• <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 ?

    一種基于混合策略的推薦系統(tǒng)托攻擊檢測方法*

    2013-09-05 06:35:56呂成戍王維國
    關(guān)鍵詞:訓(xùn)練樣本代價(jià)向量

    呂成戍,王維國

    (1.東北財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院,遼寧 大連116025;2.東北財(cái)經(jīng)大學(xué)數(shù)學(xué)與數(shù)量經(jīng)濟(jì)學(xué)院,遼寧 大連116025)

    1 引言

    最近的研究表明,由于推薦系統(tǒng)的開放性以及用戶的參與性協(xié)同過濾算法很容易遭到人為攻擊[1]。攻擊者通過向推薦系統(tǒng)注入虛假用戶概貌,使其推薦結(jié)果符合自己的商業(yè)利益。這種攻擊被稱為“托攻擊(Shilling Attacks)”或“用戶概貌注入攻擊”[2,3]。托攻擊檢測技術(shù)近年來引起了學(xué)術(shù)界的廣泛關(guān)注,并已成為當(dāng)前推薦系統(tǒng)領(lǐng)域的研究熱點(diǎn)之一。

    支 持 向 量 機(jī) SVM (Support Vector Machines)[4]的成功促使其被應(yīng)用到推薦系統(tǒng)托攻擊檢測中[5],使用支持向量機(jī)方法進(jìn)行托攻擊檢測的效果雖然優(yōu)于決策樹、神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)機(jī)器學(xué)習(xí)方法,但是在托攻擊檢測中面臨數(shù)據(jù)不均衡和代價(jià)敏感兩個(gè)難題,直接應(yīng)用支持向量機(jī)方法效果仍然不夠理想。一方面由于攻擊強(qiáng)度不宜過大,否則易于被檢測[6],因此訓(xùn)練集中攻擊用戶樣本的數(shù)量往往遠(yuǎn)小于正常用戶樣本的數(shù)量,即樣本集呈現(xiàn)不均衡分布特性,這會直接影響支持向量機(jī)的泛化能力;另一方面,由于推薦系統(tǒng)中用戶基數(shù)很大,推薦過程中錯(cuò)誤地屏蔽一些正常用戶并不會對推薦結(jié)果產(chǎn)生顯著影響,但誤判一些攻擊用戶就有可能會改變推薦結(jié)果[7],因此攻擊用戶和正常用戶的誤分類代價(jià)是不同的,以分類正確率作為方法的評價(jià)依據(jù)不適合處理代價(jià)敏感問題。目前,SVM在模式分類研究中已經(jīng)部分解決這兩方面問題。其中,有基于數(shù)據(jù)重采樣的方法[8,9],對數(shù)據(jù)進(jìn)行預(yù)處理,降低不均衡程度;也有基于代價(jià)敏感學(xué)習(xí)的方法[10,11],通過在支持向量機(jī)方法中集成不同誤分類代價(jià),使之適應(yīng)代價(jià)敏感分類問題。但是,大多數(shù)研究仍集中于單純的數(shù)據(jù)集重采樣或者代價(jià)敏感學(xué)習(xí),而忽略了實(shí)際模式分類問題,如推薦系統(tǒng)托攻擊檢測,需要同時(shí)考慮不同類別樣本在數(shù)量上的差異和誤分類代價(jià)不同這一事實(shí)。

    本文將數(shù)據(jù)重采樣和代價(jià)敏感學(xué)習(xí)兩種不同類型的解決方案有機(jī)地融合在一起,提出了一種新的推薦系統(tǒng)托攻擊檢測方法。該方法首先用所提出的基于樣本重要性的欠采樣技術(shù)進(jìn)行樣本空間重構(gòu),平衡正常用戶和攻擊用戶的比例,減弱不均衡數(shù)據(jù)集對支持向量機(jī)分類性能的影響。然后,對待識別的攻擊用戶賦以較大的代價(jià),正常用戶則賦以較小的代價(jià),利用代價(jià)敏感學(xué)習(xí)算法CS-SVM(Cost Sensitive SVM)進(jìn)行分類,從而解決樣本誤分類代價(jià)不同的問題。將實(shí)現(xiàn)的軟件應(yīng)用于推薦系統(tǒng)托攻擊檢測,實(shí)驗(yàn)結(jié)果表明了其有效性。

    2 理論基礎(chǔ)

    2.1 單邊采樣技術(shù)

    Kubat和 Matwin[12]提 出 的 單 邊 采樣技術(shù)OSS(One-Sided Selection)是一種具有代表性的欠采樣方法,其工作原理如下:設(shè)xi表示一個(gè)多數(shù)類樣本,xj表示一個(gè)少數(shù)類樣本,d(xi,xj)表示xi和xj之間的距離,判斷是否存在樣本點(diǎn)z,使d(xi,z)<d(xi,xj)或d(xj,z)<d(xi,xj)成立,如果不存在z,則 (xi,xj)是邊界點(diǎn)或者噪聲點(diǎn),將多類樣本xi從樣本集中刪除。

    2.2 代價(jià)敏感支持向量機(jī)

    集成不同誤分類代價(jià)的代價(jià)敏感支持向量機(jī)本質(zhì)上是傳統(tǒng)支持向量機(jī)的代價(jià)敏感形式的擴(kuò)展。對兩類問題,結(jié)合不同誤分類代價(jià),有訓(xùn)練樣本集:

