• <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CNN-NSVM的入侵檢測(cè)模型

    2019-01-18 05:21:26王佳林童恩棟牛溫佳劉吉強(qiáng)
    信息通信技術(shù) 2018年6期
    關(guān)鍵詞:卷積樣本特征

    王佳林 童恩棟 牛溫佳 劉吉強(qiáng) 趙 迪

    北京交通大學(xué)智能交通數(shù)據(jù)安全與隱私保護(hù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室 北京 100044

    引言

    隨著互聯(lián)網(wǎng)用戶持續(xù)呈指數(shù)形式增長(zhǎng),網(wǎng)絡(luò)空間的保護(hù)也在不斷改善。但與此同時(shí),攻擊者的攻擊頻率也在不斷增長(zhǎng)。根據(jù)國(guó)家互聯(lián)網(wǎng)應(yīng)急中心[1]統(tǒng)計(jì),僅在2017年7月,我國(guó)就發(fā)生了近3000起網(wǎng)絡(luò)漏洞攻擊事件,嚴(yán)重威脅了人民的信息安全,網(wǎng)絡(luò)空間安全的防護(hù)迫在眉睫。目前網(wǎng)絡(luò)安全防御通常是利用放置在網(wǎng)關(guān)處的防火墻來(lái)檢測(cè)入侵活動(dòng)。為了動(dòng)態(tài)監(jiān)視入侵活動(dòng),IDS(Intrusion Detection System, 入侵檢測(cè)系統(tǒng))被用作第二道防線,它可以主動(dòng)監(jiān)視計(jì)算機(jī)中的網(wǎng)絡(luò)日志以及文件系統(tǒng)等,通過(guò)分析網(wǎng)絡(luò)流量中的正常或異常行為,可以檢測(cè)出未知的或新的攻擊[2]。IDS可分為HIDS(Host-based Intrusion Detection System,基于主機(jī)的入侵檢測(cè)系統(tǒng))以及NIDS(Network-based Intrusion Detection System)。HIDS使用由單個(gè)計(jì)算機(jī)系統(tǒng)收集的信息,而NIDS收集原始網(wǎng)絡(luò)數(shù)據(jù)包作為網(wǎng)絡(luò)數(shù)據(jù)源并分析入侵標(biāo)志[3]。

    目前實(shí)現(xiàn)IDS的方法主要包括:統(tǒng)計(jì)分析方法,模式匹配方法,基于數(shù)據(jù)挖掘的異常檢測(cè)方法,機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法等。Tian等人[4]提出了一種基于誤用檢測(cè)與異常檢測(cè)相結(jié)合的IDS模型。在該模型中,誤用檢測(cè)基于模式匹配,異常檢測(cè)基于統(tǒng)計(jì)分析。該方法降低了假陰性率和假陽(yáng)性率,提高了IDS的準(zhǔn)確性。然而,使用統(tǒng)計(jì)分析技術(shù)需要建立一個(gè)區(qū)分異常事件的閾值,如果設(shè)置不當(dāng),將導(dǎo)致大量誤報(bào)和漏報(bào),并且在模式匹配技術(shù)中,會(huì)忽略沒有規(guī)則描述的攻擊。Zhang等人[5]提出了兩種基于數(shù)據(jù)挖掘的改進(jìn)算法,分別為INFLOF(Influenced Local Outlier Factor,基于對(duì)稱鄰居關(guān)系的離群因子)算法和COF(Connectivity based Outlier Factor,基于連接的離群系數(shù)) 算法。該方法可以解決由密度簇引起的邊緣誤判問(wèn)題,但在參數(shù)選擇上存在一定的困難。雖然LOF(Local Outlier Factor,局部異常因子)算法可以通過(guò)觀察不同的k值,然后取最大的離群值來(lái)解決這個(gè)問(wèn)題,但是仍然需要確定參數(shù)的邊界。

    為了解決上述問(wèn)題,一些淺層的分類器被應(yīng)用在了入侵檢測(cè)領(lǐng)域,其中SVM(Support Vector Machine,支持向量機(jī))基于統(tǒng)計(jì)學(xué)習(xí)方法,相比傳統(tǒng)分類方法,SVM對(duì)小樣本數(shù)據(jù)、高維數(shù)據(jù)展現(xiàn)出了良好的效果。Guang[6]等人為了提高復(fù)雜非線性系統(tǒng)中SVM的檢測(cè)能力,提出了一種基于小波核最小二乘的入侵檢測(cè)方法。然而,該算法的訓(xùn)練和測(cè)試時(shí)間相對(duì)較長(zhǎng)。Pervez[7]等人為了改進(jìn)基于SVM的入侵檢測(cè)系統(tǒng),提出了一種基于遺傳算法的入侵檢測(cè)算法,其選擇了SVM的最優(yōu)特征子集,但沒有考慮SVM的錯(cuò)誤率。為了克服淺層學(xué)習(xí)的問(wèn)題,一些研究者已經(jīng)證明,分層的深度學(xué)習(xí)算法和淺層分類器進(jìn)行結(jié)合能夠更好地對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行學(xué)習(xí)以及分類[8]。然而這樣的方法在入侵檢測(cè)領(lǐng)域仍然存在一定的局限性。文章[9]使用非對(duì)稱的棧式自編碼器和隨機(jī)森林相結(jié)合進(jìn)行入侵檢測(cè),使用KDD99數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),模型在整體性能上表現(xiàn)良好,但是在數(shù)據(jù)集中小樣本的檢測(cè)準(zhǔn)確率較低。并且在自編碼器中由于相鄰層之間的完全連接單元,還有貪婪式的預(yù)訓(xùn)練使得模型具有大量的訓(xùn)練參數(shù)。

