• <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 ?

    基于多智能體強化學習的空地網絡抗干擾傳輸方法研究*

    2024-03-04 02:05:22廖程建劉思懿趙晨羽張果侯宏偉朱瀚然夏曉晨許魁
    移動通信 2024年1期
    關鍵詞:動作函數智能

    廖程建,劉思懿,趙晨羽,張果,侯宏偉,朱瀚然,夏曉晨,許魁

    (陸軍工程大學通信工程學院,江蘇 南京 210007)

    0 引言

    5G/6G 等新一代移動通信技術通過超密集組網、跨頻段使用、波束空間復用等方式大幅提升了頻率復用度,實現了高速率、低時延、大容量傳輸。當地形環(huán)境較為復雜時,通信系統的節(jié)點分布較為稀疏,無法進行超密集組網,導致區(qū)域覆蓋能力和“山中通”能力等面臨較大挑戰(zhàn)。無人機、無人升空平臺等空基平臺具有部署靈活、覆蓋范圍廣等特點,為有效提升通信覆蓋能力提供了一條新的思路。

    無人機(UAV,Unmanned Aerial Vehicle)由于其靈活性和易控制性,可以在某些特殊場景提供高效可靠的無線通信[1]。特別是當地面基站無法提供服務時,UAV 可以作為空中基站,為地面用戶提供緊急通信[2]。無人機還廣泛應用于物聯網中,為設備應用收集數據[3]。無人機亦可作為中繼節(jié)點,與遠程節(jié)點建立可靠連接,抵御惡意干擾和竊聽,保證無人機中繼網絡中的安全傳輸問題[4-5]。此外,研究UAV 網絡中的抗干擾問題也是一大研究熱點,博弈論和凸優(yōu)化理論廣泛應用于UAV 通信抗干擾方案設計。文獻[6]將UAV 視做中繼節(jié)點,從博弈論視角出發(fā)構建斯坦伯格博弈模型,研究了空天地一體化網絡在非理想信道狀態(tài)信息條件下如何抵御惡意干擾問題。文獻[7]應用交替優(yōu)化和逐次凸逼近理論,將非凸問題進行轉換,通過優(yōu)化無人機的軌跡以及功率分配,最大化特定時間段內系統的平均保密速率。文獻[8]研究了無人機網絡的物理層安全問題,使得無人機基站在存在多個竊聽者的情況下,通過協作干擾向多個信息接收器傳輸機密信息,提升了性能增益。然而,以上研究僅考慮了單個或少量的無人機場景,大規(guī)模無人機場景下的抗干擾傳輸問題仍需進一步研究。當環(huán)境發(fā)生變化時,所提出的優(yōu)化算法可能會變得無效,難以滿足實時決策的需求。

    近年來,強化學習(RL,Reinforcement Learning)方法引起了廣泛關注,用于解決傳統數學方法無法處理的高復雜度優(yōu)化問題。將強化學習、深度學習等智能算法應用于抗干擾傳輸是當前一大研究熱點[9-13]。文獻[9]針對無人機網絡易受智能干擾機干擾,提出一種基于知識的強化學習方法,該方法利用領域知識來壓縮智能體需要探索的狀態(tài)空間,從而提高算法的收斂速度。文獻[10]研究了竊聽節(jié)點存在的條件下的無人機網絡安全傳輸問題,提出了一種多智能體深度強化學習(MADRL,Multi-Agent Deep Reinforcement Learning)算法,通過聯合優(yōu)化無人機的軌跡、無人機發(fā)射機的發(fā)射功率和無人機干擾機的干擾功率來最大化安全容量。文獻[11]考慮了一個合法無人機與智能竊聽無人機的組合通信系統,通過構建零和博弈模型,并提出一種基于MADRL 的算法,獲得合法通信鏈路節(jié)點的策略,優(yōu)化合法無人機的功率、軌跡。該算法的不足是僅考慮兩個無人機智能體,沒有考慮多智能體協同抗干擾。文獻[12]研究了無人機網絡中聯合信道和功率分配的抗干擾問題。首先將問題建模為一個局部相互作用的馬爾可夫博弈以同時刻畫無人機之間的競爭和協作關系。其次,提出了一種基于協作多智能體分層Q 學習的抗干擾通信算法來降低動作空間的高維特性,并分析了該算法的漸近收斂特性。文獻[13]研究了無線傳感器網絡的智能抗干擾通信方法。引入隨機博弈框架對多用戶干擾問題進行建模和分析,提出了一種聯合多智能體干擾算法,以獲得最優(yōu)的干擾策略。上述研究僅考慮數量較少的UAV 網絡,將強化學習、深度學習等算法應用于多智能體空地一體化網絡抗干擾傳輸的研究還有待完善。

    針對以上問題,本文面向空地一體化網絡場景,提出了基于多智能體強化學習(MARL,Multi-Agent Reinforcement Learning)算法的抗干擾傳輸算法,旨在抵御智能干擾機的惡意干擾,有效增強通信系統區(qū)域覆蓋能力。具體來說,采用集中訓練和分散執(zhí)行的總體框架,采用近端策略優(yōu)化(PPO,Proximal Policy Optimization)算法更新神經網絡參數。每個UAV 均看做是智能體,每個智能體基于自己的觀察和來自評論員的價值函數執(zhí)行自己的動作。由于無人機的能量容量和計算能力非常有限,可以將離線集中訓練上傳到高空平臺(HAP,High Altitude Platforms)[10],節(jié)省能量開銷。本文的貢獻可以概括為以下幾點:

