāo)均不超過0.9。與本文使用同樣RGB圖像的Xiao等[3]的結(jié)果僅次于本文。另外兩種使用融合圖像的檢測方法盡管在4個評估指標(biāo)上超過了0.9,但仍與本文方法的結(jié)果存在差距。從多分類識別的結(jié)果來看,本文對比其它方法具有較為明顯的提升,其中準(zhǔn)確率最少比Sun等[5]的方法多提升2.8%,最多比DexRay[4]的方法提升11.63%。以上結(jié)果都說明了本文方法由于結(jié)合了B-CNN與注意力機制的優(yōu)點,在Android惡意軟件的多分類識別中要優(yōu)于同類型的方法和模型。

    而從二分類與多分類實驗綜合來看,本文的方法不僅在Android惡意軟件二分類檢測方面具有優(yōu)勢,更能有效提升惡意軟件多分類識別的效果。

    3.6 訓(xùn)練時間評估

    本文模型在二分類檢測與多分類識別實驗中的訓(xùn)練參數(shù)與訓(xùn)練時間見表7和表8。表中訓(xùn)練參數(shù)表示模型一輪訓(xùn)練的數(shù)據(jù)量,而訓(xùn)練時間則表示訓(xùn)練一輪所耗費的時長。

    表7 二分類檢測中訓(xùn)練參數(shù)與時間

    由表7和表8訓(xùn)練參數(shù)與時間中可以看出,由于本文模型復(fù)雜度和計算量上有所提高,所以該模型在訓(xùn)練參數(shù)與每輪的訓(xùn)練時間上要略大于僅使用CNN和B-CNN。其中二分類檢測中使用本文模型訓(xùn)練一輪需要花費8 s,與B-CNN相當(dāng),多于CNN的5 s。二分類中本文模型訓(xùn)練一輪需要花費5 s,分別多于單線網(wǎng)絡(luò)和雙線性CNN的3 s和4 s。顯然該模型是用更長的訓(xùn)練時間換取了檢測準(zhǔn)確率等指標(biāo)的提升。

    4 結(jié)束語

    本文提出了一種結(jié)合注意力和雙線性網(wǎng)絡(luò)的Android惡意軟件檢測方法,該方法通過在雙線性網(wǎng)絡(luò)模型的一個分支中加入注意力機制模塊,成功將字節(jié)碼圖像的位置信息和行為信息相結(jié)合,實現(xiàn)了更為準(zhǔn)確的Android字節(jié)碼圖像的分類。實驗結(jié)果表明,該方法不但能夠準(zhǔn)確檢測惡意軟件和良性軟件,還能進(jìn)一步對惡意軟件進(jìn)行多分類并識別出惡意軟件的具體類型。本研究依然存在不足,如多分類實驗中惡意軟件類型較少,模型訓(xùn)練時間較長等。下一步工作將會嘗試收集更多類型的惡意軟件,同時優(yōu)化模型實現(xiàn)性能更好的檢測。

    猜你喜歡
    分類特征實驗
    記一次有趣的實驗
    分類算一算
    如何表達(dá)“特征”
    做個怪怪長實驗
    不忠誠的四個特征
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    抓住特征巧觀察
    NO與NO2相互轉(zhuǎn)化實驗的改進(jìn)
