• <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ICNN-MMD的網(wǎng)絡(luò)入侵檢測(cè)方法

    2024-01-02 08:35:42李卓文鄧在輝葉彩瑞
    軟件導(dǎo)刊 2023年12期
    關(guān)鍵詞:源域神經(jīng)網(wǎng)絡(luò)分類

    李卓文,鄧在輝,葉彩瑞,彭 濤

    (武漢紡織大學(xué) 計(jì)算機(jī)與人工智能學(xué)院,湖北 武漢 430200)

    0 引言

    網(wǎng)絡(luò)技術(shù)發(fā)展使人們聯(lián)系更緊密,在帶來(lái)便利的同時(shí),各種網(wǎng)絡(luò)安全問題也不斷浮現(xiàn),一旦民生等重要設(shè)施被境外攻擊者入侵,后果將非常嚴(yán)重。為了應(yīng)對(duì)上述問題,工業(yè)界和學(xué)術(shù)界提出了許多解決方案,網(wǎng)絡(luò)入侵檢測(cè)系 統(tǒng)(Network Intrusion Detection System,NIDS)為其中之一。

    雖然,基于深度學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測(cè)方法極大提升了檢測(cè)性能,但需要大量帶標(biāo)簽數(shù)據(jù)才能訓(xùn)練出更好的攻擊分類模型。與此同時(shí),標(biāo)注攻擊流量本身也是一項(xiàng)耗時(shí)長(zhǎng)、易出錯(cuò)的工作[1-2]。此外,深度學(xué)習(xí)方法只有在新數(shù)據(jù)與原有數(shù)據(jù)具有相同特征空間與統(tǒng)一分布的條件下才具有較好的性能,這意味著在網(wǎng)絡(luò)入侵檢測(cè)領(lǐng)域中一旦檢測(cè)到新型攻擊,模型就需要耗費(fèi)大量計(jì)算資源重新訓(xùn)練,并未較好運(yùn)用原有模型蘊(yùn)含的知識(shí)。因此,遷移學(xué)習(xí)[3]方法被提出,其核心思想是從原有數(shù)據(jù)集中提取信息并重新應(yīng)用于新數(shù)據(jù)集,即利用源域數(shù)據(jù)集知識(shí)提升目標(biāo)域的任務(wù)性能[4]。

    本文提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)合最大均值差異(Improved Convolutional Neural Network and Maximum Mean Discrepancy,ICNN-MMD)的遷移學(xué)習(xí)網(wǎng)絡(luò)入侵檢測(cè)方法,通過無(wú)監(jiān)督域適應(yīng)方式最小化源域與目標(biāo)域間距離,實(shí)現(xiàn)兩者特征遷移,達(dá)到提升模型泛化能力的目標(biāo)。實(shí)驗(yàn)表明,本文所提方法的各項(xiàng)總體指標(biāo)相較于現(xiàn)有方法提升較大,證實(shí)了所提方法的有效性。

    1 相關(guān)工作

    張陽(yáng)等[5]使用簡(jiǎn)單抽樣與SMOTE 算法平衡KDD99 數(shù)據(jù)集,隨后利用常見的傳統(tǒng)機(jī)器學(xué)習(xí)算法分別在平衡前后的數(shù)據(jù)集上進(jìn)行測(cè)試,但并未改進(jìn)機(jī)器學(xué)習(xí)算法。其中,采用KNN 算法在少數(shù)分類攻擊類型上的檢測(cè)準(zhǔn)確率較差。由于傳統(tǒng)機(jī)器學(xué)習(xí)方法未能較好提取數(shù)據(jù)特征,學(xué)者們開始研究基于深度學(xué)習(xí)的入侵檢測(cè)方法。時(shí)東閣等[6]利用卷積神經(jīng)網(wǎng)絡(luò)提取特征,通過Softmax 回歸進(jìn)行多分類,最后采用Focal loss 函數(shù)優(yōu)化數(shù)據(jù)集不平衡問題,但需要花費(fèi)較長(zhǎng)的訓(xùn)練時(shí)間。Sun 等[7]組合CNN 與LST 提取數(shù)據(jù)集的時(shí)空特征,利用分類權(quán)重優(yōu)化方法平衡數(shù)據(jù)集以提升檢測(cè)率,但在CICIDS2017 上測(cè)試時(shí),由于數(shù)據(jù)較少導(dǎo)致攻擊類型Heartbleed、SSH-Patator 的檢測(cè)率較差。Kunang等[8]結(jié)合預(yù)訓(xùn)練的自編碼器(Auto Encoder,AE)與深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)實(shí)現(xiàn)入侵檢測(cè),模型使用自動(dòng)超參數(shù)優(yōu)化過程尋找最優(yōu)配置,預(yù)訓(xùn)練階段使用AE、深度自編碼器(Deep Auto Encoder,DAE)、堆疊自編碼器(Stacking Auto Encoder,SAE)提取特征,其中深度自編碼器結(jié)果最優(yōu)。Gao 等[9]設(shè)計(jì)基于深度神經(jīng)網(wǎng)絡(luò)與聯(lián)合分析(Association Analysis,AA)的異常檢測(cè)系統(tǒng),使用Apriori算法構(gòu)建數(shù)據(jù)集各種特征間的關(guān)聯(lián)規(guī)則,然后匹配分類數(shù)據(jù)與規(guī)則,將不匹配的信息識(shí)別為惡意流量,生成報(bào)警日志,但該方法相較于部分方法在NSL-KDD 的二分類精確度偏低,深度神經(jīng)網(wǎng)絡(luò)依然存在改進(jìn)空間。