    (1)首先,本文設計了一種針對三維空間的多UAV軌跡優(yōu)化算法,所有UAV 動態(tài)調整自身發(fā)射功率使得系統內所有用戶可達速率之和最大,從而最大化獎勵函數,增加了優(yōu)化問題的難度與復雜度。

    (2)其次,將聯合軌跡與功率的優(yōu)化問題轉化為一個穩(wěn)健的馬爾可夫決策過程(POMDP,Partially Observable Markov Decision Process)問題,每個UAV觀測與其自身相關聯的用戶,而不需要從時變的多UAV環(huán)境中獲得完整的信息。提出了一種基于MARL 的抗干擾傳輸算法,用于多UAV 場景下的軌跡設計和功率優(yōu)化。

    (3)最后,制定了一個集中訓練和分步執(zhí)行的框架。在集中式訓練階段,每個智能體通過與環(huán)境交互獲取的經驗存儲在經驗回放池中,然后使用經驗池來訓練演員-評論員網絡。在分布式執(zhí)行階段,每個無人機都使用訓練好的演員神經網絡來生成相應的動作序列,以調整下一時刻的飛行位置和發(fā)射功率。仿真結果表明所提方法相較于對比算法具有優(yōu)越性。

    1 系統模型及問題建模

    1.1 系統模型

    系統模型如圖1 所示??紤]一個具有無人升空平臺,M個無人機,K個用戶和一個智能干擾機的多UAV 多用戶大規(guī)模多輸入多輸出(MIMO,Multi-Input Multi-Output)通信系統,其中無人機均配備N根天線,用戶均配備單天線,干擾機配備L根天線。在給定的系統模型中,干擾機對用戶釋放干擾信號,其目的是降低用戶下行接收信噪比,影響通信質量。無人升空平臺用于訓練無人機網絡,減輕無人機內部負擔。本文研究目標是優(yōu)化無人機飛行軌跡以規(guī)避干擾,并動態(tài)調整發(fā)射功率,使得系統所有用戶的可達速率之和最大。

    圖1 系統模型

    (1)信道模型

    在地面環(huán)境較為復雜、障礙物較多時,無人機與用戶之間的視距路徑(LoS,Line of Sight)路徑可能會被阻擋。因此,本文采用一種基于無人機飛行高度和仰角的概率視距(PLoS,Probabilistic Line of Sight)信道模型[14],來建??盏匦诺赖穆窂綋p耗?;诟怕实男诺滥P褪疽鈭D如圖2 所示,隨著無人機的運動,無人機與用戶之間的信道有可能被障礙物遮擋,由LoS 信道變成NLoS 信道。

    圖2 基于概率的信道模型示意圖

    (2)信號傳輸模型

    干擾機的預編碼矩陣可表示為:

    則在t時刻用戶k接收來自UAVm的SINR 為:

    在t時刻用戶k接收來自所有UAVm的可達速率為:

    其中B是信道帶寬。

    1.2 UAV優(yōu)化問題建模

    假設所有UAV 的飛行高度固定不變,研究目標是優(yōu)化無人機軌跡以規(guī)避干擾機的干擾,并動態(tài)調整發(fā)射功率,使得系統內所有用戶的可達速率之和最大。基于以上假設,構建如下優(yōu)化問題:

    2 基于部分馬爾科夫觀測的MARL算法

    對于優(yōu)化問題,由于目標函數的非凸性以及用戶可達速率與UAV 位置之間的耦合關系,式(15) 是個非凸優(yōu)化問題,難以通過傳統的凸優(yōu)化理論來解決。強化學習使智能體能夠通過不斷與環(huán)境進行交互來獲得最優(yōu)策略,通常被認為是一種有效的技術,以次優(yōu)的方式解決此類問題。然而,大多數基于強化學習的方法只考慮單個智能體系統,當網絡節(jié)點數量增加時,多個智能體之間需要交換大量的網絡信息,導致這些方法失效[19]。

    在多智能體強化學習中,每個智能體在沒有完整環(huán)境信息的情況下獨立地選擇自己的動作,有可能導致算法難以收斂、系統性能下降等問題。部分可觀測馬爾可夫決策過程(POMDP,Partially Observable Markov Decision Process)可用于建模具有不完全觀測的隨機決策問題[20]。在POMDP 中,系統狀態(tài)并不是直接可見的,而是通過觀測到的部分信息來間接推斷,適用于具有不完全觀測或感知能力受限的情況下進行決策的問題。

    在本文考慮的多智能體環(huán)境中,每個UAV 均作為智能體,從環(huán)境中學習和更新經驗。由于每個UAV 僅能觀測到與自身相關聯的信息,因此可以將優(yōu)化問題轉化為一個POMDP 問題,具體表示為:

    (1)智能體:每一個UAV 都可以被視為一個智能體,每個智能體觀察自己的狀態(tài)并根據其策略采取動作,然后從環(huán)境中獲得獎勵并進入下一個狀態(tài)。

    (2)狀態(tài)空間:在每個時間間隙,每個智能體觀察環(huán)境的狀態(tài)信息,從而制定相應的策略。時隙t的狀態(tài)可表示為:

    (3)動作:每個智能體的動作是其演員網絡的輸出,對于時隙t時的無人機m,其動作可以定義為:

