• <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
    精品久久久久久久人妻蜜臀av| 草草在线视频免费看| 免费看美女性在线毛片视频| 亚洲成人久久爱视频| 久久亚洲国产成人精品v| 国产中年淑女户外野战色| 欧美成人a在线观看| 久久午夜福利片| 久久6这里有精品| 欧美一区二区亚洲| 亚洲av第一区精品v没综合| 亚洲无线在线观看| 嫩草影院新地址| 亚洲av熟女| 能在线免费看毛片的网站| 成人av在线播放网站| av女优亚洲男人天堂| 日日干狠狠操夜夜爽| 天美传媒精品一区二区| 日韩成人av中文字幕在线观看| 黄色视频,在线免费观看| 观看美女的网站| av视频在线观看入口| 综合色av麻豆| 麻豆国产97在线/欧美| 激情 狠狠 欧美| 天堂√8在线中文| 亚洲无线在线观看| 欧美性感艳星| 成人午夜高清在线视频| 精品免费久久久久久久清纯| 中国国产av一级| 欧美激情在线99| 一边摸一边抽搐一进一小说| 高清毛片免费观看视频网站| 午夜福利在线观看吧| 一本久久精品| 一区二区三区免费毛片| 99riav亚洲国产免费| 好男人视频免费观看在线| 午夜精品在线福利| 麻豆国产av国片精品| 美女cb高潮喷水在线观看| 亚洲欧美日韩高清专用| 久久精品夜色国产| 亚洲成a人片在线一区二区| 国产美女午夜福利| 欧美色欧美亚洲另类二区| 欧美极品一区二区三区四区| 亚洲第一电影网av| 国产色爽女视频免费观看| 国产欧美日韩精品一区二区| 看片在线看免费视频| 91精品一卡2卡3卡4卡| 久久久久久久久久成人| 久久久久久久久久久免费av| 精品熟女少妇av免费看| 神马国产精品三级电影在线观看| 久久国产乱子免费精品| 99热网站在线观看| 欧美一区二区国产精品久久精品| 国产精品精品国产色婷婷| 在线观看美女被高潮喷水网站| 女人十人毛片免费观看3o分钟| 18禁裸乳无遮挡免费网站照片| 好男人在线观看高清免费视频| 国产精品嫩草影院av在线观看| 午夜激情欧美在线| 国产精品蜜桃在线观看 | 亚洲婷婷狠狠爱综合网| 亚洲av第一区精品v没综合| 午夜免费激情av| 国产人妻一区二区三区在| 美女 人体艺术 gogo| 精品日产1卡2卡| 亚洲欧美精品综合久久99| 国产色爽女视频免费观看| 亚洲欧美日韩东京热| 永久网站在线| 悠悠久久av| 亚洲国产精品sss在线观看| 成人国产麻豆网| 亚洲一级一片aⅴ在线观看| 久久精品综合一区二区三区| or卡值多少钱| 欧美激情在线99| 亚洲五月天丁香| 亚洲精品影视一区二区三区av| av卡一久久| 六月丁香七月| 少妇裸体淫交视频免费看高清| 黄色视频,在线免费观看| 淫秽高清视频在线观看| 日日撸夜夜添| 欧美精品国产亚洲| 欧美性猛交黑人性爽| 午夜亚洲福利在线播放| 一区二区三区四区激情视频 | 久久人妻av系列| 丝袜喷水一区| 亚洲三级黄色毛片| 91狼人影院| h日本视频在线播放| 欧美日韩综合久久久久久| 成人毛片a级毛片在线播放| 亚洲激情五月婷婷啪啪| 成人三级黄色视频| 热99在线观看视频| 草草在线视频免费看| 深夜精品福利| 国产精品三级大全| 国产精品人妻久久久影院| 2021天堂中文幕一二区在线观| av在线蜜桃| 男女啪啪激烈高潮av片| 久久久午夜欧美精品| 精品国产三级普通话版| 欧美精品国产亚洲| 在线观看美女被高潮喷水网站| 午夜福利在线观看吧| 麻豆乱淫一区二区| 午夜精品国产一区二区电影 | 国产日本99.