    最小化目標(biāo)函數(shù):

    其相應(yīng)的對偶形式:

    相應(yīng)的決策函數(shù)為:

    3 混合托攻擊檢測方法

    3.1 均衡訓(xùn)練樣本集

    重采樣是解決樣本失衡的一個(gè)有效方法。重采樣實(shí)現(xiàn)的途徑有兩種:增加少數(shù)類樣本數(shù)的過采樣技術(shù)和減少多數(shù)類樣本數(shù)的欠采樣技術(shù)。由于過采樣技術(shù)會造成訓(xùn)練集規(guī)模的增大,加大計(jì)算復(fù)雜度,因此在某些需要進(jìn)行快速分類和決策的場合,例如推薦系統(tǒng)托攻擊檢測,更適合使用減少多類樣本的欠采樣技術(shù)。單邊采樣技術(shù)被證明可以有效緩解數(shù)據(jù)集的不均衡程度,但是該方法簡單地將邊界點(diǎn)完全刪除,會造成分類信息的嚴(yán)重丟失,對分類器的性能造成不良影響。

    本文針對單邊采樣技術(shù)中存在的邊界樣本處理過于簡單的問題,提出了一種基于樣本重要性的欠采樣技術(shù)SIUT(Sample Importance based Undersampling Technique)。SIUT首先使用單邊采樣方法定位多數(shù)類邊界點(diǎn)和噪聲點(diǎn)。然后,利用K近鄰法分離噪聲點(diǎn)和邊界點(diǎn)。對于噪聲點(diǎn)直接排除于樣本集之外,對于剩下的樣本,也就是邊界樣本,使用式(6)計(jì)算每一個(gè)樣本的重要性。

    其中,TPR(True Positive Rate)是攻擊用戶的檢測率,檢測率=正確檢測的攻擊用戶數(shù)量/總的攻擊用戶數(shù)量;FPR(False Positive Rate)是正常用戶的誤檢率,誤檢率=被錯(cuò)誤判斷為攻擊用戶的正常用戶數(shù)量/總的正常用戶數(shù)量。在推薦系統(tǒng)托攻擊檢測的實(shí)際應(yīng)用中,我們希望在檢測率處于最高的前提下,盡可能地降低誤檢率。因此,I(xi)值的大小可以表明此樣本對分類支持的重要性。相應(yīng)地,I(xi)值越大表明此樣本的重要性越大;反之,I(xi)值越小表明此樣本的重要性也越小。迭代刪除I(xi)值最小的多數(shù)類樣本,就可以消除對分類決策面“不重要”的多數(shù)類樣本,控制兩類數(shù)據(jù)使用比例的同時(shí)又能保留絕大多數(shù)對分類超平面有用的“重要”樣本。利用SIUT算法實(shí)現(xiàn)訓(xùn)練樣本均衡的具體過程如算法1所示。

    算法1 SIUT算法

    輸入:原始不均衡訓(xùn)練樣本集T;

    輸出:均衡訓(xùn)練樣本集T′。

    (1)將數(shù)據(jù)集T分解為兩個(gè)子集:多數(shù)類樣本集N = {n1,n2,…,nnnum}和 少數(shù)類樣本 集 F ={f1,f2,…,ffnum},其中nnum、fnum 為多數(shù)類和少數(shù)類樣本的個(gè)數(shù)。

    (2)對每一個(gè)少數(shù)類F中的樣本fi(i=1,2,…,nnum)計(jì)算它在整個(gè)樣本集T中的最近鄰樣本zi,如果zi屬于多數(shù)類,則計(jì)算zi的K 近鄰。

    (3)如果zi所有的K 個(gè)最近鄰樣本都屬于少數(shù)類,則這個(gè)多數(shù)類樣本被認(rèn)為是噪聲,直接刪除;否則判斷其為邊界樣本。設(shè)邊界樣本集Bordline={f′1,f′2,…,f′bnum},其中,0≤bnum ≤fnum 。

    (4)刪除Bordline中的第一個(gè)樣本f′1,形成新的邊界樣本集合Bordline′。用SVM對Bordline′和F構(gòu)成的訓(xùn)練集進(jìn)行訓(xùn)練,計(jì)算I(f′1)。

    (5)對Bordline中的每一個(gè)樣本重復(fù)步驟(4),得到I(f′1),I(f′2),…,I(f′bnum)。

    (6)刪除Bordline中對應(yīng)I(f′i)值最小的樣本f′i。

    (7)循環(huán)(4)~(6),直到多數(shù)類邊界樣本和少數(shù)類樣本數(shù)目相對均衡為止。

    (8)將修剪后的多數(shù)類邊界樣本集和少數(shù)類樣本集移入T′。

    3.2 托攻擊檢測

    本文設(shè)計(jì)了基于混合策略的托攻擊檢測方法,其流程如圖1所示。該方法對數(shù)據(jù)樣本的處理可分為兩個(gè)階段,首先利用本文提出的SIUT算法對原有的訓(xùn)練樣本集進(jìn)行均衡化處理,然后利用代價(jià)敏感支持向量機(jī)集成不同的誤分類代價(jià)對均衡后的訓(xùn)練集進(jìn)行分類。