    遷移學(xué)習(xí)作為新的學(xué)習(xí)方法,學(xué)者們嘗試將遷移學(xué)習(xí)應(yīng)用到網(wǎng)絡(luò)入侵檢測(cè)領(lǐng)域。彭雨荷等[10]提出基于聯(lián)合分布適配的遷移學(xué)習(xí)方式,尋找最優(yōu)變換矩陣以適配源域、目標(biāo)域的邊緣概率、條件概率,實(shí)現(xiàn)源域與目標(biāo)域的特征遷移,解決源域與目標(biāo)域間的分布差異導(dǎo)致檢測(cè)率降低的問題。然而,該方法會(huì)產(chǎn)生高維特征遷移矩陣的搜索問題,對(duì)訓(xùn)練集規(guī)模具有一定要求,且在大規(guī)模數(shù)據(jù)集上訓(xùn)練模型時(shí)收斂速度較慢。Singh 等[11]提出一種基于廣義深度遷移學(xué)習(xí)(Transfer Learning,TL)的高擴(kuò)展性堆疊GRU模型處理網(wǎng)絡(luò)入侵檢測(cè)中的多維數(shù)據(jù)、多變量時(shí)間序列的回歸與分類問題,但實(shí)現(xiàn)較為復(fù)雜。盧明星等[12]設(shè)計(jì)的遷移學(xué)習(xí)框架由嵌入層和標(biāo)簽層實(shí)現(xiàn)編解碼,權(quán)重由源域、目標(biāo)域共享,用于知識(shí)遷移。在嵌入層中,通過最小化域間嵌入實(shí)例的KL 散度來(lái)強(qiáng)制源域與目標(biāo)域數(shù)據(jù)分布相似;在標(biāo)簽編碼層中,使用Softmax 回歸模型編碼分類源域標(biāo)簽信息。Li 等[13]提出基于主動(dòng)遷移學(xué)習(xí)的入侵檢測(cè)算法AcTrAdaBoost,該算法準(zhǔn)確率、訓(xùn)練時(shí)間相較于其他算法更優(yōu),但更適用于單個(gè)源域且目標(biāo)域存在少量數(shù)據(jù)標(biāo)注的條件下。

    2 ICNN-MMD模型

    本文提出的ICNN-MMD 模型采用暹羅式網(wǎng)絡(luò),源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)共享神經(jīng)網(wǎng)絡(luò)權(quán)值,具體結(jié)構(gòu)如圖1 所示。ICNN-MMD 的神經(jīng)網(wǎng)絡(luò)包含5 個(gè)卷積層,兩個(gè)最大池化層,4 個(gè)全連接層[14]。其中,卷積層1-3 使用RELU 激活函數(shù)增大網(wǎng)絡(luò)稀疏程度,全連接層1、2 使用Dropout 方法防止過擬合。

    Fig.1 ICNN-MMD model structure圖1 ICNN-MMD模型結(jié)構(gòu)

    網(wǎng)絡(luò)采取跨層聚合的設(shè)計(jì)方式,跨層是指從卷積層2開始保存卷積結(jié)果,隨后分別進(jìn)行卷積、池化、全連接操作,聚合是指利用Tensorflow 的concat 函數(shù)合并操作全連接層2、4 的輸出數(shù)據(jù)。最后,通過Softmax 分類計(jì)算分類損失值并反向傳播,不斷修正網(wǎng)絡(luò)權(quán)值和偏置值,直至模型收斂,ICNN 結(jié)構(gòu)如圖2所示。

    Fig.2 ICNN model structure圖2 ICNN模型結(jié)構(gòu)

    為了實(shí)現(xiàn)源域與目標(biāo)域間的域適應(yīng)(Domain Adaption,DA),本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)[15]引入適配層(Adaptation Layer,AL)與域損失(Domain Loss,DL),將入侵檢測(cè)數(shù)據(jù)集的訓(xùn)練集作為源域數(shù)據(jù),測(cè)試集作為目標(biāo)域數(shù)據(jù),二者共享神經(jīng)網(wǎng)絡(luò)權(quán)值。在模型訓(xùn)練時(shí),DL 與原有損失共同計(jì)算并反向傳播,逐漸優(yōu)化、調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值與偏置值,具體網(wǎng)絡(luò)架構(gòu)如圖3所示。

    Fig.3 Structure of convolution neural network in this paper圖3 本文卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    為了定量描述源域與目標(biāo)域間的差異(域損失),引用標(biāo)準(zhǔn)分布度量,即最大均值差異(Maximum Mean Discrepancy,MMD),具體計(jì)算公式為:

    其中,φ(·)為定義表征,xs∈XS表示源域數(shù)據(jù),xt∈XT表示目標(biāo)域數(shù)據(jù)。

    因此,新架構(gòu)的網(wǎng)絡(luò)優(yōu)化目標(biāo)是最小化分類損失與MMD 距離,如式(2)所示。

    其中,LC(XL,y)表示標(biāo)簽數(shù)據(jù)XL的分類損失,XL為Ground Truth 標(biāo)簽,MMD(XS,XT)表示源域數(shù)據(jù)XS和目標(biāo)域XT的距離,λ為超參數(shù),決定了域適應(yīng)的強(qiáng)度。若該參數(shù)設(shè)置過低將導(dǎo)致MMD 正則化在學(xué)習(xí)表征時(shí)效果較差,設(shè)置過高會(huì)導(dǎo)致數(shù)據(jù)點(diǎn)距離過近,學(xué)習(xí)表征退化。