免费观看| 精品日产1卡2卡| 亚洲在线观看片| 亚洲欧美成人精品一区二区| 18+在线观看网站| 国产精品乱码一区二三区的特点| 插逼视频在线观看| 此物有八面人人有两片| 97人妻精品一区二区三区麻豆| 中文精品一卡2卡3卡4更新| a级毛片免费高清观看在线播放| 岛国在线免费视频观看| 欧美成人一区二区免费高清观看| 麻豆成人午夜福利视频| 日韩 亚洲 欧美在线| 亚洲不卡免费看| 欧美潮喷喷水| av在线亚洲专区| 欧美最新免费一区二区三区| 黄片无遮挡物在线观看| 国产高清视频在线观看网站| 免费看美女性在线毛片视频| 中国美女看黄片| 亚洲最大成人手机在线| 成人二区视频| 久久久a久久爽久久v久久| 欧美日韩国产亚洲二区| 熟妇人妻久久中文字幕3abv| 成人特级黄色片久久久久久久| avwww免费| 中文字幕熟女人妻在线| 一边摸一边抽搐一进一小说| 欧美xxxx性猛交bbbb| 亚洲精品乱码久久久v下载方式| 成人综合一区亚洲| 成人高潮视频无遮挡免费网站| 悠悠久久av| 国产三级在线视频| 五月玫瑰六月丁香| 一级毛片久久久久久久久女| 中国美女看黄片| 99热这里只有是精品在线观看| 精品久久久久久久久久久久久| av在线亚洲专区| 伦理电影大哥的女人| 国产精品久久久久久亚洲av鲁大| 精华霜和精华液先用哪个| 99在线人妻在线中文字幕| 嫩草影院精品99| 99久久精品国产国产毛片| 欧美丝袜亚洲另类| 亚洲第一电影网av| 特级一级黄色大片| 国产爱豆传媒在线观看| 国产蜜桃级精品一区二区三区| 一级二级三级毛片免费看| 天天躁日日操中文字幕| 青春草国产在线视频 | .国产精品久久| 日本免费一区二区三区高清不卡| 国产精品人妻久久久影院| 亚洲欧美日韩卡通动漫| 在线免费十八禁| 午夜福利成人在线免费观看| 午夜免费男女啪啪视频观看| 亚洲国产高清在线一区二区三| 久久人人精品亚洲av| av又黄又爽大尺度在线免费看 | 亚洲美女视频黄频| 青春草亚洲视频在线观看| 男女视频在线观看网站免费| 亚洲欧美日韩高清专用| 久久久久久久久久久丰满| 黄色配什么色好看| 日韩一本色道免费dvd| 99久久精品热视频| 国产一区二区在线av高清观看| 只有这里有精品99| 高清毛片免费看| 精品不卡国产一区二区三区| 亚洲国产欧洲综合997久久,| a级毛色黄片| 国产片特级美女逼逼视频| 久久99热6这里只有精品| 国产av麻豆久久久久久久| 中文亚洲av片在线观看爽| 菩萨蛮人人尽说江南好唐韦庄 | 国产成人影院久久av| 亚洲一区高清亚洲精品| 日韩视频在线欧美| 黄色一级大片看看| 只有这里有精品99| or卡值多少钱| 在线免费观看不下载黄p国产| 级片在线观看| 伦理电影大哥的女人| 人人妻人人澡欧美一区二区| 九色成人免费人妻av| 日韩亚洲欧美综合| 精品国内亚洲2022精品成人| 亚洲成人久久性| 九色成人免费人妻av| 少妇熟女欧美另类| 亚洲欧美日韩东京热| 国产精品av视频在线免费观看| av卡一久久| 成熟少妇高潮喷水视频| 成人午夜精彩视频在线观看| 亚洲,欧美,日韩| 身体一侧抽搐| 美女国产视频在线观看| 亚洲精品影视一区二区三区av| 成年免费大片在线观看| 别揉我奶头 嗯啊视频| 久久精品国产鲁丝片午夜精品| 国产伦一二天堂av在线观看| av在线亚洲专区| 亚洲精品自拍成人| 有码 亚洲区| 毛片女人毛片| 日韩欧美国产在线观看| 三级经典国产精品| 精华霜和精华液先用哪个| 少妇裸体淫交视频免费看高清| 