    Figure 1 Detecting shilling attacks method using hybrid strategies圖1 基于混合策略的托攻擊檢測方法流程圖

    對于重構(gòu)后的樣本集,利用代價(jià)敏感支持向量機(jī)進(jìn)行托攻擊檢測的具體過程如算法2所示。

    算法2 托攻擊檢測算法

    輸入:重構(gòu)后的訓(xùn)練樣本和測試樣本;輸出:托攻擊檢測結(jié)果。

    (1)初始化重構(gòu)樣本集和模型參數(shù)。

    (2)使用代價(jià)敏感支持向量機(jī)訓(xùn)練重構(gòu)后的樣本集,執(zhí)行交叉驗(yàn)證操作,保存中間計(jì)算結(jié)果。

    (3)判斷結(jié)果是否達(dá)到最佳的檢測性能,如果是,進(jìn)入下一步;否則,返回到第(2)步。

    (4)獲得訓(xùn)練集上的最佳參數(shù)模型。

    (5)計(jì)算式(5)中的決策閾值b,得到代價(jià)敏感支持向量機(jī)的決策函數(shù)。

    3.3 混合策略分析

    下面分析本文方法對推薦系統(tǒng)托攻擊檢測性能的影響。在最優(yōu)化求解式(2)過程中得到的αi可能會有三種情況:

    (1)αi=0,這時(shí)對應(yīng)的xi被正確分類。

    (2)0<αi<coiC,這時(shí)對應(yīng)的xi稱為普通支持向量,代表了大部分樣本的分類特性。

    (3)αi=coiC,這時(shí)對應(yīng)的xi稱為邊界支持向量,代表所有誤分的樣本點(diǎn)。邊界支持向量的比例在一定程度上反映了支持向量機(jī)分類的正確率。

    設(shè)NBSV+和NBSV-分別代表攻擊用戶和正常用戶中邊界支持向量的個(gè)數(shù),NSV+和NSV-分別代表攻擊用戶和正常用戶中支持向量的個(gè)數(shù),N+和N-分別代表攻擊用戶和正常用戶的數(shù)量,co+和co-分別代表攻擊用戶和正常用戶的誤分類代價(jià)。

    由式(3)有:

    由式(4)可知,對于攻擊用戶αi的最大值是co+C,因此有:

    將式(8)和式(9)結(jié)合,得到:

    類似地,可以得到正常用戶的不等式:

    用co+CN+和co-CN-分別除以式(10)和式(11),并且設(shè)=F,得:

    由式(12)和式(13)可知,邊界支持向量比例的上界和支持向量比例的下界由N+、N-、co+和co-這幾個(gè)參數(shù)決定。當(dāng)攻擊用戶和正常用戶的誤分類代價(jià)相等時(shí),即co+=co-,由于攻擊用戶的數(shù)量小于正常用戶的數(shù)量,即N+<N-,這時(shí)攻擊用戶中邊界支持向量比例的上界將大于正常用戶邊界支持向量比例的上界。這意味著攻擊用戶被誤分的比例比正常用戶被誤分的比例大。在本文方法中,進(jìn)行樣本集重構(gòu)能夠減少N-,平衡兩類樣本的比例,同時(shí)代價(jià)敏感支持向量機(jī)對攻擊用戶設(shè)定較大的誤分代價(jià)co+,綜合起來將攻擊用戶被誤分的比例上界F/co+CN+降低,從而提高攻擊用戶的檢測精度。

    4 實(shí)驗(yàn)與分析

    4.1 實(shí)驗(yàn)準(zhǔn)備

    (1)數(shù)據(jù)集。

    實(shí)驗(yàn)數(shù)據(jù)來自明尼蘇達(dá)大學(xué)GroupLens研究小 組 通 過 MovieLens 網(wǎng) 站 (http://movielens.umn.edu)收集的 MovieLens100K 數(shù)據(jù)集[13],該數(shù)據(jù)集包含了943位用戶對1 682部電影的100 000條1~5的評分?jǐn)?shù)據(jù),每位用戶至少對20部電影進(jìn)行了評分。數(shù)據(jù)集被轉(zhuǎn)換成一個(gè)用戶-項(xiàng)目評分矩陣R,并假設(shè)MovieLens數(shù)據(jù)集中不存在攻擊用戶評價(jià)行為。整個(gè)實(shí)驗(yàn)分為訓(xùn)練和測試兩個(gè)階段,按照80%~20%的比例拆分?jǐn)?shù)據(jù)集構(gòu)造訓(xùn)練-測試數(shù)據(jù)。

    (2)特征提取。

    特征提取是托攻擊檢測的基礎(chǔ),托攻擊檢測常用的特征信息包括[14]:用戶的預(yù)測變化值、用戶評價(jià)值背離程度、與其他用戶相適度、鄰居用戶相似程度和背離平均度等指標(biāo)。本文根據(jù)以上反映用戶評分信息異常度的統(tǒng)計(jì)屬性,對用戶-項(xiàng)目評分矩陣R中每個(gè)用戶的評分?jǐn)?shù)據(jù)進(jìn)行統(tǒng)計(jì)整理,得到5個(gè)檢測屬性,加上用戶編號(userID)和分類屬性(class)構(gòu)成一條關(guān)于某個(gè)用戶評分?jǐn)?shù)據(jù)的檢測數(shù)據(jù)。