    3 數(shù)據(jù)預(yù)處理

    3.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文采用的NSL-KDD 數(shù)據(jù)集相較于KDD CUP 99,在模型訓(xùn)練上收斂速度更快,樣本數(shù)據(jù)分布更均衡合理,可利用性更高,一定程度上提升了模型的泛化能力[16-17]。其中,訓(xùn)練集KDDTrain+包含125 973 條記錄(約18.2 MB),測(cè)試集包含KDDTest+與KDDTest-21,分別包含22 544 條記錄(約3.28 MB)、11 850 條記錄(約1.69 MB)。表1 為NSL-KDD 數(shù)據(jù)樣本分布。

    Table 1 Sample distribution of NSL-KDD dataset表1 NSL-KDD數(shù)據(jù)集樣本分布

    由表1 可見,數(shù)據(jù)集中包含正常類數(shù)據(jù)(Normal)和另外4 種攻擊類型數(shù)據(jù),分別為Probe、DoS、U2R、R2L,而他們又可細(xì)分為39 個(gè)小類攻擊類型。因此,NSL-KDD 數(shù)據(jù)集的每條記錄均為42 維,包含38 維數(shù)字特征,3 維符號(hào)特征與1個(gè)攻擊類型標(biāo)簽(Label)。

    3.2 數(shù)據(jù)預(yù)處理

    3.2.1 獨(dú)熱編碼(One-Hot Encoding)

    NSL-KDD 的3 個(gè)符號(hào)特征分別為protocol_type、service、flag。具體的,protocol_type 在數(shù)據(jù)集中包含TCP,UDP、ICMP,編碼為3 維二進(jìn)制向量;service 在數(shù)據(jù)集中有70 類,編碼為70 維二進(jìn)制向量;flag 編碼為11 維二進(jìn)制向量。包括其他數(shù)值特征,數(shù)據(jù)集中的每條記錄始終為122維向量。

    3.2.2 歸一化

    NSL-KDD 數(shù)據(jù)集中各特征數(shù)值范圍不同,即存在明顯差異,如果直接送入模型訓(xùn)練會(huì)導(dǎo)致收斂速度緩慢、波動(dòng)較大、模型精度較差等問題。歸一化操作是將各區(qū)間數(shù)據(jù)映射到統(tǒng)一、特定區(qū)間,以此加速模型收斂速度。為此,本文將各特征數(shù)值縮放至[0,1]區(qū)間,具體計(jì)算公式如下:

    其中,x為某個(gè)特征值,xmin表示數(shù)據(jù)集中對(duì)應(yīng)該特征的最小值,xmax表示數(shù)據(jù)集中所對(duì)應(yīng)特征的最大值,xnorm為歸一化處理后的結(jié)果。

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 實(shí)驗(yàn)設(shè)計(jì)

    本文通過實(shí)驗(yàn)驗(yàn)證所提方法是否能使源域與目標(biāo)域間的域適應(yīng)為目標(biāo)域帶來(lái)增益,并依據(jù)此方法所構(gòu)建的多分類器是否能提升目標(biāo)域的效果。

    實(shí)驗(yàn)將訓(xùn)練集KDDTrain+作為源域數(shù)據(jù),測(cè)試集KDDTest+、KDDTest-21 作為目標(biāo)域數(shù)據(jù)并進(jìn)行多分類輸出。同時(shí),實(shí)驗(yàn)分為兩次訓(xùn)練,第一次在最優(yōu)超參數(shù)的情況下使用源域數(shù)據(jù)訓(xùn)練ICNN 模型,然后在目標(biāo)域數(shù)據(jù)上測(cè)試得到結(jié)果;第二次為基于ICNN-MMD 的方法訓(xùn)練,即在第一次訓(xùn)練好的ICNN 模型基礎(chǔ)上使用不帶標(biāo)簽的目標(biāo)域數(shù)據(jù),以無(wú)監(jiān)督方式進(jìn)行基于MMD 的域適應(yīng)優(yōu)化訓(xùn)練。隨后,分別比較兩次訓(xùn)練在目標(biāo)域數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果,包含總體指標(biāo)和多分類指標(biāo)。最后,將本文算法與現(xiàn)存算法進(jìn)行比較。

    4.2 實(shí)驗(yàn)環(huán)境

    本文實(shí)驗(yàn)在Windows 10 下進(jìn)行,處理器為Intel i7-7700HQ,顯卡為NVIDIA GEFORCE GTX 1050,顯存為4GB。為提高程序運(yùn)行效率,采用基于GPU 的Tensorflow-GPU 框架及Keras API,使用Pycharm 2019平臺(tái)進(jìn)行開發(fā)。

    4.3 實(shí)驗(yàn)指標(biāo)

    本文使用檢測(cè)準(zhǔn)確率(Accuracy)、精確度(Precision)、召回率(Recall)和F1 值(F1-Score)作為評(píng)價(jià)指標(biāo)。其中,檢測(cè)精度為測(cè)試數(shù)據(jù)檢測(cè)過程中得出的檢測(cè)精度。