    鑒于上述原因,開發(fā)了一種新的基于CNN-NSVM(Convolutional Neural Network-support Vector Machine,卷積神經(jīng)網(wǎng)絡(luò)-多類支持向量機(jī)分類器)的方法來(lái)提高入侵檢測(cè)的性能。我們考慮了數(shù)據(jù)集中存在數(shù)量較少的小樣本數(shù)據(jù),因此改進(jìn)了少數(shù)類合成算法對(duì)數(shù)據(jù)進(jìn)行過(guò)采樣操作,解決了數(shù)據(jù)中存在的不平衡現(xiàn)象。利用CNN(Convolutional Neural Network,卷積神經(jīng)網(wǎng)絡(luò))對(duì)數(shù)據(jù)集進(jìn)行特征提取,通過(guò)稀疏連接和共享權(quán)重的方式減少模型的參數(shù),提高檢測(cè)效率,并且設(shè)計(jì)了多類SVM分類器,縮短了訓(xùn)練的時(shí)間,提高了入侵檢測(cè)的準(zhǔn)確率以及召回率。

    2 基于CNN-NSVM的入侵檢測(cè)方法

    CNN可以有效地學(xué)習(xí)特征,通常被用來(lái)對(duì)圖像進(jìn)行處理,但同樣可以用來(lái)進(jìn)行數(shù)據(jù)流量檢測(cè)。SVM[3]用于解決小樣本和非線性問(wèn)題,解決了維度災(zāi)難、過(guò)擬合等常見問(wèn)題,是當(dāng)前機(jī)器學(xué)習(xí)的重要方法。通過(guò)結(jié)合CNN與SVM,我們提出了CNN-NSVM模型。如圖1所示,CNN-NSVM主要包括3部分:1)預(yù)處理階段;2)CNN特征提取階段;3)多類SVM分類階段。

    圖1 CNN-NSVM整體架構(gòu)

    2.1 預(yù)處理

    2.1.1 稀疏特征合并

    在數(shù)據(jù)特征中會(huì)存在一些特征值v對(duì)應(yīng)的標(biāo)簽y是相同的,那么這些v之間是沒有意義的,我們通常將他們進(jìn)行合并,這可以降低數(shù)據(jù)的計(jì)算成本,提高數(shù)據(jù)分類的準(zhǔn)確性,同時(shí)減少數(shù)據(jù)的稀疏度。

    2.1.2 特征編碼

    基于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要使用到數(shù)值型的特征。因此在預(yù)處理階段需要把非數(shù)值型的特征轉(zhuǎn)換為數(shù)值型的特征。本文使用One-hot編碼將字符型數(shù)據(jù)映射為數(shù)值形式。

    2.1.3 改進(jìn)的少數(shù)類合成算法

    在網(wǎng)絡(luò)流量中,大多數(shù)是合法的數(shù)據(jù)流量,只有少量數(shù)據(jù)流量是非法的,但往往是這些占少量的數(shù)據(jù)流量危害更大。提高小樣本的檢測(cè)率,對(duì)提高整體入侵檢測(cè)技術(shù)有重要意義。過(guò)采樣技術(shù)可以解決數(shù)據(jù)集中各類數(shù)據(jù)的不平衡問(wèn)題,Chawla等人[10]首次提出了過(guò)采樣技術(shù)少數(shù)類合成算法,但是這種方法在過(guò)采樣操作時(shí)存在一定的盲目性,沒有考慮到小樣本數(shù)據(jù)的分布問(wèn)題,容易使數(shù)據(jù)邊緣化問(wèn)題惡化,使得數(shù)據(jù)在過(guò)采樣之后的檢測(cè)率不增反減。因此針對(duì)這個(gè)問(wèn)題我們對(duì)少數(shù)類合成算法進(jìn)行改進(jìn)。

    在訓(xùn)練集S中,xi是數(shù)據(jù)集中的少數(shù)樣本。計(jì)算出與xi相似的k近鄰半徑內(nèi)數(shù)據(jù)集Pi。我們計(jì)算k近鄰時(shí)采用歐氏距離r,計(jì)算公式如下所示。

    統(tǒng)計(jì)Pi中多數(shù)類樣本的個(gè)數(shù)xd,計(jì)算xd在Pi中的比例k,根據(jù)過(guò)采樣數(shù)量的大小設(shè)定閥值t,如果0<k<t,則從Pi中隨機(jī)選擇一個(gè)樣本xaq,進(jìn)行樣本的人工合成;如果t<k<1,則不進(jìn)行數(shù)據(jù)合成。具體的數(shù)學(xué)表達(dá)式如式(2)所示。

    其中,rand(0,1)表示隨機(jī)數(shù)字在0到1之間選擇。然后根據(jù)所需的過(guò)采樣集的數(shù)量重復(fù)過(guò)采樣操作,并將新的合成的少量樣本添加到初始訓(xùn)練樣本中。從而增加樣本數(shù)量,降低數(shù)據(jù)集中的不平衡,并獲得新的訓(xùn)練樣本。改進(jìn)的少數(shù)類合成算法小樣本增量過(guò)程如下所示。

    輸入:小樣本數(shù)據(jù)集T;多數(shù)類樣本數(shù)據(jù)集M;采樣率N%;采樣閥值t;

    輸出:(N/100)*T新的合成少數(shù)類樣本。

    對(duì)于每一個(gè)樣本 xi,xi∈T;

    在T找到xi的k近鄰半徑內(nèi)Pj,j∈(1…k),T,M∈Pj;

    k=M/Pj;

    如果 t<k<1;

    對(duì)xi不處理;

    否則,如果 0<k<t;