    欧美日韩国产mv在线观看视频| 男女午夜视频在线观看| 极品少妇高潮喷水抽搐| 欧美激情 高清一区二区三区| 一夜夜www| 亚洲一卡2卡3卡4卡5卡精品中文| 久久午夜综合久久蜜桃| 国产精品免费视频内射| 一区福利在线观看| 交换朋友夫妻互换小说| 亚洲欧美激情综合另类| 丁香六月欧美| 麻豆成人av在线观看| 成人精品一区二区免费| 啦啦啦免费观看视频1| 丰满饥渴人妻一区二区三| 欧美国产精品va在线观看不卡| 久久国产亚洲av麻豆专区| 久久 成人 亚洲| 国产成人免费无遮挡视频| 成人影院久久| 日本vs欧美在线观看视频| 免费看十八禁软件| 国产黄色免费在线视频| 欧美亚洲 丝袜 人妻 在线| 国产精品国产av在线观看| 国产精品国产av在线观看| 国产主播在线观看一区二区| 天天影视国产精品| 亚洲全国av大片| 人妻 亚洲 视频| 精品免费久久久久久久清纯 | 啦啦啦在线免费观看视频4| 一二三四在线观看免费中文在| 欧美av亚洲av综合av国产av| а√天堂www在线а√下载 | 日韩欧美一区二区三区在线观看 | 色综合婷婷激情| 热re99久久精品国产66热6| 两个人免费观看高清视频| 亚洲欧美一区二区三区黑人| 99热网站在线观看| 成人永久免费在线观看视频| 亚洲欧美色中文字幕在线| 精品国产一区二区三区久久久樱花| 日韩有码中文字幕| 亚洲av成人一区二区三| 两个人免费观看高清视频| 深夜精品福利| 亚洲五月天丁香| 成熟少妇高潮喷水视频| 777久久人妻少妇嫩草av网站| 在线观看一区二区三区激情| 国产精品一区二区在线观看99| 亚洲一卡2卡3卡4卡5卡精品中文| 美女福利国产在线| 女人被躁到高潮嗷嗷叫费观| 99re6热这里在线精品视频| 视频在线观看一区二区三区| 法律面前人人平等表现在哪些方面| 老司机深夜福利视频在线观看| 亚洲精品在线观看二区| 欧美日韩中文字幕国产精品一区二区三区 | 黄色丝袜av网址大全| 国产精品国产高清国产av | 国产精品欧美亚洲77777| 免费在线观看视频国产中文字幕亚洲| 国产成人系列免费观看| 香蕉丝袜av| 两人在一起打扑克的视频| 99国产精品99久久久久| 午夜影院日韩av| 国产有黄有色有爽视频| 国产精品久久电影中文字幕 | av视频免费观看在线观看| 91av网站免费观看| 成人国语在线视频| 欧美日韩瑟瑟在线播放| 日韩欧美一区视频在线观看| 国产色视频综合| 99热网站在线观看| 亚洲欧美一区二区三区久久| 999久久久国产精品视频| 深夜精品福利| 国产国语露脸激情在线看| 日日摸夜夜添夜夜添小说| 婷婷成人精品国产| 欧美日本中文国产一区发布| 极品人妻少妇av视频| 国产亚洲精品一区二区www | 欧美大码av| 黑人巨大精品欧美一区二区mp4| 久久精品aⅴ一区二区三区四区| 久久亚洲真实| 两个人看的免费小视频| 中文字幕制服av| 美女高潮到喷水免费观看| 欧美日韩福利视频一区二区| 在线国产一区二区在线| 涩涩av久久男人的天堂| 亚洲国产欧美一区二区综合| 欧美日韩亚洲国产一区二区在线观看 | 亚洲少妇的诱惑av| av网站免费在线观看视频| 国产高清videossex| 精品国产亚洲在线| 亚洲精品国产精品久久久不卡| 黄色片一级片一级黄色片| 亚洲欧美一区二区三区久久| 久久国产精品男人的天堂亚洲| 51午夜福利影视在线观看| 亚洲第一欧美日韩一区二区三区| 国产视频一区二区在线看| 欧美黑人欧美精品刺激| 精品一区二区三区四区五区乱码| 一边摸一边抽搐一进一出视频| avwww免费| 亚洲精品自拍成人| xxxhd国产人妻xxx| 午夜视频精品福利| 久久人妻福利社区极品人妻图片| 亚洲综合色网址| 色老头精品视频在线观看| 精品人妻在线不人妻| 18在线观看网站| 久久午夜综合久久蜜桃| 黄色 视频免费看| 视频区欧美日本亚洲| 亚洲免费av在线视频| 国产精品乱码一区二三区的特点 | 亚洲国产毛片av蜜桃av| 麻豆av在线久日| 