    (1)準(zhǔn)確率。準(zhǔn)確率越高代表模型性能越好。

    (2)誤報(bào)率。誤報(bào)率是正常流量被錯(cuò)誤的判斷為攻擊的比例。

    (3)精確度。精確度是精確性的度量值,精確度計(jì)算值通常為Precision=1 -FAR,也可通過公式(6)求解。

    (4)召回率。召回率是覆蓋面的度量值,該值表示真實(shí)為正中被預(yù)測(cè)為正的比例。

    (5)F1 值。F1 值是綜合計(jì)算Precision 與Recall 的指標(biāo)值,能表示模型整體性能。

    對(duì)于整體數(shù)據(jù)集而言,除誤報(bào)率外的指標(biāo)越高越好;對(duì)于模型分類而言,精確度、召回率越高代表分類效果越好,但僅靠準(zhǔn)確率可能無(wú)法判斷模型的分類優(yōu)劣。

    4.4 結(jié)果分析

    經(jīng)過多次組合訓(xùn)練,第一次訓(xùn)練最優(yōu)參數(shù)Epoch=50,學(xué)習(xí)率為0.05,batch_size=50,優(yōu)化器選擇隨機(jī)梯度下降優(yōu)化器。第二次訓(xùn)練最優(yōu)參數(shù)epoch=10,學(xué)習(xí)率為0.005,lambda=30,優(yōu)化器也選擇隨機(jī)梯度下降優(yōu)化器。表2、表3均將KDDTest+作為目標(biāo)域數(shù)據(jù),表2展示多分類指標(biāo),表3展示總體指標(biāo)。由表2 可見,ICNN-MMD 方法相較于ICNN,Normal 準(zhǔn)確度提升0.13%,DoS 提升4.06%,Probe 提升0.41%,U2R 提升2.98%,R2L 提升0.38%。由表3 可見,ICNN-MMD 總體指標(biāo)優(yōu)于ICNN,Accuracy 提升1.5%,Precision提升0.26%,Recall提升2.54%,F(xiàn)1值提升1.9%。

    Table 2 Multi-classification accuracy performance of ICNN-MMD on KDDTest+表2 ICNN-MMD在KDDTest+上多分類準(zhǔn)確率指標(biāo)(%)

    Table 3 Global performance of ICNN-MMD on KDDTest+表3 ICNN-MMD在KDDTest+上總體指標(biāo)(%)

    表4、表5 將KDDTest-21 作為目標(biāo)域數(shù)據(jù)。表4 展示多分類指標(biāo),表5 展示總體指標(biāo)。由表4 可見,ICNN-MMD方法的多分類指標(biāo)均有提升,Normal的準(zhǔn)確度提升0.65%,DoS 提升7.21%,Probe 提升0.46%,U2R 提升1.49%,R2L 提升0.38%。

    Table 4 Multi-classification accuracy performance of ICNN-MMD on KDDTest-21表4 ICNN-MMD在KDDTest-21上多分類準(zhǔn)確率指標(biāo)(%)

    Table 5 Global performance of ICNN-MMD on KDDTest-21表5 ICNN-MMD在KDDTest-21上總體指標(biāo)(%)

    由表5 可見,ICNN-MMD 相較于ICNN,Accuracy 提升2.96%,Precision 提升0.54%,Recall 提升3.46%,F(xiàn)1 值提升3.0%。

    為直觀觀察模型表現(xiàn),表6 給出了KDDTest+數(shù)據(jù)集在多分類上的混淆矩陣,其中縱列為真實(shí)類,橫列為預(yù)測(cè)類。由此可見,大多數(shù)樣本被正確分類,位于對(duì)角線上,但U2R、R2L類型更多地被誤判為Normal類型。

    Table 6 Confusion matrix on KDDTest+表6 KDDTest+上的混淆矩陣

    表7 為KDDTest+每個(gè)攻擊分類的FAR 和Recall 指標(biāo)。由于NSL-KDD 訓(xùn)練集中U2R、R2L 類型數(shù)據(jù)較少,由此可見U2R、R2L類型的誤報(bào)率偏高,檢出率偏低。

    Table 7 Multi-classification attack performance表7 多分類攻擊指標(biāo)(%)

    將本文所提方法與RF、DT、GaussianNB、BiLSTM、GoogleNet 和DLNID 方法進(jìn)行比較,總體指標(biāo)均在KDDTest+上測(cè)試所得,如表8 所示。由此可見,本文提出的ICNN-MMD 方法優(yōu)于ICNN;DLNID-MMD 方法也優(yōu)于DLNID。整體而言,本文所提方法的總體指標(biāo)值均高于其他算法。

    Table 8 Overall indicators of various methods on KDDTest+表8 各類方法在KDDTest+上總體指標(biāo)(%)

    5 結(jié)語(yǔ)

    在目前網(wǎng)絡(luò)環(huán)境中,網(wǎng)絡(luò)設(shè)施數(shù)據(jù)交換量大,攻擊類型多樣,人工標(biāo)注的數(shù)據(jù)集規(guī)模極為有限。為此,本文提出基于ICNN-MMD 的網(wǎng)絡(luò)入侵檢測(cè)方法,首先將NSLKDD 數(shù)據(jù)集預(yù)處理為適合神經(jīng)網(wǎng)絡(luò)輸入的格式;然后將實(shí)驗(yàn)分為兩次訓(xùn)練過程,第一次以最優(yōu)參數(shù)預(yù)訓(xùn)練ICNN 模型,第二次則在前者的基礎(chǔ)上利用無(wú)標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù)進(jìn)行無(wú)監(jiān)督的域適應(yīng)優(yōu)化訓(xùn)練;最后將兩次訓(xùn)練的模型與第一次訓(xùn)練和其他方法進(jìn)行比較。