    從k個(gè)近鄰中隨機(jī)的選擇一個(gè)樣本xaq,在0到1之間隨機(jī)的選擇一個(gè)隨機(jī)數(shù),從而合成一個(gè)新的樣本fiq。

    對(duì)步驟二重復(fù)進(jìn)行N次,得到新的樣本數(shù)據(jù)集。

    2.1.4 歸一化

    數(shù)據(jù)集中存在一些離散或連續(xù)的數(shù)值,它們的范圍不同,使得數(shù)據(jù)在各維度之間不存在可比性,規(guī)范化方法使用以下方法映射[0,1]之間的數(shù)字屬性。

    其中,X是數(shù)據(jù)中某一維度的值,Xmin是該維度的最小值,Xmax是該維度的最大值,Xk是最后得到的歸一化之后的數(shù)據(jù)。

    2.2 特征提取

    我們使用CNN對(duì)數(shù)據(jù)流量進(jìn)行特征提取,將數(shù)據(jù)流量重新整理成數(shù)據(jù)矩陣,矩陣中的每一個(gè)值都代表一個(gè)像素點(diǎn),通過(guò)卷積、池化的不斷操作,將數(shù)據(jù)中的特征進(jìn)行學(xué)習(xí),并且保存下來(lái)。在CNN-NSVM模型中,我們使用3×3的卷積核將預(yù)處理數(shù)據(jù)輸入到輸入層,保存在最后一個(gè)全連接層中提取的特征。模型中使用的CNN結(jié)構(gòu)如表1所示。

    2.3 多類SVM分類

    SVM是一種高效的兩分類機(jī)器學(xué)習(xí)算法,但大多數(shù)分類案例都是多分類的。在本文中,提取的特征被輸入到基于二叉樹構(gòu)造的多類SVM分類器中。其中的核函數(shù)是高斯核函數(shù),核函數(shù)中的參數(shù)σ=0.0001,懲罰因子C=1000,實(shí)驗(yàn)經(jīng)過(guò)五折交叉驗(yàn)證的結(jié)果來(lái)調(diào)節(jié)參數(shù)獲取最高的分類準(zhǔn)確率。多類SVM的分類步驟如下。

    1)將得到的特征輸入到SVM1中,SVM1首先判斷數(shù)據(jù)是正常類型還是攻擊類型,如果攻擊類型,則將攻擊類型的數(shù)據(jù)輸入到SVM2中,否則標(biāo)記normal標(biāo)簽。

    2)SVM2判斷得到的數(shù)據(jù)是Dos還是Probe、U2R、R2L中的某個(gè)類型,如果是Probe、U2R、R2L中的某個(gè)類型,則將這類數(shù)據(jù)輸入到SVM3中,否則的話標(biāo)記Dos標(biāo)簽。

    3)SVM3判斷得到的數(shù)據(jù)是Probe還是U2R和R2L中的某個(gè)攻擊類型,如果是U2R和R2L中的攻擊類型,則將該類數(shù)據(jù)輸入到SVM4中進(jìn)行分類,否則的話就標(biāo)記為Probe類型。

    4)SVM4判斷得到的數(shù)據(jù)是否是U2R還是R2L,判斷結(jié)果用于標(biāo)記數(shù)據(jù),最后對(duì)所有數(shù)據(jù)進(jìn)行分類。

    表1 CNN結(jié)構(gòu)

    3 實(shí)驗(yàn)

    3.1 實(shí)驗(yàn)設(shè)計(jì)

    本文的實(shí)驗(yàn)過(guò)程如圖2所示。首先將KDD 99數(shù)據(jù)集進(jìn)行2.1節(jié)介紹的預(yù)處理操作,將獲得的標(biāo)準(zhǔn)數(shù)據(jù)集輸入CNN進(jìn)行特征提取,進(jìn)一步將提取的特征輸入多類SVM分類器進(jìn)行訓(xùn)練和測(cè)試,根據(jù)實(shí)驗(yàn)結(jié)果分析改進(jìn)模型。采用Accuracy、FNR、FPR等評(píng)價(jià)標(biāo)準(zhǔn)將本文的結(jié)果和其他模型進(jìn)行對(duì)比。

    圖2 實(shí)驗(yàn)流程

    3.2 實(shí)驗(yàn)數(shù)據(jù)

    KDD99數(shù)據(jù)集是美國(guó)空軍9周收集的網(wǎng)絡(luò)連接和系統(tǒng)審計(jì)數(shù)據(jù),涵蓋各種用戶類型,各種網(wǎng)絡(luò)流量和攻擊方法,以模擬真實(shí)的網(wǎng)絡(luò)環(huán)境[11]。訓(xùn)練數(shù)據(jù)包括490萬(wàn)單個(gè)連接數(shù)據(jù),測(cè)試數(shù)據(jù)包含200萬(wàn)個(gè)網(wǎng)絡(luò)連接數(shù)據(jù)。我們僅使用數(shù)據(jù)集的10%進(jìn)行訓(xùn)練,其中有494021條記錄。這個(gè)數(shù)據(jù)集有五種類型,包括Normal、DoS、R2L、U2R、Probe。攻擊類型分為4類,共39種攻擊類型,其中22種類型的攻擊出現(xiàn)在訓(xùn)練集中,另外17種未知類型出現(xiàn)在測(cè)試集中。每個(gè)連接有41個(gè)特征。其中Normal類型有97278條記錄,Probe類型有4107條記錄,DoS有391458條記錄,U2R有52條記錄,R2L有1126條記錄。它們分別占總數(shù)的19.69%、0.83%、79.24%、0.01%、0.22%。