    (4)轉移概率:智能體在執(zhí)行動作at后,將以概率從當前狀態(tài)st轉移到下一個狀態(tài)st+1。

    (5)獎勵函數:獎勵函數是一種用來評估智能體行為的指標,它對智能體在特定環(huán)境中采取不同動作的結果進行評估,引導智能體朝著期望的目標行為進行學習。在優(yōu)化問題中,其目標是最大限度地提高系統內所有用戶的可達速率。因此,獎勵函數應該設置為一個周期T內所有用戶的可達速率之和?;谏鲜龇治?,本文設計的獎勵函數如下所示:

    在所提模型中,智能體通過觀察環(huán)境,做出相應動作并從環(huán)境中獲取獎勵。每個智能體均有狀態(tài)價值函數和狀態(tài)-動作價值函數,其中π表示當前策略。強化學習算法通常通過最大化狀態(tài)價值函數或狀態(tài)-動作價值函數來改進演員網絡的策略和增強評論員網絡的評估能力。

    狀態(tài)價值函數表示在給定狀態(tài)下,一個智能體可以獲得的長期累積獎勵的期望值,它衡量了當前狀態(tài)的好壞程度。狀態(tài)價值函數可表示為:

    狀態(tài)-動作價值函數表示在給定狀態(tài)和采取某個動作后,一個智能體可以獲得的長期累積獎勵的期望值,它衡量了在某個狀態(tài)下采取某個動作的好壞程度。狀態(tài)-動作價值函數可表示為:

    每個智能體的目的是使給定策略π的預期折扣獎勵的價值最大化。在強化學習中,優(yōu)勢價值函數用于評估特定動作相對于一般動作的優(yōu)勢或價值,它可以通過狀態(tài)價值函數和狀態(tài)-動作價值函數的差異來計算,表達式為:

    基于上述分析,POMDP 的目標函數可以表示為:

    3 集中訓練-分布執(zhí)行框架與參數更新

    3.1 集中訓練與分布執(zhí)行框架

    由于多UAV 環(huán)境的狀態(tài)空間龐大,簡單的基于強化學習的方法難以尋找最優(yōu)策略。MARL 模型是一種針對多UAV 環(huán)境的強化學習模型,旨在解決狀態(tài)空間龐大的問題[21],并實現智能體之間的協作。該模型分為集中式訓練和分布式執(zhí)行兩個階段。

    (1)集中式訓練階段

    集中式訓練階段在HAP 實現,每個無人機需要學習下一個飛行位置和發(fā)射功率。訓練過程中,通過從經驗回放池中隨機采樣小批觀測值來更新神經網絡,從而避免總觀測值之間的相關性,提高學習效率[22]。在演員網絡中使用神經網絡來參數化策略函數,并以高斯分布生成策略:

    其中,θk表示演員神經網絡的參數,是生成動作的標準差和平均值,其表達式為:

    其中,v表示偏移向量。是演員網絡的神經網絡的隱藏層和輸出層的激活函數。評論員網絡負責計算優(yōu)勢函數,用于引導演員網絡以低成本朝著梯度方向更新。同時,優(yōu)勢函數隨著訓練的進行而不斷更新。與網絡中的UAV 相比,HAP 具有顯著的計算優(yōu)勢。因此,MARL 模型的訓練可以在HAP 以離線的方式集中完成。經過充分的訓練,模型可以用于分布式執(zhí)行階段。

    (2)分布式執(zhí)行階段

    在分布式執(zhí)行階段,每個無人機都使用訓練好的演員神經網絡來生成相應的動作序列,以調整下一時刻的飛行位置和發(fā)射功率。這樣,無人機可以以分布式的方式提供聯合服務。同時,使用評論員神經網絡來評估每個無人機的動作,并根據時分誤差算法來更新演員神經網絡和評論員神經網絡的參數。

    基于以上分析,本文將基于MARL 的功率分配和軌跡優(yōu)化算法總結如下。首先,對神經網絡、經驗回放池和參數設置進行初始化。將每個訓練片段設置為T個時隙。在每個時隙t,智能體通過重要抽樣來觀察狀態(tài)以獲得傳輸速率、UAV 位置、飛行速度以及干擾功率,這是一種代替抽樣的近似方法。在這一步中,只有演員網絡起作用。然后將狀態(tài)序列送入神經網絡以計算接收獎勵的動作。最后,每個智能體將轉換元組存儲在經驗回放池中。

    3.2 基于PPO算法的參數更新

    本節(jié)對演員-評論員網絡參數進行更新。近端策略優(yōu)化(PPO,Proximal Policy Optimization)算法在實現方面更加簡單且易于使用[23],同時也能提供接近信賴域策略優(yōu)化(TRPO,Trust Region Policy Optimization)的性能。PPO 的核心思想是通過限制更新步長,使策略在每次更新中只發(fā)生適度的變化,改善了傳統策略梯度算法的采樣效率和穩(wěn)定性。因此,本文采用基于剪裁和計數的PPO 算法來訓練演員-評論員網絡,該算法使用剪裁的比率函數來簡化公式。為此,首先表示新策略與舊策略之間的概率比,即:

    則演員網絡的損失函數可以表示為:

    最后,將PPO 應用于策略和價值函數的網絡體系結構,在目標函數中增加了關于價值估計的均方誤差項,以鼓勵充分的探索。評論員網絡更新的目標是最小化損失函數,其損失函數表達式為:

    4 仿真結果

    為驗證所提的MARL 抗干擾算法性能,本節(jié)進行仿真驗證。仿真環(huán)境設置為1 個HAP、4 個UAV、1 個干擾機和20 個用戶的空地一體化網絡,所有用戶隨機分布在半徑為500 m 的覆蓋區(qū)域內。每個智能體的演員和評論員網絡都有兩個完全連接的隱藏層,都包含50 個神經元。演員和評論網絡的學習率均為0.000 1。此外,折扣因子為0.999,剪輯參數分布設置為,其余具體參數設置見表1。訓練過程是離線的,在HAP 上運行。使用離線集中訓練和在線分布執(zhí)行方法的優(yōu)點是,可以將所有的通信和計算開銷都放在訓練階段,所提算法在測試階段的執(zhí)行速度相較于傳統算法將會大幅提升。

    表1 仿真參數設置

    為了驗證本文所提出的基于裁剪和計數的PPO 算法在MARL 方法訓練中的性能,本文將該算法與其他兩種策略梯度算法進行了比較。比較的算法如下:

    (1)Vanilla PG[25]:一種基于梯度的最大化目標函數的學習策略的方法。它是一種無模型的、直接從經驗中學習的強化學習算法,智能體根據當前的策略直接采樣動作,然后使用采樣得到的軌跡來估計梯度。

    (2)信任域策略優(yōu)化(TRPO,Trust Region Policy Optimization)[26]:TRPO 旨在提高策略梯度算法的穩(wěn)定性和收斂速度,具有較高的實用性和性能。在TRPO 中,通過約束當前策略與上一次策略之間的差異,以限制每次更新的步長大小,從而控制更新對性能的影響。

    (3)本文采用的PPO 算法:一種基于裁剪和計數的PPO 算法,通過限制更新步長,使策略在每次更新中只發(fā)生適度的變化,改善傳統策略梯度算法的采樣效率和穩(wěn)定性。

    圖3 比較了上述三種算法所獲取的系統獎勵。從仿真結果可以看出,使用所提算法來訓練神經網絡可以獲得單調遞增的獎勵。與其他兩種算法相比,本文提出的算法在3 000 次迭代后具有更快的收斂速度和更高的獎勵。這表明,本文所提改進算法可以有效地訓練網絡。由于PPO 算法使用了一個剪切比例變量,它可以限制策略更新的幅度,防止過大的策略變動。這樣可以確保訓練過程穩(wěn)定而不會過度調整策略,從而相比其余兩種算法可以獲得更高的獎勵和更快的收斂速度。

    圖4 比較了三種策略算法的所有用戶的可達速率之和與干擾功率的關系,通過設置不同的干擾功率,對所提算法性能進行評估??梢钥闯觯S著干擾功率的增加,用戶的可達速率有所下降,但是本文所提算法所獲取的可達速率高于其余兩種算法。當干擾功率為10 dBmW時,本文所提算法比TRPO 算法獲取的可達速率提升約為68.9%,說明在相同干擾功率條件下,本文所提算法具有一定的抗干擾性能,驗證了所提MARL 算法的有效性。由于獎勵函數是以用戶可達之和為指標設計的,獲取獎勵越高,意味著用戶可達速率之和越大。而本文所提算法可以獲取最高的獎勵,因此用戶可達速率之和也最大。

    圖4 不同干擾功率下的可達速率之和

    圖5 仿真了所提MARL 算法在不同學習率下的性能。通過設置不同的學習率δ,對所提算法性能進行評估。將學習率δ分別設置為三個值:0.001、0.000 1 和0.000 01。仿真結果說明,當迭代次數較少時,δ=0.000 1 的獎勵比δ=0.001 的獎勵低,但隨著迭代次數的增加,獎勵也隨之增加,并在大約3 500 次迭代后最終收斂。這是由于較大的學習率,例如δ=0.001,可能會導致訓練模型的較大波動,從而難以找到最優(yōu)策略,而較小的學習率,例如δ=0.000 01,會導致極長的訓練時間。因此,考慮到算法的實際執(zhí)行情況,將δ設置為0.000 1。

    圖5 不同學習率條件下的算法性能

    5 結束語

    本文提出了一種基于多智能體強化學習的抗干擾傳輸算法,旨在抵御空地一體化網絡中的功率干擾,使所有用戶的可達速率之和最大化。將無人機軌跡和功率聯合優(yōu)化問題轉化為POMDP 問題,采用了集中式訓練和分布式執(zhí)行框架。在集中式訓練過程中,每個智能體與環(huán)境交互獲得的經驗存儲在經驗回放池中,用于訓練演員-評論員網絡。在分布式執(zhí)行過程中,每架無人機使用經過訓練的演員網絡根據觀測結果輸出動作,并調整其飛行位置和傳輸功率以提供聯合服務。采用PPO 算法來更新演員-評論員網絡參數,使其在復雜的多智能體環(huán)境中更加有效。仿真結果表明所提算法相較于傳統算法具有優(yōu)越性。