    4.2 實(shí)驗(yàn)結(jié)果分析

    實(shí)驗(yàn)采取3×3×5的設(shè)計(jì)模式,攻擊類型(隨機(jī)攻擊、均值攻擊、流行攻擊),攻擊強(qiáng)度(3%、5%、10%),填充率(3%、5%、10%、15%、20%)。每組實(shí)驗(yàn)配置下,分別獨(dú)立地向數(shù)據(jù)集注入10次攻擊,最終實(shí)驗(yàn)數(shù)據(jù)是10次攻擊檢測的均值。使用SVM方法、CS-SVM方法、OSS和SVM相結(jié)合的方法、SIUT和SVM相結(jié)合的方法這四種方法和本文提出的方法做比較,選取G-MEAN值作為評價(jià)指標(biāo)。實(shí)驗(yàn)中SVM方法采用高斯核函數(shù),寬度為1,CS-SVM方法的誤分類代價(jià)co+=3,co-=100,SIUT方法的K近鄰取值為6。實(shí)驗(yàn)結(jié)果如圖2~圖4所示。

    從圖2~圖4可以發(fā)現(xiàn),無論是面對隨機(jī)攻擊、均值攻擊還是流行攻擊,本文方法的G-MEAN值都是所比較的五種方法中最優(yōu)的,并且隨著攻擊強(qiáng)度的增加,其G-MEAN值逐漸提高,幾乎可以檢測出全部攻擊用戶,提高了對攻擊用戶的檢測能力,進(jìn)而能夠很好地幫助推薦系統(tǒng)得到準(zhǔn)確的用戶評分?jǐn)?shù)據(jù),以確保系統(tǒng)的安全。具體分析如下:CS-SVM方法的G-MEAN值和SVM 方法的GMEAN值相比提高不明顯,這是由于攻擊用戶和正常用戶的誤分類代價(jià)通常只能根據(jù)樣本數(shù)目的比例進(jìn)行選取,這種單純靠調(diào)整懲罰因子的方法不能有效地提高SVM方法在類別不均衡和代價(jià)敏感情況下的分類性能。另外,從實(shí)驗(yàn)中可以看出,OSS和SVM相結(jié)合的方法大幅提高了SVM方法的分類性能,說明通過OSS方法進(jìn)行預(yù)處理,能有效提高SVM方法的分類能力。但是,從實(shí)驗(yàn)結(jié)果可以看出,本文提出的SIUT方法對改善SVM方法處理不均衡數(shù)據(jù)分類問題的效果更加明顯,這是由于SIUT在消除大量噪聲信息的同時(shí),又能保留絕大多數(shù)對分類學(xué)習(xí)有用的樣本點(diǎn),保證了信息損失最小,從而增大了后續(xù)分類方法對攻擊用戶的決策空間,因此分類性能較OSS方法更優(yōu)。最后,值得一提的是,SIUT +CS-SVM 方法的G-MEAN值和SIUT+SVM方法的G-MEAN值相比有較大幅度的提高,說明通過對SVM方法進(jìn)行代價(jià)敏感的改善能進(jìn)一步提高算法的性能。

    Figure 2 G-MEAN for detecting random attack,average attack,and bandwagon attack under attack size=3%圖2 攻擊規(guī)模為3%時(shí)檢測隨機(jī)攻擊、均值攻擊和流行攻擊的G-MEAN值

    5 結(jié)束語

    Figure 3 G-MEAN for detecting random attack,average attack,and bandwagon attack under attack size=5%圖3 攻擊規(guī)模為5%時(shí)檢測隨機(jī)攻擊、均值攻擊和流行攻擊的G-MEAN值

    本文結(jié)合數(shù)據(jù)重采樣和代價(jià)敏感學(xué)習(xí)兩類解決方案的優(yōu)點(diǎn)提出了一個(gè)新的托攻擊檢測方法。利用所提出的基于樣本重要性的欠采樣技術(shù)——SIUT對數(shù)據(jù)集進(jìn)行重采樣,在消除噪聲樣本減少數(shù)據(jù)不均衡程度的同時(shí)又保證信息損失最小。結(jié)合代價(jià)敏感支持向量機(jī)算法對重構(gòu)后的訓(xùn)練樣本進(jìn)行檢測。實(shí)驗(yàn)結(jié)果表明,本文方法在不同的攻擊強(qiáng)度下對不同的攻擊模型均獲得了良好的檢測效果,檢測性能較傳統(tǒng)SVM算法有顯著提高。同時(shí),不均衡數(shù)據(jù)和不同誤分類代價(jià)的分類問題在現(xiàn)實(shí)世界中廣泛存在,因此本文提出的方法還可以推廣到其他應(yīng)用領(lǐng)域。

    Figure 4 G-MEAN for detecting random attack,average attack,and bandwagon attack under attack size=10%圖4 攻擊規(guī)模為10%時(shí)檢測隨機(jī)攻擊、均值攻擊和流行攻擊的G-MEAN值

    [1] Mehta B,Hofmann T.A survey of attack-resistant collabora-tive filtering algorithms[J].Data Engineering Bulletin,2008,31(2):14-22.

    [2] Lam S K,Riedl J.Shilling recommender systems for fun and profit[C]∥Proc of the 13th International Conference on World Wide Web,2004:393-402.