    3.3 數(shù)據(jù)預(yù)處理

    1)合并稀疏特征。我們發(fā)現(xiàn)“service”中“ntpu、tftpu、redi”對(duì)應(yīng)的標(biāo)簽都是“normal”,可以將他們3個(gè)進(jìn)行合并?!皃mdump”、“http2784”、“harvest”、“aol”、“http_8001”所對(duì)應(yīng)的標(biāo)簽都是“satan”,可以將它們5個(gè)進(jìn)行合并。

    2)數(shù)值化特征。本文使用One-hot編碼處理非數(shù)值型的數(shù)據(jù)。在KDD 99數(shù)據(jù)集中有3種協(xié)議類型,對(duì)應(yīng)3維的向量;70種服務(wù)符號(hào)取值,則對(duì)應(yīng)70維不同向量;11種標(biāo)簽的符號(hào)取值,對(duì)應(yīng)11個(gè)向量。我們?yōu)樗麄兘⑾鄳?yīng)的數(shù)值映射(例如TCP=[1,0,0],UDP=[0,1,0],ICMP=[0,0,1])轉(zhuǎn)換為數(shù)值特征。最后數(shù)據(jù)在編碼之后的維度從41維變成了122維數(shù)據(jù)。

    3)過(guò)采樣技術(shù)。因?yàn)樵贙DD 99數(shù)據(jù)中U2R樣本類型的數(shù)量較少,所以本文將得到的數(shù)值化之后的122維數(shù)據(jù)中的U2R攻擊類型進(jìn)行過(guò)采樣操作。過(guò)采樣之后的數(shù)據(jù)集中類型的數(shù)量如表2所示。

    表2 過(guò)采樣之后的數(shù)據(jù)類型數(shù)量

    4)歸一化。KDD99數(shù)據(jù)中存在一些離散或連續(xù)的數(shù)值,它們的范圍不同,使得數(shù)據(jù)在各維度之間不存在可比性,我們將數(shù)據(jù)歸一化操作,將數(shù)據(jù)映射到[0,1]之間再對(duì)數(shù)據(jù)進(jìn)行提取以及分類操作。

    3.4 實(shí)驗(yàn)結(jié)果與分析

    1)實(shí)驗(yàn)1,卷積核長(zhǎng)度對(duì)檢測(cè)結(jié)果的影響。

    本文分析了CNN中卷積核長(zhǎng)度對(duì)結(jié)果的影響,檢測(cè)指標(biāo)是假陰性率(FNR)和假陽(yáng)性率(FPR),實(shí)驗(yàn)結(jié)果如圖3所示。從圖3中可以看出兩個(gè)檢測(cè)指標(biāo)都存在先下降后上升的趨勢(shì),在卷積核長(zhǎng)度為2的時(shí)候FNR達(dá)到最低,說(shuō)明此時(shí)攻擊類型檢測(cè)的準(zhǔn)確率最高,但此時(shí)的FPR較高,我們希望的是提升整體的準(zhǔn)確率。在卷積核長(zhǎng)度為3的時(shí)候,F(xiàn)PR達(dá)到最低,同時(shí)FNR也達(dá)到了一個(gè)相對(duì)較低的水平。當(dāng)卷積核長(zhǎng)度達(dá)到4、5、6時(shí),F(xiàn)NR和FPR都比卷積核長(zhǎng)度為3時(shí)高,所以卷積核長(zhǎng)度為3的時(shí)候綜合性能最好??梢姡矸e核的長(zhǎng)度不宜過(guò)大,過(guò)長(zhǎng)的卷積核會(huì)導(dǎo)致模型的參數(shù)增多,增加模型的訓(xùn)練難度,從而在一定程度上降低模型的檢測(cè)性能。過(guò)短的卷積核容易導(dǎo)致特征學(xué)習(xí)不到,降低檢測(cè)率。因此,應(yīng)當(dāng)充分實(shí)驗(yàn),選取合適的卷積核長(zhǎng)度,提高模型檢測(cè)性能。

    圖3 CNN中卷積核長(zhǎng)度對(duì)檢測(cè)結(jié)果的影響

    2)實(shí)驗(yàn)2,過(guò)采樣的性能。

    圖4 比較過(guò)采樣性能的精確率

    采用少數(shù)類合成算法的CNNNSVM和沒有采用該算法的CNNNSVM進(jìn)行訓(xùn)練和測(cè)試,比較兩種結(jié)果的精確率和召回率,結(jié)果如圖4、圖5所示。采用少數(shù)類合成算法之后,U2R的精確率提升幅度最大,為17.2%。召回率方面,采用少數(shù)類合成算法之后的方法中Normal和Dos兩種類型的召回率變化較小,因?yàn)樗麄円呀?jīng)有了很高的召回率,數(shù)據(jù)集中的小類U2R和R2L的提升幅度較大,分別提升了40.4%和48.6%。結(jié)果證明采用少數(shù)類合成算法可以有效解決數(shù)據(jù)不平衡的問(wèn)題。

    3)實(shí)驗(yàn)3,與其他模型的性能比較。

    使用我們的模型與深度置信網(wǎng)絡(luò)算法[12]相比較,使用相同的隱藏層個(gè)數(shù),深度置信網(wǎng)絡(luò)的訓(xùn)練時(shí)間為54660s,我們模型的訓(xùn)練時(shí)間是5023s,節(jié)約了90.81%的時(shí)間。

    圖5 比較過(guò)采樣性能的召回率

    與基于蟻群網(wǎng)絡(luò)和SVM的入侵檢測(cè)算法[13]相比,CNN-NSVM中每一步的召回率(Recall)都比CSVAC高,CNN- NSVM中假陽(yáng)性和假陰性率都低于CSVAC。與基于啟發(fā)式遺傳算法的SVM[14]相比,CNN-NSVM具有更高的召回率。與GF-SVM算法[15]相比,CNN-NSVM算法的假陰性率低于GF-SVM。與Chi-SVM[16]相比較,CNN-NSVM的假陽(yáng)性率假陰性率均比較低。表3所示,CNN-NSVM可以提高召回率,同時(shí)減低FNR和FPR。