    實(shí)驗(yàn)表明,本文所提方法提高了網(wǎng)絡(luò)入侵檢測(cè)模型的總體指標(biāo)。此外,由于KDDTest-21 同源域數(shù)據(jù)分布差異更大,將KDDTest-21 作為目標(biāo)域數(shù)據(jù)相較于KDDTest+對(duì)模型的提升更明顯。

    猜你喜歡
    源域神經(jīng)網(wǎng)絡(luò)分類
    多源域適應(yīng)方法綜述
    分類算一算
    基于參數(shù)字典的多源域自適應(yīng)學(xué)習(xí)算法
    神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    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
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    可遷移測(cè)度準(zhǔn)則下的協(xié)變量偏移修正多源集成方法
    人人妻人人爽人人添夜夜欢视频| 欧美 亚洲 国产 日韩一| 国产精华一区二区三区| 亚洲精品一区av在线观看| 国产亚洲精品久久久久久毛片| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲色图 男人天堂 中文字幕| av超薄肉色丝袜交足视频| 美女午夜性视频免费| 午夜激情av网站| 最新美女视频免费是黄的| 国产精品秋霞免费鲁丝片| 十八禁网站免费在线| 免费av毛片视频| 国产午夜精品久久久久久| 精品一品国产午夜福利视频| 男女床上黄色一级片免费看| 免费观看人在逋| 后天国语完整版免费观看| 两性夫妻黄色片| 欧美激情高清一区二区三区| 黑丝袜美女国产一区| 色在线成人网| 黄色成人免费大全| xxxhd国产人妻xxx| 在线av久久热| 1024视频免费在线观看| 国产欧美日韩一区二区三| 亚洲 国产 在线| 亚洲一区中文字幕在线| 国产在线精品亚洲第一网站| 三级毛片av免费| 大香蕉久久成人网| 亚洲久久久国产精品| 久久香蕉精品热| 亚洲情色 制服丝袜| 黑人猛操日本美女一级片| 久久精品亚洲av国产电影网| 国产黄a三级三级三级人| 国产三级在线视频| 成人特级黄色片久久久久久久| 国产成人精品久久二区二区免费| 法律面前人人平等表现在哪些方面| 国产精品秋霞免费鲁丝片| 午夜福利在线观看吧| 免费高清在线观看日韩| 老汉色av国产亚洲站长工具| 国产一区在线观看成人免费| 99久久99久久久精品蜜桃| 久久人妻av系列| 精品无人区乱码1区二区| 人成视频在线观看免费观看| 欧美黄色片欧美黄色片| 女人高潮潮喷娇喘18禁视频| 老司机靠b影院| 一级黄色大片毛片| 日日摸夜夜添夜夜添小说| 大码成人一级视频| 少妇的丰满在线观看| xxx96com| 香蕉久久夜色| 国产精品一区二区精品视频观看| 看黄色毛片网站| 午夜福利影视在线免费观看| 亚洲国产精品合色在线| 国产免费男女视频| 亚洲精品成人av观看孕妇| 精品人妻1区二区| 少妇被粗大的猛进出69影院| 免费在线观看影片大全网站| av电影中文网址| 国产av一区在线观看免费| 色婷婷av一区二区三区视频| www.www免费av| 久久精品人人爽人人爽视色| 国产在线观看jvid| 成人av一区二区三区在线看| 色综合婷婷激情| 搡老乐熟女国产| 国产成人欧美在线观看| 久久久久国产一级毛片高清牌| 18美女黄网站色大片免费观看| 51午夜福利影视在线观看| 精品久久久久久久毛片微露脸| 天天添夜夜摸| 国产精品九九99| 男女午夜视频在线观看| 一边摸一边做爽爽视频免费| 精品高清国产在线一区| 日日爽夜夜爽网站| 女警被强在线播放| a级毛片在线看网站| 人成视频在线观看免费观看| 他把我摸到了高潮在线观看| www.自偷自拍.com| 久久久久国产精品人妻aⅴ院| 少妇的丰满在线观看| 午夜亚洲福利在线播放| 久久精品aⅴ一区二区三区四区| www.