    猜你喜歡
    動作函數智能
    二次函數
    第3講 “函數”復習精講
    二次函數
    函數備考精講
    智能前沿
    文苑(2018年23期)2018-12-14 01:06:06
    智能前沿
    文苑(2018年19期)2018-11-09 01:30:14
    智能前沿
    文苑(2018年17期)2018-11-09 01:29:26
    智能前沿
    文苑(2018年21期)2018-11-09 01:22:32
    動作描寫要具體
    畫動作
    亚洲色图av天堂| e午夜精品久久久久久久| 成年免费大片在线观看| 一级黄色大片毛片| 欧美另类亚洲清纯唯美| 女人高潮潮喷娇喘18禁视频| 午夜福利视频1000在线观看| av免费在线观看网站| 在线观看午夜福利视频| 国产精品99久久99久久久不卡| 别揉我奶头~嗯~啊~动态视频| 人人妻人人澡欧美一区二区| 中文资源天堂在线| 日本a在线网址| 午夜视频精品福利| 夜夜看夜夜爽夜夜摸| 看免费av毛片| 久久久久国产一级毛片高清牌| 老司机靠b影院| 亚洲精品久久国产高清桃花| 天天添夜夜摸| 婷婷精品国产亚洲av在线| 中文字幕最新亚洲高清| 国产不卡一卡二| www日本在线高清视频| 一级毛片女人18水好多| av天堂在线播放| 窝窝影院91人妻| 嫩草影院精品99| 精品一区二区三区av网在线观看| av在线天堂中文字幕| 草草在线视频免费看| 在线观看一区二区三区| 欧美色视频一区免费| av天堂在线播放| 国内精品一区二区在线观看| 亚洲成人久久爱视频| 国产精品久久视频播放| 日本免费a在线| 久久久久久久午夜电影| 亚洲自偷自拍图片 自拍| 成熟少妇高潮喷水视频| 日韩欧美三级三区| 身体一侧抽搐| 国产精品1区2区在线观看.| 不卡av一区二区三区| 香蕉国产在线看| 在线国产一区二区在线| 欧美日韩亚洲国产一区二区在线观看| 午夜老司机福利片| 国产av又大| 我要搜黄色片| 久久香蕉精品热| 国内精品久久久久精免费| aaaaa片日本免费| a在线观看视频网站| 国产午夜精品久久久久久| 久久精品国产综合久久久| 给我免费播放毛片高清在线观看| 男插女下体视频免费在线播放| 国产免费男女视频| 国产单亲对白刺激| 午夜福利在线观看吧| 老汉色av国产亚洲站长工具| 精品福利观看| 国产探花在线观看一区二区| 久久久久性生活片| a级毛片在线看网站| 久久亚洲精品不卡| 亚洲人成网站高清观看| 久久久久久久久久黄片| 精品国产超薄肉色丝袜足j| 亚洲精品av麻豆狂野| 校园春色视频在线观看| 国内精品久久久久久久电影| 国产又色又爽无遮挡免费看| 91九色精品人成在线观看| 啦啦啦观看免费观看视频高清| 欧美3d第一页| 成人亚洲精品av一区二区| 亚洲精品美女久久久久99蜜臀| 女人高潮潮喷娇喘18禁视频| 午夜福利18| 少妇人妻一区二区三区视频| 亚洲成人精品中文字幕电影| 久久热在线av| 久久久久久久久久黄片| 国产av在哪里看| 亚洲 国产 在线| 国产精品综合久久久久久久免费| 久久久久国产精品人妻aⅴ院| 一a级毛片在线观看| 亚洲电影在线观看av| 99久久99久久久精品蜜桃| 国产单亲对白刺激| 黑人欧美特级aaaaaa片| 亚洲av电影不卡..在线观看| 国产又黄又爽又无遮挡在线| 国产99久久九九免费精品| 一级a爱片免费观看的视频| 99re在线观看精品视频| 99在线人妻在线中文字幕| 欧美在线一区亚洲| 亚洲片人在线观看| 日韩欧美 国产精品| 日韩欧美 国产精品| 欧美av亚洲av综合av国产av| 欧美在线黄色| 少妇人妻一区二区三区视频| 精品久久久久久久久久久久久| 国内毛片毛片毛片毛片毛片| 亚洲国产精品成人综合色| 后天国语完整版免费观看| 精品熟女少妇八av免费久了| 亚洲国产欧美人成| 免费看a级黄色片| 亚洲av成人不卡在线观看播放网| 一级黄色大片毛片| 国产精品一区二区精品视频观看| 成人精品一区二区免费| 欧美成人免费av一区二区三区| 日韩欧美免费精品| 51午夜福利影视在线观看| 色综合亚洲欧美另类图片| 成人特级黄色片久久久久久久| 亚洲av中文字字幕乱码综合| 国产片内射在线| 久久久国产成人免费| a在线观看视频网站| 69av精品久久久久久| 亚洲av电影在线进入| 国产精品,欧美在线| 搡老岳熟女国产| 成人国产一区最新在线观看| 黄色成人免费大全| 亚洲精品国产一区二区精华液| 中国美女看黄片| а√天堂www在线а√下载| 国产精品,欧美在线| 国产男靠女视频免费网站| 