    4 結(jié)束語(yǔ)

    文章對(duì)入侵檢測(cè)領(lǐng)域中的現(xiàn)狀進(jìn)行了全面調(diào)研,提出了一種新的深度學(xué)習(xí)方法來(lái)進(jìn)行入侵檢測(cè)。該模型改進(jìn)了少數(shù)類合成算法來(lái)處理不平衡數(shù)據(jù)集,并設(shè)計(jì)多層CNN來(lái)提取數(shù)據(jù)特征,進(jìn)一步使用多個(gè)SVM分類器完成入侵分類。實(shí)驗(yàn)顯示,本文提出模型的整體準(zhǔn)確率到達(dá)了96.60%,提高了數(shù)據(jù)集中小樣本的準(zhǔn)確率,同時(shí)減少了訓(xùn)練的時(shí)間,提高了召回率。后續(xù)我們將繼續(xù)豐富樣本,改進(jìn)特征提取算法,在降低訓(xùn)練時(shí)間的同時(shí)進(jìn)一步降低模型的假陰性率和假陽(yáng)性率。

    表3 模型性能比較

    猜你喜歡
    卷積樣本特征
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
    如何表達(dá)“特征”
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    不忠誠(chéng)的四個(gè)特征
    推動(dòng)醫(yī)改的“直銷樣本”
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    抓住特征巧觀察
    隨機(jī)微分方程的樣本Lyapunov二次型估計(jì)
    村企共贏的樣本
    大香蕉久久网| 国产精品精品国产色婷婷| 亚洲综合色惰| 看十八女毛片水多多多| 成人午夜精彩视频在线观看| 亚洲,一卡二卡三卡| 有码 亚洲区| 大片电影免费在线观看免费| 日本wwww免费看| 亚洲精品成人久久久久久| 亚洲欧美精品自产自拍| 日韩人妻高清精品专区| 久久鲁丝午夜福利片| 成年av动漫网址| 国产亚洲一区二区精品| 国产免费视频播放在线视频| 久久午夜福利片| 性插视频无遮挡在线免费观看| 国产成人精品婷婷| 国产日韩欧美在线精品| 婷婷色综合www| 亚洲色图综合在线观看| 激情 狠狠 欧美| 九色成人免费人妻av| 九色成人免费人妻av| 美女主播在线视频| 26uuu在线亚洲综合色| 亚洲在线观看片| a级一级毛片免费在线观看| 又爽又黄a免费视频| 久久精品国产鲁丝片午夜精品| 亚洲精品国产色婷婷电影| 久久久久久久久大av| 亚洲精品日韩在线中文字幕| 男人和女人高潮做爰伦理| 大片电影免费在线观看免费| 国产永久视频网站| 麻豆精品久久久久久蜜桃| 少妇人妻久久综合中文| 久久久久久九九精品二区国产| 国产91av在线免费观看| 韩国av在线不卡| 国语对白做爰xxxⅹ性视频网站| 日韩伦理黄色片| 国产伦理片在线播放av一区| 干丝袜人妻中文字幕| 国内精品宾馆在线| 亚洲精品自拍成人| 日日啪夜夜爽| 精品久久久精品久久久| 日本猛色少妇xxxxx猛交久久| 精品视频人人做人人爽| 精品一区在线观看国产| 精品一区二区免费观看| 色5月婷婷丁香| 精品久久久久久久末码| 久久99蜜桃精品久久| 夜夜看夜夜爽夜夜摸| 欧美3d第一页| 国产精品久久久久久av不卡| 五月开心婷婷网| 美女被艹到高潮喷水动态| 国产乱来视频区| 亚洲欧美日韩另类电影网站 | 97人妻精品一区二区三区麻豆| 国产精品国产av在线观看| 久久久色成人| 成人无遮挡网站| 大片电影免费在线观看免费| 色哟哟·www| 国产永久视频网站| 黄色日韩在线| 成人午夜精彩视频在线观看| 久久精品国产亚洲av天美| 免费黄网站久久成人精品| 五月天丁香电影| 欧美激情在线99| 最近中文字幕高清免费大全6| 日韩中字成人| 成人美女网站在线观看视频| av线在线观看网站| 亚洲欧洲日产国产| 亚洲av福利一区| 国产成人精品久久久久久| .国产精品久久| 国产精品不卡视频一区二区| 色视频www国产| 女人十人毛片免费观看3o分钟| 麻豆国产97在线/欧美| 九色成人免费人妻av| 精品一区二区免费观看| 国产精品秋霞免费鲁丝片| 国产一区二区三区av在线| 五月开心婷婷网| 亚洲色图av天堂| 热99国产精品久久久久久7| 精品久久国产蜜桃| 一边亲一边摸免费视频| 视频区图区小说| 免费观看a级毛片全部| 全区人妻精品视频| 亚洲av欧美aⅴ国产| av天堂中文字幕网| 在线a可以看的网站| 国产亚洲一区二区精品| av在线天堂中文字幕| 国产国拍精品亚洲av在线观看| 九九爱精品视频在线观看| 亚洲精品第二区| 禁无遮挡网站| 听说在线观看完整版免费高清| 99精国产麻豆久久婷婷| 午夜免费男女啪啪视频观看| 