自偷自拍.com| 亚洲成人免费电影在线观看| 激情在线观看视频在线高清| 成人精品一区二区免费| 亚洲欧洲精品一区二区精品久久久| 很黄的视频免费| 一级作爱视频免费观看| 午夜福利免费观看在线| 一二三四社区在线视频社区8| 亚洲av美国av| 深夜精品福利| 一级a爱片免费观看的视频| 午夜免费成人在线视频| 日韩精品青青久久久久久| 国产视频一区二区在线看| 黑人巨大精品欧美一区二区mp4| 免费在线观看视频国产中文字幕亚洲| 级片在线观看| 亚洲精品国产一区二区精华液| 精品熟女少妇八av免费久了| 欧美日韩福利视频一区二区| 一夜夜www| 国产一区二区三区在线臀色熟女 | 1024香蕉在线观看| 午夜影院日韩av| 午夜视频精品福利| 激情在线观看视频在线高清| 精品国产国语对白av| 国产激情欧美一区二区| 久久久久久久久免费视频了| 丰满人妻熟妇乱又伦精品不卡| 欧美黄色淫秽网站| 午夜老司机福利片| 制服诱惑二区| www.www免费av| 一级,二级,三级黄色视频| а√天堂www在线а√下载| 国产精品爽爽va在线观看网站 | 人成视频在线观看免费观看| 久久人妻福利社区极品人妻图片| 免费高清视频大片| 18禁国产床啪视频网站| 国产av一区二区精品久久| 国产主播在线观看一区二区| 一区福利在线观看| 成年人免费黄色播放视频| 久久精品影院6| 人成视频在线观看免费观看| 99精国产麻豆久久婷婷| 1024香蕉在线观看| 久久精品aⅴ一区二区三区四区| 久久国产精品男人的天堂亚洲| 精品一区二区三卡| 搡老岳熟女国产| 亚洲少妇的诱惑av| 天天影视国产精品| 在线视频色国产色| 国产99白浆流出| 激情视频va一区二区三区| 成年版毛片免费区| 超碰成人久久| 热99国产精品久久久久久7| 中文字幕精品免费在线观看视频| 国产熟女xx| 久久精品国产综合久久久| 日日爽夜夜爽网站| 啦啦啦在线免费观看视频4| 精品国内亚洲2022精品成人| 免费在线观看日本一区| 国产在线精品亚洲第一网站| 久久国产精品人妻蜜桃| 9色porny在线观看| 黄色a级毛片大全视频| 久久久久久久久免费视频了| 精品久久久久久久久久免费视频 | 搡老熟女国产l中国老女人| 亚洲精品一卡2卡三卡4卡5卡| 一a级毛片在线观看| 久久人妻福利社区极品人妻图片| a在线观看视频网站| 国产精品永久免费网站| 国产精品1区2区在线观看.| avwww免费| 成人亚洲精品一区在线观看| 女生性感内裤真人,穿戴方法视频| 久久精品影院6| 久久香蕉国产精品| 老鸭窝网址在线观看| 亚洲欧美一区二区三区黑人| 桃红色精品国产亚洲av| a在线观看视频网站| 国产极品粉嫩免费观看在线| 婷婷丁香在线五月| 中文字幕人妻熟女乱码| 国产亚洲精品久久久久5区| 国产精品久久视频播放| 亚洲精华国产精华精| 美女 人体艺术 gogo| 国产精品成人在线| 久99久视频精品免费| 亚洲国产中文字幕在线视频| 不卡av一区二区三区| 久久婷婷成人综合色麻豆| 人人妻,人人澡人人爽秒播| av天堂在线播放| 美女大奶头视频| 在线观看免费视频网站a站| av视频免费观看在线观看| 午夜福利,免费看| 天堂中文最新版在线下载| 免费观看人在逋| 91国产中文字幕| x7x7x7水蜜桃| 免费av中文字幕在线| 成人永久免费在线观看视频| 国产成人免费无遮挡视频| 9191精品国产免费久久| 岛国在线观看网站| 久久精品91蜜桃| 国产精品综合久久久久久久免费 | bbb黄色大片| e午夜精品久久久久久久| 精品日产1卡2卡| 黄色a级毛片大全视频| 曰老女人黄片| 超碰97精品在线观看| 国产野战对白在线观看| 18禁国产床啪视频网站| 日韩视频一区二区在线观看| 中国美女看黄片| 一级作爱视频免费观看| 性少妇av在线| 高潮久久久久久久久久久不卡| 日韩精品中文字幕看吧| 久久久久久人人人人人| 人人妻,人人澡人人爽秒播| 久久国产精品男人的天堂亚洲| 1024香蕉在线观看| 女生性感内裤真人,穿戴方法视频| 99精国产麻豆久久婷婷| 最近最新免费中文字幕在线| 久久久久九九精品影院| 日韩有码中文字幕| 亚洲免费av在线视频| 黄色丝袜av网址大全| 久久 成人 亚洲| 又黄又爽又免费观看的视频| 精品国产超薄肉色丝袜足j| av中文乱码字幕在线| 欧美日本中文国产一区发布| 大陆偷拍与自拍| 亚洲精品中文字幕一二三四区| 嫁个100分男人电影在线观看| 99久久国产精品久久久| 久久久国产一区二区| 精品第一国产精品| netflix在线观看网站| 国产亚洲av高清不卡| 大型黄色视频在线免费观看| 黄色女人牲交| 国产av精品麻豆| 一级作爱视频免费观看| 中文字幕最新亚洲高清| 国产乱人伦免费视频| 欧美亚洲日本最大视频资源| 亚洲精品一区av在线观看| 亚洲久久久国产精品| 久久亚洲真实| www国产在线视频色| 搡老乐熟女国产| 黄片播放在线免费| 老司机深夜福利视频在线观看| 黄色成人免费大全| 日韩精品青青久久久久久| 午夜福利一区二区在线看| 欧美激情极品国产一区二区三区| 国产成人精品无人区| 一区在线观看完整版| av网站在线播放免费| 人妻丰满熟妇av一区二区三区| 亚洲av成人一区二区三| 天堂俺去俺来也www色官网| 亚洲精品久久成人aⅴ小说| 91av网站免费观看| 一区在线观看完整版| 老司机福利观看| 啦啦啦在线免费观看视频4| 