    [3] O’Mahony M,Hurley N J,Kushmerick N,et al.Collaborative recommendation:A robustness analysis[J].ACM Transactions on Internet Technology,2004,4(4):344-377.

    [4] Vapnik V N.Statistical learning theory[M].USA:Wiley,1998.

    [5] Williams C A,Mobasher B,Burke R.Defending recommender systems:Detection of profile injection attacks[J].Service Oriented Computing and Applications,2007,1(3):157-170.

    [6] Li Cong,Luo Zhi-gang,Shi Jin-long.An unsupervised algorithm for detecting shilling attacks on recommender systems[J].ACTA Automatica SINICA,2011,37(2):160-167.(in Chinese)

    [7] Bhaumik R,Williams C,Mobasher B,et al.Securing collaborative filtering against malicious attacks through anomaly detection[C]∥Proc of the 4th Workshop on Intelligent Techniques for Web Personalization(ITWP’06),2006:1.

    [8] Weiss G M.Mining with rarity:A unifying framework[J].ACM SIGKDD Explorations Newsletter,2004,6(1):7-19.

    [9] Liao T W.Classification of weld flaws with imbalanced class data[J].Expert Systems with Applications,2008,35(3):1041-1052.

    [10] Zheng En-h(huán)ui,Li Ping,Song Zhi-h(huán)uan.Cost sensitive support vector machines[J].Control and Decision,2006,21(4):473-476.(in Chinese)

    [11] Hong X,Chen S,Harris C J.A kernel-based two-class classifier for imbalanced data sets[J].IEEE Transactions on Neural Networks,2007,18(1):28-41.

    [12] Kubat M,Matwin S.Addressing the curse of imbalanced training sets:One-sided selection[C]∥Proc of the 14th International Conference on Machine Learning,1997:217-225.

    [13] http://www.grouplens.org/node/73.

    [14] O’Mahony M,Hurley N,Kushmerick N,et al.Collaborative recommendation:A robustness analysis[J].ACM Transactions on Internet Technology,2004,4(4):344-377.

    附中文參考文獻(xiàn):

    [6] 李聰,駱志剛,石金龍.一種探測推薦系統(tǒng)托攻擊的無監(jiān)督算法[J].自動化學(xué)報(bào),2011,37(2):160-167.

    [10] 鄭恩輝,李平,宋執(zhí)環(huán).代價(jià)敏感支持向量機(jī)[J].控制與決策,2006,21(4):473-476.