麻豆成人午夜福利视频| 欧美一级a爱片免费观看看| 少妇高潮的动态图| 欧美日韩在线观看h| 国内揄拍国产精品人妻在线| eeuss影院久久| 成人漫画全彩无遮挡| 亚洲婷婷狠狠爱综合网| 美女高潮的动态| 国产精品不卡视频一区二区| 91午夜精品亚洲一区二区三区| 97超视频在线观看视频| 国产成人a∨麻豆精品| 中文字幕制服av| 成年版毛片免费区| 亚洲欧美成人综合另类久久久 | 久久综合国产亚洲精品| 三级毛片av免费| 中国美白少妇内射xxxbb| 日韩欧美精品v在线| 欧美日韩乱码在线| 又爽又黄无遮挡网站| 欧美激情国产日韩精品一区| 午夜福利在线在线| av在线天堂中文字幕| 久久99热6这里只有精品| 中文资源天堂在线| 日产精品乱码卡一卡2卡三| 男女边吃奶边做爰视频| 精品人妻熟女av久视频| 18+在线观看网站| 亚洲精品亚洲一区二区| 久久久久久大精品| 国产美女午夜福利| 亚洲精华国产精华液的使用体验 | 最后的刺客免费高清国语| 观看免费一级毛片| 欧美一区二区精品小视频在线| 99国产极品粉嫩在线观看| 午夜免费男女啪啪视频观看| 国产三级在线视频| 成人午夜高清在线视频| 亚洲第一电影网av| 夫妻性生交免费视频一级片| 久久精品人妻少妇| 97在线视频观看| 麻豆乱淫一区二区| 亚洲中文字幕一区二区三区有码在线看| 日日干狠狠操夜夜爽| 久久久a久久爽久久v久久| 91久久精品电影网| 国产精品精品国产色婷婷| 日韩强制内射视频| 国产真实乱freesex| 精品熟女少妇av免费看| 国产高清激情床上av| 久久6这里有精品| 免费在线观看成人毛片| 搞女人的毛片| 搡女人真爽免费视频火全软件| 亚洲欧美中文字幕日韩二区| 午夜免费男女啪啪视频观看| 精品人妻视频免费看| 综合色丁香网| 老师上课跳d突然被开到最大视频| 国产老妇女一区| 欧美一区二区国产精品久久精品| 久久99热6这里只有精品| 在线天堂最新版资源| 天美传媒精品一区二区| 免费一级毛片在线播放高清视频| 热99在线观看视频| 简卡轻食公司| 欧美激情国产日韩精品一区| 日本与韩国留学比较| 好男人在线观看高清免费视频| 麻豆一二三区av精品| 最新中文字幕久久久久| 亚洲成a人片在线一区二区| 亚洲第一区二区三区不卡| 男女边吃奶边做爰视频| 亚洲久久久久久中文字幕| 国产av在哪里看| 亚洲国产精品成人久久小说 | 色哟哟·www| 久久久久久久久久久丰满| 国产 一区精品| 少妇人妻精品综合一区二区 | 中国国产av一级| 国产精品.久久久| 少妇被粗大猛烈的视频| 五月玫瑰六月丁香| 日韩欧美精品免费久久| 国产亚洲av片在线观看秒播厂 | 国产一区二区激情短视频| 久久久色成人| 人人妻人人看人人澡| 22中文网久久字幕| 精品久久久久久久久av| 一本一本综合久久| 国内精品久久久久精免费| 黄色日韩在线| 我要看日韩黄色一级片| 日本三级黄在线观看| 特级一级黄色大片| 精品一区二区免费观看| 久久久国产成人免费| 午夜视频国产福利| 国产精品一区二区性色av| 最近中文字幕高清免费大全6| 国产精品美女特级片免费视频播放器| 午夜免费男女啪啪视频观看| 亚洲精品日韩在线中文字幕 | 青春草视频在线免费观看| 国产午夜福利久久久久久| 国产亚洲91精品色在线| 一本一本综合久久| 精品国内亚洲2022精品成人| 日日啪夜夜撸| 欧美性猛交黑人性爽| 91久久精品国产一区二区成人| 成年av动漫网址| 看免费成人av毛片| 国产精品一区二区三区四区久久| 