成年版毛片免费区| 最好的美女福利视频网| 欧美黑人欧美精品刺激| 久久久久久久精品吃奶| 三级毛片av免费| 免费在线观看日本一区| 亚洲精品成人av观看孕妇| 嫩草影视91久久| 亚洲精品一二三| 母亲3免费完整高清在线观看| 大码成人一级视频| 日日爽夜夜爽网站| 一区二区三区国产精品乱码| 中文亚洲av片在线观看爽| 少妇粗大呻吟视频| 在线永久观看黄色视频| 90打野战视频偷拍视频| 国产精品久久视频播放| 三级毛片av免费| 两个人看的免费小视频| 欧美国产精品va在线观看不卡| 嫩草影视91久久| 欧美激情 高清一区二区三区| 美女高潮到喷水免费观看| 亚洲五月天丁香| 亚洲一区高清亚洲精品| 脱女人内裤的视频| 又紧又爽又黄一区二区| 日本五十路高清| 长腿黑丝高跟| 久久天躁狠狠躁夜夜2o2o| 性欧美人与动物交配| 久久 成人 亚洲| 激情视频va一区二区三区| 亚洲精品久久成人aⅴ小说| 99国产综合亚洲精品| 精品国产一区二区久久| 丝袜美足系列| av中文乱码字幕在线| 亚洲七黄色美女视频| 亚洲情色 制服丝袜| av天堂在线播放| 男人的好看免费观看在线视频 | 国产视频一区二区在线看| 久久久国产精品麻豆| 国产亚洲欧美精品永久| 亚洲成人免费电影在线观看| 国产欧美日韩精品亚洲av| 国产成人免费无遮挡视频| 亚洲人成网站在线播放欧美日韩| 亚洲性夜色夜夜综合| 精品日产1卡2卡| 自线自在国产av| a在线观看视频网站| 亚洲专区字幕在线| 国产黄a三级三级三级人| 在线播放国产精品三级| 91成人精品电影| 久9热在线精品视频| 在线十欧美十亚洲十日本专区| 亚洲第一青青草原| 久久久精品国产亚洲av高清涩受| 老司机在亚洲福利影院| 亚洲熟妇中文字幕五十中出 | 最好的美女福利视频网| 丝袜人妻中文字幕| 好看av亚洲va欧美ⅴa在| 日本 av在线| 大型av网站在线播放| 黄色丝袜av网址大全| 少妇 在线观看| 80岁老熟妇乱子伦牲交| 一个人观看的视频www高清免费观看 | 国产91精品成人一区二区三区| 交换朋友夫妻互换小说| 高清在线国产一区| 国产99白浆流出| 日本精品一区二区三区蜜桃| 日本wwww免费看| 精品国产乱子伦一区二区三区| 水蜜桃什么品种好| 一进一出好大好爽视频| 欧美日韩视频精品一区| 亚洲成国产人片在线观看| 日韩免费高清中文字幕av| 国产精品乱码一区二三区的特点 | 亚洲av成人一区二区三| 悠悠久久av| 亚洲熟妇熟女久久| 法律面前人人平等表现在哪些方面| 大型黄色视频在线免费观看| 久久久水蜜桃国产精品网| 亚洲一区二区三区欧美精品| 国产片内射在线| 侵犯人妻中文字幕一二三四区| 国产精品久久久人人做人人爽| 色精品久久人妻99蜜桃| 日本三级黄在线观看| 日韩精品中文字幕看吧| 一a级毛片在线观看| 免费搜索国产男女视频| 伦理电影免费视频| 亚洲成人免费电影在线观看| 欧美午夜高清在线| 久久精品亚洲av国产电影网| 人妻丰满熟妇av一区二区三区| 亚洲精品国产区一区二| 欧美激情极品国产一区二区三区| 精品国产一区二区久久| 岛国在线观看网站| av欧美777| 最近最新免费中文字幕在线| 9色porny在线观看| 成人特级黄色片久久久久久久| 国产欧美日韩一区二区三| tocl精华| 在线国产一区二区在线| 久久欧美精品欧美久久欧美| 露出奶头的视频| 97超级碰碰碰精品色视频在线观看| 老司机亚洲免费影院| 日韩 欧美 亚洲 中文字幕| 一夜夜www| 色尼玛亚洲综合影院| 精品一区二区三区视频在线观看免费 | 黄色成人免费大全| 在线天堂中文资源库| 日本vs欧美在线观看视频| a级毛片黄视频| 国产精品国产av在线观看| 国产色视频综合| 可以在线观看毛片的网站| 亚洲伊人色综图| 午夜亚洲福利在线播放| 亚洲国产中文字幕在线视频| 欧美成人午夜精品| 日韩三级视频一区二区三区| 久久久精品国产亚洲av高清涩受| 午夜福利影视在线免费观看| 一a级毛片在线观看| 日韩高清综合在线| 人妻丰满熟妇av一区二区三区| 欧美+亚洲+日韩+国产| 中文字幕另类日韩欧美亚洲嫩草| 精品午夜福利视频在线观看一区| av免费在线观看网站| 深夜精品福利| x7x7x7水蜜桃| 岛国在线观看网站| 午夜免费观看网址| 欧美日韩福利视频一区二区| 亚洲专区字幕在线| 国产av又大| 国产精品亚洲av一区麻豆| 国产精品一区二区免费欧美| 好男人电影高清在线观看| 欧美激情高清一区二区三区| av天堂久久9| 午夜视频精品福利| 在线看a的网站| 久久影院123| 日韩免费av在线播放| 黄频高清免费视频| 天堂影院成人在线观看| 三上悠亚av全集在线观看| 日本免费a在线| 亚洲欧洲精品一区二区精品久久久| 