毛片一级片免费看久久久久| 国产一区二区三区av在线| 十八禁网站网址无遮挡 | 国产有黄有色有爽视频| 亚洲国产精品999| 韩国av在线不卡| 99久国产av精品国产电影| 国产精品无大码| 成年女人看的毛片在线观看| 亚洲av在线观看美女高潮| 免费黄频网站在线观看国产| av国产免费在线观看| 赤兔流量卡办理| 水蜜桃什么品种好| 91精品伊人久久大香线蕉| 中国国产av一级| 丝袜美腿在线中文| 久久久精品欧美日韩精品| 听说在线观看完整版免费高清| 日本黄大片高清| 99久久九九国产精品国产免费| 日本一二三区视频观看| 成人无遮挡网站| 日日啪夜夜撸| 精品一区二区三卡| 大又大粗又爽又黄少妇毛片口| 中文字幕制服av| 建设人人有责人人尽责人人享有的 | 性插视频无遮挡在线免费观看| 国产精品99久久久久久久久| 国产精品蜜桃在线观看| 亚洲精品一区蜜桃| 久久久久网色| 亚洲精品影视一区二区三区av| 日日撸夜夜添| 插逼视频在线观看| 免费av观看视频| 欧美成人精品欧美一级黄| av又黄又爽大尺度在线免费看| 少妇丰满av| 天堂中文最新版在线下载 | 午夜福利视频1000在线观看| av免费观看日本| 99久久中文字幕三级久久日本| 亚洲av中文字字幕乱码综合| 亚洲国产色片| av国产精品久久久久影院| 成人国产麻豆网| 一级片'在线观看视频| 国产精品精品国产色婷婷| 日韩精品有码人妻一区| 91午夜精品亚洲一区二区三区| 亚洲av日韩在线播放| 亚洲av在线观看美女高潮| 又爽又黄无遮挡网站| 精品久久久久久久末码| 高清欧美精品videossex| 国产免费一区二区三区四区乱码| 免费高清在线观看视频在线观看| 欧美日本视频| 亚洲av成人精品一区久久| 极品教师在线视频| 自拍欧美九色日韩亚洲蝌蚪91 | av一本久久久久| 日韩欧美 国产精品| 只有这里有精品99| 边亲边吃奶的免费视频| 久久99精品国语久久久| 日韩一本色道免费dvd| 婷婷色麻豆天堂久久| 免费高清在线观看视频在线观看| 91久久精品电影网| 麻豆成人av视频| 欧美高清成人免费视频www| 在线播放无遮挡| 中文在线观看免费www的网站| 熟妇人妻不卡中文字幕| 成人综合一区亚洲| 亚洲av成人精品一区久久| 久久久久久久国产电影| 亚洲国产成人一精品久久久| 男女那种视频在线观看| 97超碰精品成人国产| 一级毛片aaaaaa免费看小| 日韩在线高清观看一区二区三区| 午夜免费观看性视频| 国产精品国产av在线观看| 精品人妻一区二区三区麻豆| 午夜精品一区二区三区免费看| 韩国高清视频一区二区三区| 国产在视频线精品| 97精品久久久久久久久久精品| 国产老妇伦熟女老妇高清| 国产精品伦人一区二区| 国产精品一二三区在线看| 亚洲成人久久爱视频| 黄色视频在线播放观看不卡| 国产一级毛片在线| 国产精品一区www在线观看| 国产精品久久久久久精品电影小说 | 国产大屁股一区二区在线视频| av在线app专区| 成年女人在线观看亚洲视频 | 2021天堂中文幕一二区在线观| 国产黄频视频在线观看| 看非洲黑人一级黄片| 一级a做视频免费观看| 嫩草影院精品99| 久久99热这里只频精品6学生| 好男人视频免费观看在线| 国产精品精品国产色婷婷| 久久97久久精品| 最近2019中文字幕mv第一页| 欧美日韩视频高清一区二区三区二| 国产亚洲91精品色在线| 久久精品久久久久久噜噜老黄| 菩萨蛮人人尽说江南好唐韦庄| 汤姆久久久久久久影院中文字幕| 欧美三级亚洲精品| 精品熟女少妇av免费看| 亚洲第一区二区三区不卡| 国产午夜精品久久久久久一区二区三区| 亚洲av中文av极速乱| 三级经典国产精品| 欧美最新免费一区二区三区| 亚洲第一区二区三区不卡| videos熟女内射| 亚洲av中文字字幕乱码综合| 欧美日本视频| 免费观看av网站的网址| 精品国产露脸久久av麻豆| 色网站视频免费| 2022亚洲国产成人精品| 男女下面进入的视频免费午夜| 日韩伦理黄色片| 深夜a级毛片| 国产女主播在线喷水免费视频网站| 黄片无遮挡物在线观看| 又大又黄又爽视频免费| 亚洲精品日韩av片在线观看| 两个人的视频大全免费| 日韩一区二区视频免费看| 国产爽快片一区二区三区| 在线观看人妻少妇| 精品人妻一区二区三区麻豆| 男女那种视频在线观看| 人人妻人人看人人澡| 亚洲最大成人中文| 80岁老熟妇乱子伦牲交| 国产色婷婷99| 成人亚洲精品一区在线观看 | 免费观看性生交大片5| 日本一二三区视频观看| 久久精品夜色国产| 国产人妻一区二区三区在| 最近2019中文字幕mv第一页| 狠狠精品人妻久久久久久综合| 日韩欧美精品免费久久| 免费观看的影片在线观看| 亚洲精品日本国产第一区| 成人鲁丝片一二三区免费| 中文字幕久久专区| 国产成人freesex在线| 午夜免费男女啪啪视频观看| 国产白丝娇喘喷水9色精品| 男女边摸边吃奶| 少妇人妻久久综合中文| 我要看日韩黄色一级片| 久久久色成人| 免费黄网站久久成人精品| 伊人久久精品亚洲午夜| 精品熟女少妇av免费看| 亚洲精品日韩av片在线观看| 日韩精品有码人妻一区| 舔av片在线| 国产精品久久久久久av不卡| 免费看av在线观看网站| 午夜精品一区二区三区免费看| 免费看不卡的av| 国产免费福利视频在线观看| 亚洲欧洲国产日韩| 国产欧美另类精品又又久久亚洲欧美| 日本爱情动作片www.