    猜你喜歡
    訓(xùn)練樣本代價(jià)向量
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    人工智能
    愛的代價(jià)
    海峽姐妹(2017年12期)2018-01-31 02:12:22
    代價(jià)
    寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識別算法
    基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
    向量垂直在解析幾何中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    99国产精品一区二区三区| 51国产日韩欧美| 女人被狂操c到高潮| 人妻丰满熟妇av一区二区三区| 人妻制服诱惑在线中文字幕| 99国产极品粉嫩在线观看| 亚洲国产欧洲综合997久久,| 嫁个100分男人电影在线观看| 一卡2卡三卡四卡精品乱码亚洲| 9191精品国产免费久久| ponron亚洲| 美女高潮喷水抽搐中文字幕| 午夜福利视频1000在线观看| 高潮久久久久久久久久久不卡| 国产毛片a区久久久久| 欧美日本亚洲视频在线播放| 超碰av人人做人人爽久久| 久99久视频精品免费| 十八禁国产超污无遮挡网站| 国产午夜福利久久久久久| 久久精品国产亚洲av香蕉五月| 99国产综合亚洲精品| 久99久视频精品免费| 亚洲三级黄色毛片| 成人毛片a级毛片在线播放| 99热只有精品国产| 美女cb高潮喷水在线观看| 色尼玛亚洲综合影院| 大香蕉久久网| 久久精品久久久久久噜噜老黄| 亚洲av一区综合| 在线免费观看不下载黄p国产| 亚洲三级黄色毛片| 在线亚洲精品国产二区图片欧美 | 日韩欧美精品v在线| 色哟哟·www| 亚洲av免费高清在线观看| 又爽又黄a免费视频| 久久久久久久久久久免费av| 国产成人91sexporn| 少妇猛男粗大的猛烈进出视频 | 久久99精品国语久久久| 国产一区二区亚洲精品在线观看| 在线免费观看不下载黄p国产| 精品久久久久久久人妻蜜臀av| 日本黄大片高清| 97超视频在线观看视频| 下体分泌物呈黄色| 国产成人a区在线观看| 精品国产露脸久久av麻豆| 九九久久精品国产亚洲av麻豆| 久久97久久精品| 男人狂女人下面高潮的视频| 白带黄色成豆腐渣| 亚洲av.av天堂| 午夜免费鲁丝| 内地一区二区视频在线| 免费观看在线日韩| 午夜激情久久久久久久| 免费黄色在线免费观看| 91精品一卡2卡3卡4卡| 男人舔奶头视频| 欧美另类一区| 国产视频内射| 伦精品一区二区三区| 国产精品福利在线免费观看| 欧美性猛交╳xxx乱大交人| 久久精品国产亚洲网站| 麻豆成人av视频| 免费看a级黄色片| 噜噜噜噜噜久久久久久91| 欧美xxxx性猛交bbbb| 午夜视频国产福利| 国产一区二区三区av在线| 97热精品久久久久久| 欧美丝袜亚洲另类| 亚洲,欧美,日韩| 日本免费在线观看一区| 亚洲成人精品中文字幕电影| 精品国产乱码久久久久久小说| 亚州av有码| 偷拍熟女少妇极品色| 精品久久久精品久久久| 国产精品99久久99久久久不卡 | 秋霞在线观看毛片| 午夜精品国产一区二区电影 | 久久热精品热| 国内揄拍国产精品人妻在线| 麻豆国产97在线/欧美| 在现免费观看毛片| 日韩欧美一区视频在线观看 | 三级国产精品欧美在线观看| 我要看日韩黄色一级片| 亚洲精品国产av蜜桃| 亚洲成色77777| 精品一区二区免费观看| 国产黄色视频一区二区在线观看| 久久精品国产亚洲av涩爱| 亚洲天堂av无毛| 91在线精品国自产拍蜜月| 欧美极品一区二区三区四区| 国产av码专区亚洲av| 丰满人妻一区二区三区视频av| 99久久精品国产国产毛片| 国产淫语在线视频| 免费看a级黄色片| 91在线精品国自产拍蜜月| 国产久久久一区二区三区| 全区人妻精品视频| 精品久久国产蜜桃| 麻豆乱淫一区二区| 成人亚洲欧美一区二区av| 亚洲国产欧美在线一区| 国产亚洲一区二区精品| av福利片在线观看| 综合色av麻豆| 免费黄网站久久成人精品| 亚洲成人av在线免费| xxx大片免费视频| 国产精品久久久久久精品电影小说 | 在线观看免费高清a一片| av黄色大香蕉| 亚洲欧美精品自产自拍| 深爱激情五月婷婷| 乱码一卡2卡4卡精品| 亚洲精品aⅴ在线观看| 久久久精品94久久精品| 国产爽快片一区二区三区| 国产高清不卡午夜福利| 亚洲内射少妇av| 久久人人爽人人片av| 欧美+日韩+精品| 少妇丰满av| 成人无遮挡网站| 国产一区有黄有色的免费视频| 寂寞人妻少妇视频99o| 国国产精品蜜臀av免费| 中文字幕亚洲精品专区| 永久免费av网站大全| a级毛片免费高清观看在线播放| 国产乱来视频区| 亚洲欧美日韩东京热| 免费电影在线观看免费观看| 国产视频内射| 在线天堂最新版资源| 爱豆传媒免费全集在线观看| 日韩免费高清中文字幕av| av黄色大香蕉| 两个人的视频大全免费| 国产欧美另类精品又又久久亚洲欧美| 热re99久久精品国产66热6| 大香蕉久久网| 男女国产视频网站| 超碰97精品在线观看| 亚洲av二区三区四区| 亚州av有码| 麻豆乱淫一区二区| 亚洲第一区二区三区不卡| 亚洲欧洲日产国产| 在线亚洲精品国产二区图片欧美 | 在线免费观看不下载黄p国产| 国产一区二区三区综合在线观看 | 亚洲最大成人手机在线| av在线亚洲专区| 亚洲怡红院男人天堂| 久久久久精品性色| 久久女婷五月综合色啪小说 | 国产综合懂色| 婷婷色麻豆天堂久久| 69人妻影院| 日本一本二区三区精品| 日韩av在线免费看完整版不卡| 欧美日韩视频高清一区二区三区二| 久久精品国产亚洲av天美| 1000部很黄的大片| 亚洲国产精品成人综合色| 久久久a久久爽久久v久久| 天天躁夜夜躁狠狠久久av| 亚洲av一区综合| videos熟女内射| 天天躁夜夜躁狠狠久久av| 亚洲欧美日韩卡通动漫| 人妻 亚洲 视频| 免费观看a级毛片全部| 国产在视频线精品| 欧美人与善性xxx| 亚洲伊人久久精品综合| 人妻系列 视频| 三级经典国产精品| 久久久精品欧美日韩精品| 亚洲成人一二三区av| 白带黄色成豆腐渣| 中国国产av一级| 高清在线视频一区二区三区| 免费看a级黄色片| 丰满少妇做爰视频| 午夜免费男女啪啪视频观看| 日韩三级伦理在线观看| 国产精品久久久久久精品古装| 国产高清不卡午夜福利| 校园人妻丝袜中文字幕| 国产在线男女| 亚洲伊人久久精品综合| 婷婷色av中文字幕| 亚洲在久久综合| 亚洲激情五月婷婷啪啪| 国产成人免费观看mmmm| 嫩草影院新地址| 99热6这里只有精品| 男人添女人高潮全过程视频| 少妇高潮的动态图| 日韩欧美精品v在线| 搡老乐熟女国产| 午夜爱爱视频在线播放| 久久久久久久亚洲中文字幕| 大陆偷拍与自拍| 久久99热这里只有精品18| 校园人妻丝袜中文字幕| 热re99久久精品国产66热6| 国产精品不卡视频一区二区| 日韩av不卡免费在线播放| 色哟哟·www| 成年av动漫网址| 91久久精品电影网| 亚洲欧美日韩卡通动漫| 亚洲性久久影院| 最近最新中文字幕免费大全7| 少妇熟女欧美另类| 国产女主播在线喷水免费视频网站| 亚洲精品久久午夜乱码| 亚洲av中文字字幕乱码综合| 精品久久久久久电影网| 99热全是精品| 日本-黄色视频高清免费观看| 亚洲精品久久午夜乱码| 在线播放无遮挡| 高清日韩中文字幕在线| 内地一区二区视频在线| 成人黄色视频免费在线看| 国内精品宾馆在线| 国产老妇女一区| 成人漫画全彩无遮挡| 在线观看一区二区三区激情| 一区二区av电影网| 色视频www国产| 日本-黄色视频高清免费观看| av国产精品久久久久影院| 久热这里只有精品99| 亚洲av成人精品一二三区| 国产黄色视频一区二区在线观看| 在线看a的网站| 国精品久久久久久国模美| 国产在线男女| 精品久久久久久久久av| 久久久a久久爽久久v久久| 精华霜和精华液先用哪个| 午夜爱爱视频在线播放| 亚洲欧美精品自产自拍| 亚洲精品影视一区二区三区av| 另类亚洲欧美激情| 少妇的逼好多水| 九九爱精品视频在线观看| 只有这里有精品99| 日韩 亚洲 欧美在线| 国产高清不卡午夜福利| 国产精品久久久久久av不卡| 岛国毛片在线播放| 日韩成人av中文字幕在线观看| 美女被艹到高潮喷水动态| 亚洲av成人精品一二三区| 国产亚洲一区二区精品| 亚洲精品久久久久久婷婷小说| 亚洲最大成人手机在线| 夜夜看夜夜爽夜夜摸| 国产黄片视频在线免费观看| 日韩成人伦理影院| 欧美另类一区| 国产伦精品一区二区三区四那| 99热网站在线观看| 99热这里只有精品一区| 日本色播在线视频| 三级国产精品片| 日本黄大片高清| videossex国产| 亚洲,欧美,日韩| 欧美少妇被猛烈插入视频| 国产大屁股一区二区在线视频| 日韩中字成人| 成人二区视频| 少妇人妻一区二区三区视频| 久久精品国产亚洲网站| 久久久午夜欧美精品| 亚洲四区av| 大陆偷拍与自拍| 69av精品久久久久久| 亚洲欧美成人精品一区二区| 777米奇影视久久| 又爽又黄a免费视频| 亚洲成人中文字幕在线播放| 亚洲精品中文字幕在线视频 | 亚洲精华国产精华液的使用体验| 久久久久久国产a免费观看| 国产色爽女视频免费观看| 草草在线视频免费看| 香蕉精品网在线| 一区二区三区精品91| 麻豆成人午夜福利视频| 日本黄大片高清| 精品久久久精品久久久| 九九在线视频观看精品| 王馨瑶露胸无遮挡在线观看| 免费av不卡在线播放| 校园人妻丝袜中文字幕| 国产一区二区三区综合在线观看 | 嘟嘟电影网在线观看| 蜜臀久久99精品久久宅男| 国产老妇伦熟女老妇高清| 欧美日韩综合久久久久久| 一区二区三区四区激情视频| 一个人看视频在线观看www免费| 久久ye,这里只有精品| av专区在线播放| 夫妻性生交免费视频一级片| 91久久精品国产一区二区三区| 久久精品熟女亚洲av麻豆精品| 高清日韩中文字幕在线| 国产色爽女视频免费观看| 免费av毛片视频| 午夜精品国产一区二区电影 | 少妇 在线观看| 在线看a的网站| 国产亚洲精品久久久com| 精品国产露脸久久av麻豆| 久久97久久精品| 国产伦在线观看视频一区| 丰满乱子伦码专区| 国产淫语在线视频| 亚洲国产欧美人成| 欧美潮喷喷水| 国产男女内射视频| 成人一区二区视频在线观看| 亚洲内射少妇av| 日韩电影二区| 丰满乱子伦码专区| 久久亚洲国产成人精品v| 亚洲精品国产成人久久av| 久热这里只有精品99| 九色成人免费人妻av| 精品一区二区三卡| 国国产精品蜜臀av免费| 欧美高清成人免费视频www| 久久久久久久午夜电影| 91精品一卡2卡3卡4卡| 