欧美久久黑人一区二区| 悠悠久久av| 国产亚洲欧美在线一区二区| 人妻久久中文字幕网| 久久国产精品影院| videosex国产| 美女扒开内裤让男人捅视频| 欧美亚洲日本最大视频资源| 精品免费久久久久久久清纯 | 亚洲熟妇中文字幕五十中出 | 国产99久久九九免费精品| 天天躁夜夜躁狠狠躁躁| 天天操日日干夜夜撸| 国产人伦9x9x在线观看| 久久久久久人人人人人| 亚洲人成77777在线视频| 亚洲第一欧美日韩一区二区三区| 精品国产超薄肉色丝袜足j| 黄色视频不卡| 老司机福利观看| 久久国产精品影院| 亚洲av电影在线进入| 久久草成人影院| 国产精品一区二区精品视频观看| 久久久久精品人妻al黑| 久久精品国产99精品国产亚洲性色 | 亚洲人成电影观看| 看片在线看免费视频| videos熟女内射| 国产成人精品无人区| 大码成人一级视频| 9色porny在线观看| av国产精品久久久久影院| 老司机亚洲免费影院| 好男人电影高清在线观看| 欧美av亚洲av综合av国产av| 国产91精品成人一区二区三区| 国产精品二区激情视频| 99re6热这里在线精品视频| 日本精品一区二区三区蜜桃| 极品少妇高潮喷水抽搐| 国产精品二区激情视频| 久久中文字幕人妻熟女| 99riav亚洲国产免费| 日本撒尿小便嘘嘘汇集6| 欧美精品av麻豆av| 色综合婷婷激情| 麻豆成人av在线观看| 搡老岳熟女国产| 久久中文看片网| 亚洲黑人精品在线| 亚洲成人手机| 久久精品国产亚洲av香蕉五月 | 成人av一区二区三区在线看| 久久精品国产亚洲av高清一级| 国产高清videossex| 12—13女人毛片做爰片一| 日韩视频一区二区在线观看| 最近最新中文字幕大全电影3 | 久久九九热精品免费| 久久国产亚洲av麻豆专区| 丁香欧美五月| 久久香蕉激情| 国产乱人伦免费视频| 亚洲熟妇中文字幕五十中出 | 又黄又粗又硬又大视频| 亚洲精品一二三| 国产欧美日韩综合在线一区二区| 国产精品一区二区精品视频观看| 国产精品自产拍在线观看55亚洲 | 深夜精品福利| x7x7x7水蜜桃| 黄网站色视频无遮挡免费观看| 国产亚洲欧美在线一区二区| 黄色丝袜av网址大全| 欧美 日韩 精品 国产| 欧美日韩乱码在线| xxxhd国产人妻xxx| 国产不卡av网站在线观看| 午夜老司机福利片| 动漫黄色视频在线观看| 亚洲一码二码三码区别大吗| 亚洲午夜理论影院| 人人妻人人爽人人添夜夜欢视频| 午夜久久久在线观看| 欧美日韩黄片免| 国产精品av久久久久免费| 黄色丝袜av网址大全| 好男人电影高清在线观看| 国产成人精品无人区| 人妻丰满熟妇av一区二区三区 | 国产av又大| 一本大道久久a久久精品| 日韩欧美一区二区三区在线观看 | 不卡一级毛片| 亚洲精华国产精华精| 真人做人爱边吃奶动态| 日韩欧美三级三区| 国产亚洲欧美精品永久| www.自偷自拍.com| 久久精品91无色码中文字幕| 香蕉久久夜色| 午夜福利,免费看| 亚洲一区高清亚洲精品| 午夜视频精品福利| 18在线观看网站| 欧美日韩国产mv在线观看视频| 欧美午夜高清在线| 欧美日韩亚洲国产一区二区在线观看 | 高清视频免费观看一区二区| 免费久久久久久久精品成人欧美视频| 纯流量卡能插随身wifi吗| 国产成人精品久久二区二区91| 99精品在免费线老司机午夜| 国产欧美日韩一区二区三| 无人区码免费观看不卡| 老熟妇乱子伦视频在线观看| 大香蕉久久网| 免费av中文字幕在线| 乱人伦中国视频| 中亚洲国语对白在线视频| 