桃色一区二区三区在线观看| 白带黄色成豆腐渣| 中文字幕熟女人妻在线| 国产色爽女视频免费观看| 亚洲乱码一区二区免费版| 欧美成人a在线观看| 免费人成在线观看视频色| 黄片wwwwww| 韩国av在线不卡| 我的老师免费观看完整版| 亚洲五月天丁香| 精品少妇黑人巨大在线播放 | 国产成人a∨麻豆精品| 中国美白少妇内射xxxbb| 日韩精品有码人妻一区| 1024手机看黄色片| 婷婷亚洲欧美| 亚洲18禁久久av| 人妻久久中文字幕网| 欧美一区二区精品小视频在线| 亚洲婷婷狠狠爱综合网| 中文在线观看免费www的网站| 少妇丰满av| 夜夜夜夜夜久久久久| 午夜福利高清视频| 亚洲精品国产av成人精品| 亚洲在久久综合| 日韩三级伦理在线观看| 九九爱精品视频在线观看| 深夜a级毛片| 午夜激情欧美在线| 1000部很黄的大片| 国模一区二区三区四区视频| 中文资源天堂在线| 麻豆国产97在线/欧美| 久久久久久久久久久丰满| 日韩欧美精品v在线| 国产人妻一区二区三区在| 成人亚洲欧美一区二区av| 中文字幕熟女人妻在线| 国产欧美日韩精品一区二区| 日韩欧美三级三区| 蜜桃亚洲精品一区二区三区| 国产爱豆传媒在线观看| 男女视频在线观看网站免费| 久久这里有精品视频免费| 久久精品国产自在天天线| 欧美xxxx性猛交bbbb| 波野结衣二区三区在线| 成人漫画全彩无遮挡| 国产乱人偷精品视频| 精华霜和精华液先用哪个| 男人和女人高潮做爰伦理| av天堂中文字幕网| 男女边吃奶边做爰视频| 级片在线观看| av在线观看视频网站免费| 国产黄色视频一区二区在线观看 | 国内揄拍国产精品人妻在线| 91精品国产九色| 身体一侧抽搐| 国产黄片视频在线免费观看| 国产精品野战在线观看| 色吧在线观看| 欧美丝袜亚洲另类| 欧美三级亚洲精品| a级毛片免费高清观看在线播放| 91精品国产九色| 国产高清不卡午夜福利| 美女黄网站色视频| 日本一本二区三区精品| 精品国产三级普通话版| 色视频www国产| 亚洲自拍偷在线| 麻豆乱淫一区二区| 寂寞人妻少妇视频99o| а√天堂www在线а√下载| a级一级毛片免费在线观看| 亚州av有码| 亚洲久久久久久中文字幕| 中文欧美无线码| 99热6这里只有精品| 午夜福利在线观看免费完整高清在 | 丰满人妻一区二区三区视频av| 老司机福利观看| 蜜臀久久99精品久久宅男| 亚洲国产精品成人久久小说 | 18禁裸乳无遮挡免费网站照片| 久久鲁丝午夜福利片| 国产一区二区激情短视频| 国产 一区 欧美 日韩| 精品国产三级普通话版| 亚洲一区高清亚洲精品| 中文字幕av成人在线电影| 亚洲最大成人手机在线| 一级黄色大片毛片| 亚洲国产精品成人综合色| 亚洲性久久影院| 综合色av麻豆| 成人欧美大片| 在线免费观看的www视频| 欧美高清性xxxxhd video| 日韩欧美精品v在线| 老司机福利观看| 在线免费观看的www视频| 国产在线男女| 夜夜爽天天搞| 男的添女的下面高潮视频| 男人狂女人下面高潮的视频| 国产精品免费一区二区三区在线| kizo精华| 国产精品久久久久久av不卡| 欧美一区二区精品小视频在线| 一卡2卡三卡四卡精品乱码亚洲| 日韩一本色道免费dvd| 美女 人体艺术 gogo| 又粗又爽又猛毛片免费看| 乱系列少妇在线播放| 99久久久亚洲精品蜜臀av| 99riav亚洲国产免费| 伦理电影大哥的女人| 最近中文字幕高清免费大全6| 91狼人影院| 我要看日韩黄色一级片| 少妇的逼水好多| 国产一区二区亚洲精品在线观看| 