在线观看| 在线免费十八禁| 久久精品国产a三级三级三级| 国产色婷婷99| 欧美最新免费一区二区三区| 26uuu在线亚洲综合色| 成人特级av手机在线观看| 精品久久久精品久久久| 最近中文字幕高清免费大全6| 男插女下体视频免费在线播放| 少妇熟女欧美另类| 午夜精品国产一区二区电影 | 免费黄网站久久成人精品| 日韩一区二区视频免费看| 在线a可以看的网站| 日韩不卡一区二区三区视频在线| 国产一区二区亚洲精品在线观看| 99九九线精品视频在线观看视频| 国产成人免费无遮挡视频| 青春草国产在线视频| 真实男女啪啪啪动态图| 岛国毛片在线播放| 成年版毛片免费区| 蜜臀久久99精品久久宅男| 国产成人免费观看mmmm| 69人妻影院| 色视频www国产| 亚洲久久久久久中文字幕| 亚洲国产精品999| 日韩欧美 国产精品| 亚洲自偷自拍三级| 国产精品久久久久久av不卡| 婷婷色av中文字幕| 久久久久久久亚洲中文字幕| 天天一区二区日本电影三级| freevideosex欧美| 大码成人一级视频| 国语对白做爰xxxⅹ性视频网站| 日本欧美国产在线视频| 尤物成人国产欧美一区二区三区| 欧美老熟妇乱子伦牲交| 交换朋友夫妻互换小说| 亚洲国产精品专区欧美| 最近中文字幕高清免费大全6| 好男人在线观看高清免费视频| 国产v大片淫在线免费观看| 日日摸夜夜添夜夜添av毛片| 成人毛片a级毛片在线播放| 国产黄频视频在线观看| 精品一区在线观看国产| 男女国产视频网站| 一区二区三区免费毛片| 麻豆乱淫一区二区| 国产大屁股一区二区在线视频| 国产伦理片在线播放av一区| 男的添女的下面高潮视频| 免费不卡的大黄色大毛片视频在线观看| 欧美另类一区| 亚洲国产色片| 97在线人人人人妻| 一个人看的www免费观看视频| 蜜臀久久99精品久久宅男| 爱豆传媒免费全集在线观看| 黄色怎么调成土黄色| 国产乱来视频区| 国产精品不卡视频一区二区| 神马国产精品三级电影在线观看| av免费观看日本| 久久精品久久精品一区二区三区| 亚洲人与动物交配视频| 秋霞伦理黄片| 亚洲经典国产精华液单| 精华霜和精华液先用哪个| 舔av片在线| 黄色视频在线播放观看不卡| 久久这里有精品视频免费| 交换朋友夫妻互换小说| 国产精品三级大全| 能在线免费看毛片的网站| 亚洲图色成人| 网址你懂的国产日韩在线| 成人国产麻豆网| 听说在线观看完整版免费高清| 久久久久网色| 国产精品麻豆人妻色哟哟久久| 女人久久www免费人成看片| 在线观看av片永久免费下载| 街头女战士在线观看网站| 国产av不卡久久| 大香蕉97超碰在线| 蜜桃久久精品国产亚洲av| 九草在线视频观看| 看非洲黑人一级黄片| .国产精品久久| 3wmmmm亚洲av在线观看| 天美传媒精品一区二区| 亚洲精品中文字幕在线视频 | av又黄又爽大尺度在线免费看| 国产国拍精品亚洲av在线观看| 亚洲最大成人av| 下体分泌物呈黄色| 高清毛片免费看| 老司机影院毛片| 成人国产av品久久久| 一区二区三区乱码不卡18| 女的被弄到高潮叫床怎么办| 高清视频免费观看一区二区| 国产欧美另类精品又又久久亚洲欧美| 国产视频内射| 人体艺术视频欧美日本| 日本猛色少妇xxxxx猛交久久| 久久久久久久国产电影| av在线观看视频网站免费| 日韩欧美精品免费久久| 亚洲最大成人中文| 日本午夜av视频| 国产免费视频播放在线视频| 亚洲不卡免费看| 国产男女超爽视频在线观看| 99久久精品热视频| 一级毛片我不卡| 观看免费一级毛片| 3wmmmm亚洲av在线观看| 国产人妻一区二区三区在| 成人欧美大片| 我的女老师完整版在线观看| 国语对白做爰xxxⅹ性视频网站| 亚洲国产成人一精品久久久| 熟女电影av网| 国产成人福利小说| 国产淫片久久久久久久久| 99热这里只有是精品50| 国内精品美女久久久久久| 国产国拍精品亚洲av在线观看| 国产在视频线精品| 可以在线观看毛片的网站| 你懂的网址亚洲精品在线观看| 九九久久精品国产亚洲av麻豆| 只有这里有精品99| 国产成人精品婷婷| 欧美激情在线99| 久久久色成人| 午夜精品一区二区三区免费看| 秋霞伦理黄片| 精品少妇黑人巨大在线播放| 久久久午夜欧美精品| 久久久亚洲精品成人影院| 亚州av有码| 亚洲欧美日韩另类电影网站 | 熟妇人妻不卡中文字幕| 91久久精品电影网| 春色校园在线视频观看| 老女人水多毛片| 国产一区二区在线观看日韩| 午夜福利视频精品| 涩涩av久久男人的天堂| 久久这里有精品视频免费| 久久精品人妻少妇| 欧美一区二区亚洲| 18禁动态无遮挡网站| 九九在线视频观看精品| 菩萨蛮人人尽说江南好唐韦庄| 国产日韩欧美亚洲二区| 国产在线男女| 精品人妻偷拍中文字幕| 午夜亚洲福利在线播放| 色婷婷久久久亚洲欧美| a级一级毛片免费在线观看| 亚洲经典国产精华液单| 亚洲av男天堂| 国产淫片久久久久久久久| 免费av观看视频| 少妇人妻 视频| 亚洲欧美清纯卡通| 成人一区二区视频在线观看| 亚洲精品自拍成人| 最近中文字幕高清免费大全6| 国产美女午夜福利| 国产探花在线观看一区二区| 2021天堂中文幕一二区在线观| 亚洲最大成人av| 亚洲av不卡在线观看| 国产午夜精品一二区理论片| 亚洲成人中文字幕在线播放| 亚洲国产精品成人综合色| 99九九线精品视频在线观看视频| 国产精品一二三区在线看| 特级一级黄色大片| 在线观看av片永久免费下载| 国产精品精品国产色婷婷| 啦啦啦啦在线视频资源| 波野结衣二区三区在线| 一边亲一边摸免费视频| 欧美日韩亚洲高清精品| 波野结衣二区三区在线| 国产国拍精品亚洲av在线观看| 一本一本综合久久| 国产成人一区二区在线| 菩萨蛮人人尽说江南好唐韦庄| 插逼视频在线观看| av免费在线看不卡| 天堂俺去俺来也www色官网| 十八禁网站网址无遮挡 | av在线亚洲专区| 搡女人真爽免费视频火全软件| 久久午夜福利片| 亚洲精品成人av观看孕妇| 九草在线视频观看| 亚洲精品aⅴ在线观看| 啦啦啦中文免费视频观看日本| 高清毛片免费看| 一区二区av电影网| av黄色大香蕉| 99久久中文字幕三级久久日本| 内地一区二区视频在线| 国产精品av视频在线免费观看| 欧美丝袜亚洲另类| 亚洲激情五月婷婷啪啪| a级毛色黄片| 街头女战士在线观看网站| 亚洲精品456在线播放app| 国产 一区精品| 国产精品久久久久久久久免| 免费观看a级毛片全部| 午夜精品国产一区二区电影 | 欧美zozozo另类| 看十八女毛片水多多多| 一区二区三区免费毛片| 国产有黄有色有爽视频| 大香蕉97超碰在线| 91久久精品电影网| 久久人人爽人人片av| 国产黄频视频在线观看| 免费看日本二区| 又大又黄又爽视频免费| 97在线人人人人妻| 大码成人一级视频| 可以在线观看毛片的网站| 日韩强制内射视频| 亚洲在久久综合| 国产高清有码在线观看视频| 亚洲av二区三区四区| 免费观看的影片在线观看| 交换朋友夫妻互换小说| 久久人人爽人人片av| 中文欧美无线码| 中文字幕免费在线视频6| 久久久久久伊人网av| 亚洲人成网站高清观看| 亚洲内射少妇av| 免费看不卡的av| 日本爱情动作片www.在线观看| 亚洲在久久综合| av卡一久久| 国产精品久久久久久久电影| 麻豆成人午夜福利视频| 男人舔奶头视频| 极品教师在线视频| 精品一区二区免费观看| 欧美一级a爱片免费观看看| 激情五月婷婷亚洲| 99re6热这里在线精品视频| 少妇猛男粗大的猛烈进出视频 | 美女内射精品一级片tv| 欧美三级亚洲精品| 人妻少妇偷人精品九色| 午夜免费男女啪啪视频观看| 亚洲怡红院男人天堂| 国产在线一区二区三区精| 欧美精品国产亚洲| 赤兔流量卡办理| 校园人妻丝袜中文字幕| 免费av不卡在线播放| 男插女下体视频免费在线播放| 寂寞人妻少妇视频99o| 日韩一区二区三区影片| 国产一区二区在线观看日韩| 在线观看人妻少妇| 亚洲欧洲日产国产| 尾随美女入室| 亚洲精品影视一区二区三区av| 成人亚洲欧美一区二区av| 亚洲精品日本国产第一区| 免费看a级黄色片| 中文字幕免费在线视频6| 国产欧美另类精品又又久久亚洲欧美| 联通29元200g的流量卡| 亚洲av一区综合| av天堂中文字幕网| 国产精品久久久久久精品电影小说 | 欧美高清成人免费视频www| 嫩草影院新地址| 国产精品久久久久久久电影| 久久久久国产精品人妻一区二区| 国产精品成人在线| 国产乱人偷精品视频| 久久人人爽人人爽人人片va| 国产成人一区二区在线| 18禁裸乳无遮挡免费网站照片| 三级国产精品欧美在线观看| 麻豆精品久久久久久蜜桃| 亚洲美女视频黄频| 日韩电影二区| 久久久久久久精品精品| 夜夜看夜夜爽夜夜摸| 少妇熟女欧美另类| 日韩精品有码人妻一区| 国产探花在线观看一区二区| 精品少妇久久久久久888优播| 白带黄色成豆腐渣| 男人和女人高潮做爰伦理| 国产午夜精品久久久久久一区二区三区| 中文字幕免费在线视频6| 欧美精品国产亚洲| 日韩国内少妇激情av| 免费观看的影片在线观看| 亚洲精品久久久久久婷婷小说| 嘟嘟电影网在线观看| 日韩三级伦理在线观看| 麻豆成人av视频|