色播在线永久视频| 久久久久精品人妻al黑| 久久午夜综合久久蜜桃| 欧美黑人精品巨大| 欧美丝袜亚洲另类 | 无限看片的www在线观看| 久久精品国产清高在天天线| 国产成人欧美在线观看 | aaaaa片日本免费| 午夜激情av网站| 国产一区二区三区综合在线观看| 欧美另类亚洲清纯唯美| 丝瓜视频免费看黄片| 亚洲精品自拍成人| 亚洲va日本ⅴa欧美va伊人久久| 深夜精品福利| 国产精品 欧美亚洲| 大型黄色视频在线免费观看| 亚洲精华国产精华精| 亚洲精品av麻豆狂野| 80岁老熟妇乱子伦牲交| 免费在线观看亚洲国产| 国产精品综合久久久久久久免费 | 国产精品久久久人人做人人爽| 操出白浆在线播放| 久久久久久免费高清国产稀缺| 99国产综合亚洲精品| 欧美久久黑人一区二区| 80岁老熟妇乱子伦牲交| 成熟少妇高潮喷水视频| 久久精品国产a三级三级三级| 久久精品成人免费网站| 99国产精品一区二区三区| 久久久久久久午夜电影 | 成人特级黄色片久久久久久久| 中文字幕另类日韩欧美亚洲嫩草| 国产精品电影一区二区三区 | 看片在线看免费视频| 国产欧美日韩一区二区三| 18禁裸乳无遮挡动漫免费视频| 美女视频免费永久观看网站| 欧美亚洲 丝袜 人妻 在线| 国产精品国产高清国产av | av免费在线观看网站| 99精国产麻豆久久婷婷| 日日夜夜操网爽| 另类亚洲欧美激情| 十分钟在线观看高清视频www| 久久婷婷成人综合色麻豆| 国产亚洲精品久久久久5区| 淫妇啪啪啪对白视频| avwww免费| 在线av久久热| 老熟女久久久| cao死你这个sao货| 丰满迷人的少妇在线观看| 亚洲精品一卡2卡三卡4卡5卡| 久久久久国内视频| 最近最新中文字幕大全电影3 | 激情视频va一区二区三区| 成年人免费黄色播放视频| 国产欧美日韩综合在线一区二区| 久久精品亚洲精品国产色婷小说| 一区二区日韩欧美中文字幕| 极品人妻少妇av视频| 亚洲精品成人av观看孕妇| 国产欧美亚洲国产| 自拍欧美九色日韩亚洲蝌蚪91| 免费日韩欧美在线观看| 国产不卡av网站在线观看| 在线观看免费午夜福利视频| 国产免费男女视频| 91精品三级在线观看| 国产精品秋霞免费鲁丝片| 国产精品久久久久成人av| 欧美黄色片欧美黄色片| 亚洲欧美激情综合另类| 欧美激情久久久久久爽电影 | 王馨瑶露胸无遮挡在线观看| 涩涩av久久男人的天堂| 欧美日韩成人在线一区二区| 亚洲一区二区三区不卡视频| 午夜免费观看网址| 免费在线观看黄色视频的| 精品卡一卡二卡四卡免费| 波多野结衣av一区二区av| 国产欧美亚洲国产| 99热国产这里只有精品6| 免费一级毛片在线播放高清视频 | 国产精品久久电影中文字幕 | 久久人人97超碰香蕉20202| 亚洲精品粉嫩美女一区| 99热国产这里只有精品6| 国产激情欧美一区二区| 久久久久久久国产电影| 午夜免费观看网址| 后天国语完整版免费观看| 真人做人爱边吃奶动态| 日韩 欧美 亚洲 中文字幕| 久久亚洲真实| xxxhd国产人妻xxx| 女人高潮潮喷娇喘18禁视频| a级毛片在线看网站| 亚洲精品av麻豆狂野| 国产又爽黄色视频| 欧美乱妇无乱码| 99久久99久久久精品蜜桃| 亚洲国产看品久久| 成人手机av| 美国免费a级毛片| 18禁国产床啪视频网站| 久久这里只有精品19| 成人特级黄色片久久久久久久| 日韩视频一区二区在线观看| 男女高潮啪啪啪动态图| 亚洲 国产 在线| 久久精品91无色码中文字幕| 一级毛片高清免费大全| 久久狼人影院| 欧美色视频一区免费| 亚洲专区字幕在线| 