精品久久久噜噜| 亚州av有码| 又爽又黄a免费视频| av免费观看日本| 国产视频内射| 久久人人精品亚洲av| 麻豆乱淫一区二区| 蜜臀久久99精品久久宅男| 美女 人体艺术 gogo| 内射极品少妇av片p| 99热网站在线观看| 亚洲av不卡在线观看| 99国产极品粉嫩在线观看| 一本久久精品| 三级经典国产精品| av视频在线观看入口| 99久久九九国产精品国产免费| 久久韩国三级中文字幕| 夫妻性生交免费视频一级片| 美女cb高潮喷水在线观看| 神马国产精品三级电影在线观看| 免费黄网站久久成人精品| 一边亲一边摸免费视频| 大香蕉久久网| 男人和女人高潮做爰伦理| 国产真实伦视频高清在线观看| 久久久a久久爽久久v久久| or卡值多少钱| 亚洲人成网站在线播放欧美日韩| 中文字幕精品亚洲无线码一区| 久久亚洲精品不卡| 国产欧美日韩精品一区二区| 色播亚洲综合网| 边亲边吃奶的免费视频| 99热这里只有精品一区| 变态另类丝袜制服| 白带黄色成豆腐渣| 久99久视频精品免费| avwww免费| 免费观看精品视频网站| 亚洲aⅴ乱码一区二区在线播放| 国内精品美女久久久久久| 99久国产av精品| 国产高清视频在线观看网站| 日韩,欧美,国产一区二区三区 | 最近最新中文字幕大全电影3| 综合色av麻豆| 美女脱内裤让男人舔精品视频 | 两个人的视频大全免费| 中出人妻视频一区二区| 欧美精品国产亚洲| 国产精品国产高清国产av| av女优亚洲男人天堂| 一区福利在线观看| 午夜视频国产福利| 最后的刺客免费高清国语| 日本与韩国留学比较| 最近最新中文字幕大全电影3| 我要搜黄色片| 亚洲中文字幕一区二区三区有码在线看| 久久草成人影院| 免费不卡的大黄色大毛片视频在线观看 | 国产成人aa在线观看| 久久精品久久久久久噜噜老黄 | 亚洲av中文av极速乱| 国产v大片淫在线免费观看| 亚洲熟妇中文字幕五十中出| 色综合色国产| 久久久久网色| 男女做爰动态图高潮gif福利片| 国产探花在线观看一区二区| 欧美zozozo另类| 两个人的视频大全免费| 亚洲国产精品久久男人天堂| 床上黄色一级片| 看十八女毛片水多多多| 亚洲成人久久爱视频| 国产精品久久久久久精品电影| 国产在线男女| 男插女下体视频免费在线播放| 国产午夜精品久久久久久一区二区三区| 天堂网av新在线| 亚洲欧美日韩卡通动漫| 男人舔奶头视频| 一本精品99久久精品77| 欧美性猛交黑人性爽| 你懂的网址亚洲精品在线观看 | 久久鲁丝午夜福利片| 成人av在线播放网站| 少妇丰满av| 看黄色毛片网站| 一边摸一边抽搐一进一小说| 日本与韩国留学比较| 欧美一级a爱片免费观看看| 免费搜索国产男女视频| 国产极品天堂在线| 乱码一卡2卡4卡精品| 91在线精品国自产拍蜜月| 我的老师免费观看完整版| 日本三级黄在线观看| 综合色av麻豆| 亚洲中文字幕一区二区三区有码在线看| 久久精品久久久久久久性| 国产成人福利小说| av天堂中文字幕网| 一级av片app| 久久久精品94久久精品| 久久久久久久久久久免费av| 久久人人爽人人片av| 高清日韩中文字幕在线| 国产精品乱码一区二三区的特点| 亚洲欧美中文字幕日韩二区| 日韩制服骚丝袜av| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品嫩草影院av在线观看| 国产伦精品一区二区三区视频9| 国产成人午夜福利电影在线观看| 午夜精品在线福利| 国产蜜桃级精品一区二区三区|