999精品在线视频| 人人妻,人人澡人人爽秒播| 欧美在线黄色| 不卡一级毛片| 亚洲成av人片在线播放无| 国产熟女午夜一区二区三区| av超薄肉色丝袜交足视频| 无人区码免费观看不卡| 日韩欧美在线二视频| 波多野结衣巨乳人妻| 欧美三级亚洲精品| 日韩免费av在线播放| 好看av亚洲va欧美ⅴa在| 看片在线看免费视频| 亚洲精品一卡2卡三卡4卡5卡| 在线国产一区二区在线| 亚洲 欧美 日韩 在线 免费| 老熟妇仑乱视频hdxx| 韩国av一区二区三区四区| 老司机午夜十八禁免费视频| 亚洲成人久久爱视频| 麻豆国产97在线/欧美 | 午夜久久久久精精品| 久久精品亚洲精品国产色婷小说| 欧美精品啪啪一区二区三区| 国产精品免费视频内射| 黄色成人免费大全| 亚洲欧美日韩高清在线视频| 香蕉国产在线看| 高清毛片免费观看视频网站| 午夜精品久久久久久毛片777| 免费看十八禁软件| 18禁黄网站禁片午夜丰满| 级片在线观看| 人人妻人人看人人澡| 亚洲精品一卡2卡三卡4卡5卡| 全区人妻精品视频| 国产伦在线观看视频一区| 成人精品一区二区免费| 精品少妇一区二区三区视频日本电影| 国产激情偷乱视频一区二区| 国产1区2区3区精品| 国产成+人综合+亚洲专区| 妹子高潮喷水视频| 亚洲美女黄片视频| 国产一区在线观看成人免费| 国产三级在线视频| 欧美不卡视频在线免费观看 | 黄片大片在线免费观看| 亚洲成人久久爱视频| 久久香蕉激情| aaaaa片日本免费| 特大巨黑吊av在线直播| 精品久久久久久久久久免费视频| 欧美成人性av电影在线观看| 亚洲五月婷婷丁香| 成年女人毛片免费观看观看9| 国产精品久久久久久人妻精品电影| 国内毛片毛片毛片毛片毛片| 特级一级黄色大片| 午夜日韩欧美国产| 成人精品一区二区免费| 国产成+人综合+亚洲专区| 色老头精品视频在线观看| 又紧又爽又黄一区二区| 不卡一级毛片| 男人舔奶头视频| 丁香欧美五月| 国产av一区二区精品久久| 国产精品一区二区三区四区久久| 日本精品一区二区三区蜜桃| 变态另类丝袜制服| 男女床上黄色一级片免费看| 国产精品精品国产色婷婷| 老鸭窝网址在线观看| 最新在线观看一区二区三区| 成熟少妇高潮喷水视频| 国产熟女xx| 国产午夜精品论理片| 亚洲va日本ⅴa欧美va伊人久久| 夜夜夜夜夜久久久久| 日本一本二区三区精品| 又黄又爽又免费观看的视频| 2021天堂中文幕一二区在线观| 五月玫瑰六月丁香| 日韩大码丰满熟妇| 俺也久久电影网| 91国产中文字幕| 91麻豆av在线| 日韩欧美在线乱码| 99久久久亚洲精品蜜臀av| 国产又色又爽无遮挡免费看| 此物有八面人人有两片| 一二三四在线观看免费中文在| 白带黄色成豆腐渣| 亚洲av成人不卡在线观看播放网| 亚洲精品色激情综合| 久久中文字幕人妻熟女| 中文字幕精品亚洲无线码一区| 亚洲一区高清亚洲精品| 亚洲精华国产精华精| 别揉我奶头~嗯~啊~动态视频| 久久久久性生活片| 两个人看的免费小视频| 成人精品一区二区免费| 麻豆久久精品国产亚洲av| 国产精品,欧美在线| av超薄肉色丝袜交足视频| www.精华液| 亚洲va日本ⅴa欧美va伊人久久| 中文亚洲av片在线观看爽| 国产在线观看jvid| 欧美日韩亚洲综合一区二区三区_| 真人一进一出gif抽搐免费| 欧美中文综合在线视频| 久久久久久久久免费视频了| 亚洲av中文字字幕乱码综合| 麻豆久久精品国产亚洲av| 国产av不卡久久| 亚洲国产欧美一区二区综合| 麻豆国产av国片精品| 高清在线国产一区| 久久久久国产精品人妻aⅴ院| 国产三级中文精品| 日韩欧美精品v在线| 91麻豆精品激情在线观看国产| 在线免费观看的www视频| 久久亚洲真实| 国产69精品久久久久777片 | or卡值多少钱| 男人的好看免费观看在线视频 | 亚洲电影在线观看av| 亚洲国产精品999在线| 国产av不卡久久| av超薄肉色丝袜交足视频| 日本撒尿小便嘘嘘汇集6| 久久久久久久久免费视频了| 国产亚洲精品av在线| 国内精品一区二区在线观看| 一a级毛片在线观看| 国模一区二区三区四区视频 | 国产高清视频在线观看网站| 亚洲人成77777在线视频| 日韩av在线大香蕉| 麻豆成人午夜福利视频| 女人被狂操c到高潮| 免费在线观看日本一区| 欧美不卡视频在线免费观看 | av超薄肉色丝袜交足视频| 三级毛片av免费| 午夜久久久久精精品| 亚洲色图av天堂| 美女大奶头视频| 国产主播在线观看一区二区| www.www免费av| 夜夜躁狠狠躁天天躁| 日本免费一区二区三区高清不卡| 