黄片小视频在线播放| 如日韩欧美国产精品一区二区三区| 国产乱人伦免费视频| 露出奶头的视频| 91麻豆av在线| 超碰97精品在线观看| 大陆偷拍与自拍| 后天国语完整版免费观看| 久久国产精品人妻蜜桃| 久久精品国产a三级三级三级| 99国产综合亚洲精品| 亚洲欧美激情综合另类| 一二三四在线观看免费中文在| 国产淫语在线视频| 久久天躁狠狠躁夜夜2o2o| 国产精品久久电影中文字幕 | 99久久人妻综合| 久久久国产精品麻豆| 久久人妻av系列| 亚洲国产精品sss在线观看 | 黄频高清免费视频| 午夜福利影视在线免费观看| 国产精品一区二区在线观看99| 91精品国产国语对白视频| 80岁老熟妇乱子伦牲交| 欧美黄色淫秽网站| 亚洲成人免费av在线播放| 后天国语完整版免费观看| 日韩中文字幕欧美一区二区| 电影成人av| 欧美人与性动交α欧美软件| 国产亚洲精品久久久久5区| 亚洲精品av麻豆狂野| 热99久久久久精品小说推荐| 国产精品 欧美亚洲| 国产日韩欧美亚洲二区| 一边摸一边抽搐一进一小说 | 国产高清激情床上av| 成熟少妇高潮喷水视频| 成人国产一区最新在线观看| 成年人黄色毛片网站| 精品国产亚洲在线| a在线观看视频网站| 亚洲熟女毛片儿| 亚洲黑人精品在线| 欧美不卡视频在线免费观看 | 欧美日韩亚洲综合一区二区三区_| 制服人妻中文乱码| 在线观看免费视频网站a站| 欧美日韩亚洲国产一区二区在线观看 | 每晚都被弄得嗷嗷叫到高潮| 国产极品粉嫩免费观看在线| 国产精品久久久久久精品古装| 色精品久久人妻99蜜桃| 亚洲欧美日韩另类电影网站| 亚洲av日韩在线播放| 国产在视频线精品| 高清黄色对白视频在线免费看| 男男h啪啪无遮挡| 女人久久www免费人成看片| av天堂久久9| 欧美黄色片欧美黄色片| 精品国内亚洲2022精品成人 | 免费观看a级毛片全部| 色婷婷久久久亚洲欧美| 老鸭窝网址在线观看| 高清欧美精品videossex| 日本精品一区二区三区蜜桃| 777米奇影视久久| ponron亚洲| 亚洲色图 男人天堂 中文字幕| 好男人电影高清在线观看| 69精品国产乱码久久久| 无遮挡黄片免费观看| 18禁黄网站禁片午夜丰满| 精品国产亚洲在线| 日韩一卡2卡3卡4卡2021年| 天天躁夜夜躁狠狠躁躁| 精品欧美一区二区三区在线| 亚洲少妇的诱惑av| 国产男女内射视频| 午夜福利一区二区在线看| 精品国产乱子伦一区二区三区| 91麻豆精品激情在线观看国产 | 两个人看的免费小视频| 欧美激情极品国产一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 黑丝袜美女国产一区| 看黄色毛片网站| 99在线人妻在线中文字幕 | 国产一区在线观看成人免费| 久久国产精品人妻蜜桃| 天堂动漫精品| 欧美大码av| 91麻豆精品激情在线观看国产 | 90打野战视频偷拍视频| 午夜日韩欧美国产| 亚洲av欧美aⅴ国产| 久久久久久免费高清国产稀缺| 人人妻人人澡人人看| 日韩成人在线观看一区二区三区| 午夜成年电影在线免费观看| 国产男靠女视频免费网站| 99久久综合精品五月天人人| 亚洲,欧美精品.| 精品久久久久久久久久免费视频 | 人人妻人人澡人人爽人人夜夜| 天天操日日干夜夜撸| 天天躁日日躁夜夜躁夜夜| 国产精品香港三级国产av潘金莲| 中文字幕色久视频| 亚洲成人国产一区在线观看| 两性夫妻黄色片| 久久精品亚洲熟妇少妇任你| 捣出白浆h1v1| 国产精品 欧美亚洲| 国产在线观看jvid| 高清av免费在线| 老司机靠b影院| 久久精品国产99精品国产亚洲性色 | 国产亚洲欧美98| 亚洲少妇的诱惑av| 国产片内射在线| 精品亚洲成国产av| 成人18禁在线播放| 亚洲成av片中文字幕在线观看| 亚洲欧洲精品一区二区精品久久久| 大香蕉久久网| 日韩一卡2卡3卡4卡2021年| www.