国产欧美日韩一区二区三区在线| 91av网站免费观看| 亚洲欧洲精品一区二区精品久久久| 亚洲成人久久性| 日韩三级视频一区二区三区| 一级作爱视频免费观看| 看黄色毛片网站| 国产亚洲精品第一综合不卡| 天堂中文最新版在线下载| 国产成人啪精品午夜网站| 一边摸一边做爽爽视频免费| 大陆偷拍与自拍| 伦理电影免费视频| 成人国产一区最新在线观看| 亚洲五月天丁香| 午夜日韩欧美国产| 18禁国产床啪视频网站| 国产97色在线日韩免费| 免费在线观看影片大全网站| 亚洲精品中文字幕一二三四区| 国产精品一区二区在线不卡| 久久欧美精品欧美久久欧美| 在线观看午夜福利视频| 亚洲中文日韩欧美视频| 美女午夜性视频免费| 欧美日韩视频精品一区| 老司机深夜福利视频在线观看| 中文字幕人妻丝袜一区二区| 99久久综合精品五月天人人| 少妇粗大呻吟视频| 免费搜索国产男女视频| 麻豆一二三区av精品| 国产精品久久久人人做人人爽| 很黄的视频免费| 中文亚洲av片在线观看爽| av在线天堂中文字幕 | 国产精品野战在线观看 | 亚洲免费av在线视频| 精品国产超薄肉色丝袜足j| 中文字幕人妻丝袜制服| 久久午夜综合久久蜜桃| 国产av在哪里看| 黄片大片在线免费观看| 免费日韩欧美在线观看| 亚洲精品粉嫩美女一区| 国产精品永久免费网站| 国产亚洲精品第一综合不卡| 大香蕉久久成人网| 又黄又粗又硬又大视频| 十八禁网站免费在线| av网站在线播放免费| 午夜精品国产一区二区电影| a级毛片在线看网站| 老司机深夜福利视频在线观看| www.999成人在线观看| 一级片'在线观看视频| 天天躁夜夜躁狠狠躁躁| 亚洲一区二区三区欧美精品| 亚洲欧美一区二区三区久久| 国产高清激情床上av| 99久久精品国产亚洲精品| 夜夜看夜夜爽夜夜摸 | 99精品久久久久人妻精品| 欧美日韩av久久| 亚洲人成77777在线视频| 最新美女视频免费是黄的| 丁香欧美五月| 人人妻人人澡人人看| 亚洲熟女毛片儿| 亚洲av第一区精品v没综合| 亚洲美女黄片视频| 欧美黑人欧美精品刺激| 校园春色视频在线观看| av天堂在线播放| 国产av又大| 在线观看66精品国产| 中文字幕另类日韩欧美亚洲嫩草| 精品高清国产在线一区| 19禁男女啪啪无遮挡网站| 久久久久精品国产欧美久久久| 婷婷六月久久综合丁香| 美女扒开内裤让男人捅视频| 老熟妇乱子伦视频在线观看| 亚洲,欧美精品.| 国产成人啪精品午夜网站| 搡老岳熟女国产| 最新在线观看一区二区三区| 久久婷婷成人综合色麻豆| 免费高清在线观看日韩| 成人三级做爰电影| 亚洲国产精品999在线| 久久久久国内视频| 高潮久久久久久久久久久不卡| 亚洲国产毛片av蜜桃av| 免费在线观看亚洲国产| 精品电影一区二区在线| 国产熟女午夜一区二区三区| 亚洲精品一卡2卡三卡4卡5卡| 日本免费a在线| 午夜日韩欧美国产| 日本黄色日本黄色录像| 黑人猛操日本美女一级片| 久久天堂一区二区三区四区| √禁漫天堂资源中文www| 黄色女人牲交| 精品久久久久久久久久免费视频 | 精品免费久久久久久久清纯| www日本在线高清视频| 亚洲av日韩精品久久久久久密| 精品久久久久久久久久免费视频 | 日韩欧美免费精品| 丝袜美足系列| 不卡av一区二区三区| av有码第一页| 精品国内亚洲2022精品成人| 精品乱码久久久久久99久播| www.精华液| 午夜福利欧美成人| 少妇的丰满在线观看| 男女午夜视频在线观看| 国产精品秋霞免费鲁丝片| 老汉色∧v一级毛片| 国产精品成人在线| 国产亚洲精品久久久久久毛片| 亚洲国产欧美一区二区综合| 色婷婷久久久亚洲欧美| 中文字幕人妻丝袜制服| 搡老熟女国产l中国老女人| videosex国产| 啦啦啦在线免费观看视频4| 亚洲熟妇中文字幕五十中出 | 午夜福利欧美成人| 欧美一级毛片孕妇| 在线观看一区二区三区激情| 国产97色在线日韩免费| 女人高潮潮喷娇喘18禁视频| 三级毛片av免费| 欧美激情极品国产一区二区三区| 亚洲在线自拍视频| 中文字幕人妻丝袜一区二区| 久久人妻av系列| 精品乱码久久久久久99久播| 淫妇啪啪啪对白视频| 亚洲成av片中文字幕在线观看| 免费在线观看日本一区| 成年人免费黄色播放视频| xxxhd国产人妻xxx| 国产精品九九99| 日日摸夜夜添夜夜添小说| 女性生殖器流出的白浆| 9191精品国产免费久久| av在线天堂中文字幕 | 欧美日韩亚洲高清精品| bbb黄色大片| 国产深夜福利视频在线观看| 热99re8久久精品国产| 日韩成人在线观看一区二区三区| 日本三级黄在线观看| 国产精品二区激情视频| 人妻丰满熟妇av一区二区三区| 亚洲精品粉嫩美女一区| 国产成人精品久久二区二区免费|