88av欧美| 亚洲精华国产精华精| 久久久久性生活片| 欧美大码av| 国产精品98久久久久久宅男小说| av在线播放免费不卡| 这个男人来自地球电影免费观看| 久久久久久亚洲精品国产蜜桃av| 国产精品电影一区二区三区| 男人舔女人的私密视频| 国产精品一及| 日韩精品免费视频一区二区三区| 日韩三级视频一区二区三区| 久久这里只有精品19| 国产精品 欧美亚洲| 日本成人三级电影网站| 在线永久观看黄色视频| 99在线视频只有这里精品首页| 日本一本二区三区精品| 在线观看66精品国产| 国产不卡一卡二| 99在线人妻在线中文字幕| 啪啪无遮挡十八禁网站| 性欧美人与动物交配| 日本熟妇午夜| 丰满的人妻完整版| 亚洲欧美日韩高清专用| 精品国内亚洲2022精品成人| 欧美一区二区精品小视频在线| 哪里可以看免费的av片| 91国产中文字幕| 97超级碰碰碰精品色视频在线观看| 日本三级黄在线观看| 国产黄片美女视频| 亚洲成人中文字幕在线播放| 日本免费a在线| 亚洲一区高清亚洲精品| 亚洲精品一卡2卡三卡4卡5卡| 亚洲激情在线av| 国内精品久久久久久久电影| 激情在线观看视频在线高清| 午夜a级毛片| 成年人黄色毛片网站| 91老司机精品| 亚洲人成网站在线播放欧美日韩| 久久婷婷人人爽人人干人人爱| 狠狠狠狠99中文字幕| 这个男人来自地球电影免费观看| 欧美一级毛片孕妇| 看黄色毛片网站| 国产一区在线观看成人免费| 黄色视频不卡| 俺也久久电影网| 久久久久精品国产欧美久久久| 久久久久久久久中文| 男女午夜视频在线观看| 久久久久久久午夜电影| 国产精品精品国产色婷婷| 欧美日韩一级在线毛片| 制服人妻中文乱码| 日韩中文字幕欧美一区二区| 免费高清视频大片| 久久久久久亚洲精品国产蜜桃av| 亚洲最大成人中文| 日韩免费av在线播放| 天堂动漫精品| 真人一进一出gif抽搐免费| 夜夜躁狠狠躁天天躁| 久久婷婷成人综合色麻豆| 波多野结衣高清作品| 国产av又大| 成人欧美大片| 欧美+亚洲+日韩+国产| 欧美日韩中文字幕国产精品一区二区三区| 久久久久国内视频| 国产片内射在线| 妹子高潮喷水视频| 90打野战视频偷拍视频| 好男人在线观看高清免费视频| 正在播放国产对白刺激| 精品不卡国产一区二区三区| 在线永久观看黄色视频| 色精品久久人妻99蜜桃| 亚洲av成人精品一区久久| 又粗又爽又猛毛片免费看| 国产高清有码在线观看视频 | 亚洲avbb在线观看| 亚洲av五月六月丁香网| www日本黄色视频网| 久久精品国产亚洲av高清一级| 桃色一区二区三区在线观看| 好看av亚洲va欧美ⅴa在| 久久国产乱子伦精品免费另类| or卡值多少钱| 桃色一区二区三区在线观看| 国产精品亚洲美女久久久| 成人三级黄色视频| 岛国在线免费视频观看| 亚洲国产中文字幕在线视频| 不卡av一区二区三区| 波多野结衣高清无吗| 久久久国产精品麻豆| 在线看三级毛片| 超碰成人久久| 一级a爱片免费观看的视频| av视频在线观看入口| 九色国产91popny在线| 我的老师免费观看完整版| 欧美性猛交黑人性爽| 99热这里只有精品一区 | 欧美丝袜亚洲另类 | 欧美成人性av电影在线观看| 日韩大码丰满熟妇| 亚洲欧美激情综合另类| 国产精品野战在线观看| 亚洲一区二区三区色噜噜| 久久99热这里只有精品18| 一级片免费观看大全| 国产成人av教育| 看免费av毛片| 欧美精品啪啪一区二区三区| 亚洲 国产 在线| 99精品欧美一区二区三区四区| 国产成人精品无人区| 欧美3d第一页| 色综合婷婷激情| 不卡一级毛片| 亚洲国产看品久久| 床上黄色一级片| 亚洲精华国产精华精| 亚洲人与动物交配视频| 欧美一级毛片孕妇| 两个人看的免费小视频| 757午夜福利合集在线观看| 18禁裸乳无遮挡免费网站照片| 国产精品 欧美亚洲| 国产一区二区三区视频了| 日韩欧美免费精品| 色综合欧美亚洲国产小说| 免费在线观看视频国产中文字幕亚洲| 丁香欧美五月| 高清毛片免费观看视频网站| 啦啦啦韩国在线观看视频| 亚洲真实伦在线观看| 免费看十八禁软件| 男男h啪啪无遮挡| 国产蜜桃级精品一区二区三区| 麻豆成人午夜福利视频| 国产精品一区二区三区四区免费观看 | 麻豆av在线久日| 久久 成人 亚洲| 巨乳人妻的诱惑在线观看| 1024视频免费在线观看| 精品一区二区三区av网在线观看| 又粗又爽又猛毛片免费看| 中亚洲国语对白在线视频| 香蕉国产在线看| 国产v大片淫在线免费观看| av免费在线观看网站| 天堂√8在线中文| 一卡2卡三卡四卡精品乱码亚洲| 亚洲中文字幕一区二区三区有码在线看 | 岛国在线观看网站| 黄片小视频在线播放| 久久午夜亚洲精品久久| 麻豆一二三区av精品| 巨乳人妻的诱惑在线观看| 男女视频在线观看网站免费 | 亚洲成人精品中文字幕电影| 亚洲精华国产精华精| 精品国内亚洲2022精品成人| 国产野战对白在线观看| 亚洲欧美一区二区三区黑人| 少妇的丰满在线观看| 又黄又爽又免费观看的视频| 美女高潮喷水抽搐中文字幕| 老司机午夜十八禁免费视频| 午夜激情av网站| 国产精品一及| 亚洲欧美激情综合另类| 婷婷精品国产亚洲av| 亚洲精品美女久久av网站| 中文字幕精品亚洲无线码一区| 一本大道久久a久久精品| 欧美午夜高清在线| 国产成人一区二区三区免费视频网站| 亚洲一区二区三区不卡视频| 国产欧美日韩一区二区三| 国产麻豆成人av免费视频| 在线观看免费视频日本深夜| 亚洲一码二码三码区别大吗| 久久伊人香网站| 亚洲成人精品中文字幕电影| 日本一二三区视频观看| 熟妇人妻久久中文字幕3abv| 亚洲熟妇中文字幕五十中出| 欧洲精品卡2卡3卡4卡5卡区| 亚洲自拍偷在线| 可以在线观看的亚洲视频| 婷婷精品国产亚洲av| 国产高清有码在线观看视频 | 婷婷亚洲欧美| 亚洲中文av在线| 日本三级黄在线观看| 婷婷精品国产亚洲av在线| 亚洲色图 男人天堂 中文字幕| 搞女人的毛片| av在线天堂中文字幕| 看片在线看免费视频| 岛国视频午夜一区免费看| 成人18禁在线播放| 国产真人三级小视频在线观看| 99精品久久久久人妻精品| 手机成人av网站| 欧美日韩中文字幕国产精品一区二区三区| 特大巨黑吊av在线直播| 男人舔奶头视频| 国产成人aa在线观看| 亚洲中文字幕一区二区三区有码在线看 | 日本黄色视频三级网站网址| 国产黄色小视频在线观看| 一级毛片高清免费大全| 国产私拍福利视频在线观看| 国产69精品久久久久777片 | 在线观看舔阴道视频| 亚洲18禁久久av| 黄色丝袜av网址大全| 中文字幕人成人乱码亚洲影| 国产亚洲欧美98| 又粗又爽又猛毛片免费看| 毛片女人毛片| 亚洲欧美精品综合一区二区三区| 91成年电影在线观看| 久久久精品大字幕| 日本 av在线| 欧美黄色淫秽网站| 男人舔女人的私密视频| 一本久久中文字幕| 国产精品99久久99久久久不卡| 一个人免费在线观看电影 | 日韩欧美在线二视频| www日本黄色视频网| 桃色一区二区三区在线观看| 亚洲 国产 在线| av福利片在线| 99久久久亚洲精品蜜臀av| 桃红色精品国产亚洲av| 欧美精品亚洲一区二区| 日本a在线网址| 国产伦一二天堂av在线观看| av在线天堂中文字幕| 99久久99久久久精品蜜桃| 久久中文看片网| 一卡2卡三卡四卡精品乱码亚洲| 此物有八面人人有两片| 精品一区二区三区四区五区乱码| 悠悠久久av| 一本一本综合久久| 精品一区二区三区视频在线观看免费| 色精品久久人妻99蜜桃| 国产精品一区二区三区四区免费观看 | 天堂√8在线中文| 成熟少妇高潮喷水视频| 18禁黄网站禁片免费观看直播| 亚洲成人久久爱视频| 妹子高潮喷水视频| 青草久久国产| 精品少妇一区二区三区视频日本电影| 我要搜黄色片| 两性午夜刺激爽爽歪歪视频在线观看 | 91av网站免费观看| 欧美乱码精品一区二区三区| 天堂动漫精品| 精品一区二区三区av网在线观看| 久久这里只有精品中国| 免费看日本二区| 妹子高潮喷水视频| 精品国产乱码久久久久久男人| 成熟少妇高潮喷水视频| 人妻夜夜爽99麻豆av| 我要搜黄色片| 男女那种视频在线观看| 一进一出抽搐gif免费好疼| 国内毛片毛片毛片毛片毛片| 国产人伦9x9x在线观看| 一进一出抽搐gif免费好疼| 国产精品久久视频播放| 国产成+人综合+亚洲专区| 19禁男女啪啪无遮挡网站| 中出人妻视频一区二区| 欧美一区二区精品小视频在线| а√天堂www在线а√下载| 久久久久久久久免费视频了| 日韩欧美 国产精品| 日本a在线网址| 久久久久久久久免费视频了| 天天躁夜夜躁狠狠躁躁| 俄罗斯特黄特色一大片| 久久久久精品国产欧美久久久| 欧美日韩黄片免| 一夜夜www| 国产99久久九九免费精品| 国产三级在线视频| 成年人黄色毛片网站| 99国产精品一区二区三区| 88av欧美| 色av中文字幕| 国产精品久久久久久亚洲av鲁大| 大型av网站在线播放| 麻豆一二三区av精品| 国产精品爽爽va在线观看网站| 成人一区二区视频在线观看| 久久香蕉国产精品| 欧美高清成人免费视频www| 听说在线观看完整版免费高清| 成人精品一区二区免费| 亚洲人成77777在线视频| 99国产精品99久久久久|