自偷自拍.com| 国产成人av教育| 亚洲色图av天堂| 亚洲av欧美aⅴ国产| 我的亚洲天堂| videosex国产| 久久热在线av| 久久久水蜜桃国产精品网| 欧美大码av| 人人妻人人爽人人添夜夜欢视频| 久久久久视频综合| 中文字幕人妻丝袜一区二区| 国产熟女午夜一区二区三区| 麻豆乱淫一区二区| 国产精品偷伦视频观看了| 少妇 在线观看| 日韩人妻精品一区2区三区| 999久久久国产精品视频| 波多野结衣一区麻豆| 久久精品亚洲熟妇少妇任你| 亚洲av熟女| 99精品在免费线老司机午夜| 欧美日本中文国产一区发布| 91精品国产国语对白视频| 国产一区二区三区在线臀色熟女 | 看免费av毛片| 国产欧美日韩一区二区三| 国产人伦9x9x在线观看| 久久久久久久午夜电影 | 亚洲一区二区三区不卡视频| 国产精品99久久99久久久不卡| 日本一区二区免费在线视频| 下体分泌物呈黄色| 久久香蕉激情| 久久婷婷成人综合色麻豆| 久久午夜亚洲精品久久| 欧美最黄视频在线播放免费 | 国产一区二区激情短视频| 超碰成人久久| 亚洲黑人精品在线| 精品电影一区二区在线| 国产成人一区二区三区免费视频网站| 国产蜜桃级精品一区二区三区 | 精品视频人人做人人爽| 亚洲精品乱久久久久久| 波多野结衣av一区二区av| 欧美精品一区二区免费开放| 亚洲情色 制服丝袜| av有码第一页| 法律面前人人平等表现在哪些方面| 女人久久www免费人成看片| 国产激情欧美一区二区| 国产精品 国内视频| av国产精品久久久久影院| 亚洲aⅴ乱码一区二区在线播放 | 人人妻人人爽人人添夜夜欢视频| 国产成+人综合+亚洲专区| 亚洲九九香蕉| 婷婷成人精品国产| 另类亚洲欧美激情| 一本综合久久免费| 在线免费观看的www视频| 精品久久久精品久久久| 男女床上黄色一级片免费看| 欧美日韩瑟瑟在线播放| 露出奶头的视频| 九色亚洲精品在线播放| 嫁个100分男人电影在线观看| av天堂久久9| 国产欧美亚洲国产| 久热爱精品视频在线9| 国产av精品麻豆| 精品国产超薄肉色丝袜足j| 亚洲av日韩在线播放| 亚洲全国av大片| 国产国语露脸激情在线看| 国产精品国产av在线观看| 久久ye,这里只有精品| 黄频高清免费视频| 国产精品久久久久成人av| 18在线观看网站| 中文字幕精品免费在线观看视频| 亚洲男人天堂网一区| 欧美最黄视频在线播放免费 | 欧美精品亚洲一区二区| 丝袜人妻中文字幕| 午夜两性在线视频| 一进一出抽搐动态| 日韩欧美国产一区二区入口| 一级片'在线观看视频| 男女午夜视频在线观看| xxxhd国产人妻xxx| 日韩中文字幕欧美一区二区| 成熟少妇高潮喷水视频| 亚洲国产看品久久| 久久ye,这里只有精品| 精品视频人人做人人爽| 午夜91福利影院| 国产日韩欧美亚洲二区| 国产精品永久免费网站| www.999成人在线观看| 欧美精品亚洲一区二区| 黄频高清免费视频| 97人妻天天添夜夜摸| 免费在线观看完整版高清| 亚洲精品av麻豆狂野| 久久国产乱子伦精品免费另类| 国产高清国产精品国产三级| 在线视频色国产色| 国产精品欧美亚洲77777| 国产日韩欧美亚洲二区| 久久午夜综合久久蜜桃|