久久ye,这里只有精品| 午夜免费男女啪啪视频观看| 一级二级三级毛片免费看| 国产精品不卡视频一区二区| 少妇裸体淫交视频免费看高清| 亚洲欧美成人精品一区二区| 色视频在线一区二区三区| 欧美日本视频| 亚洲av一区综合| 伦精品一区二区三区| 18禁在线播放成人免费| 国产一区二区三区综合在线观看 | 丝瓜视频免费看黄片| 哪个播放器可以免费观看大片| 亚洲成人一二三区av| 深夜a级毛片| 蜜桃亚洲精品一区二区三区| 一区二区三区精品91| 国产亚洲av嫩草精品影院| 人人妻人人爽人人添夜夜欢视频 | 久久国内精品自在自线图片| 成人欧美大片| 亚洲欧洲国产日韩| 精品人妻熟女av久视频| 久久久久久久久久成人| 成人国产av品久久久| 国产成人免费观看mmmm| 日韩一区二区三区影片| 色网站视频免费| 日本猛色少妇xxxxx猛交久久| 欧美高清性xxxxhd video| 国产女主播在线喷水免费视频网站| 亚洲国产最新在线播放| 成人高潮视频无遮挡免费网站| 国产精品人妻久久久影院| 久久精品国产亚洲网站| 免费观看在线日韩| 久久精品久久精品一区二区三区| 成人欧美大片| 亚洲精品乱久久久久久| 久久久久久久大尺度免费视频| 两个人的视频大全免费| 午夜福利视频精品| 看黄色毛片网站| 亚洲国产精品专区欧美| 成人鲁丝片一二三区免费| 纵有疾风起免费观看全集完整版| 国产av国产精品国产| kizo精华| 国产精品人妻久久久影院| 99久久人妻综合| 欧美日韩在线观看h| 午夜爱爱视频在线播放| 最近中文字幕2019免费版| 欧美少妇被猛烈插入视频| 成人美女网站在线观看视频| 国产精品秋霞免费鲁丝片| 如何舔出高潮| 国产真实伦视频高清在线观看| 黄色视频在线播放观看不卡| 永久网站在线| 一二三四中文在线观看免费高清| 在线播放无遮挡| 中文精品一卡2卡3卡4更新| 国产在线一区二区三区精| 在线观看一区二区三区| 国产综合懂色| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产女主播在线喷水免费视频网站| 国产精品99久久99久久久不卡 | 国产大屁股一区二区在线视频| 国产成年人精品一区二区| 国产色爽女视频免费观看| 2018国产大陆天天弄谢| 80岁老熟妇乱子伦牲交| 国产精品女同一区二区软件| 网址你懂的国产日韩在线| 亚洲综合精品二区| 成人毛片60女人毛片免费| 国产老妇伦熟女老妇高清| 日韩av在线免费看完整版不卡| 色视频www国产| 国产一区二区在线观看日韩| 97在线人人人人妻| 亚洲av福利一区| 人人妻人人看人人澡| 日韩成人av中文字幕在线观看| 白带黄色成豆腐渣| 亚洲最大成人手机在线| 2022亚洲国产成人精品| 精品99又大又爽又粗少妇毛片| 国产成人免费观看mmmm| 人妻 亚洲 视频| 欧美日韩视频高清一区二区三区二| 99久久九九国产精品国产免费| 一本久久精品| 亚洲精品乱码久久久久久按摩| 超碰97精品在线观看| 看非洲黑人一级黄片| 直男gayav资源| 亚洲精品乱久久久久久| 欧美高清成人免费视频www| 校园人妻丝袜中文字幕| 国产av码专区亚洲av| 丝袜脚勾引网站| 汤姆久久久久久久影院中文字幕| 成年av动漫网址| 日韩三级伦理在线观看| 精品久久久噜噜| www.色视频.com| 欧美成人午夜免费资源| 少妇的逼好多水| 日韩视频在线欧美| 中文精品一卡2卡3卡4更新| 国产探花在线观看一区二区| 中文字幕人妻熟人妻熟丝袜美| 亚洲综合色惰| 成人一区二区视频在线观看| 日韩成人av中文字幕在线观看| 国产成人freesex在线| 六月丁香七月| 中文天堂在线官网| 国产精品久久久久久久久免| 免费不卡的大黄色大毛片视频在线观看| 久久ye,这里只有精品| 搞女人的毛片| 亚洲欧美清纯卡通| 午夜福利在线在线| 亚洲久久久久久中文字幕| 五月玫瑰六月丁香| 亚洲性久久影院| 国产免费一区二区三区四区乱码| 国内少妇人妻偷人精品xxx网站| 男人狂女人下面高潮的视频| 国产精品国产三级国产av玫瑰| 成人欧美大片| 亚洲欧美日韩卡通动漫| 在线看a的网站| 久久精品久久久久久久性| 精品国产三级普通话版| 国产免费又黄又爽又色| 一级二级三级毛片免费看| 亚洲最大成人中文| 亚洲最大成人手机在线| 亚洲自拍偷在线| 亚洲天堂国产精品一区在线| 成人特级av手机在线观看| 少妇高潮的动态图| 亚洲国产色片| 亚洲熟女精品中文字幕| 涩涩av久久男人的天堂| a级毛片免费高清观看在线播放| 九草在线视频观看| 男人爽女人下面视频在线观看| 自拍偷自拍亚洲精品老妇| 九九爱精品视频在线观看| 国产黄a三级三级三级人| 伦精品一区二区三区| 一区二区三区乱码不卡18| 午夜日本视频在线| 国产在线一区二区三区精| 欧美另类一区| 人人妻人人澡人人爽人人夜夜| 熟女人妻精品中文字幕| eeuss影院久久| 欧美97在线视频| 日本爱情动作片www.在线观看| 欧美三级亚洲精品| 成人二区视频| 欧美精品国产亚洲| 特级一级黄色大片| 色婷婷久久久亚洲欧美| 亚洲精品成人久久久久久| 欧美一级a爱片免费观看看| 午夜亚洲福利在线播放| 大话2 男鬼变身卡| 欧美成人精品欧美一级黄| 亚洲精品乱久久久久久| 亚洲在久久综合| 热99国产精品久久久久久7| 日本与韩国留学比较| 尤物成人国产欧美一区二区三区| 亚洲欧洲日产国产| 亚洲av二区三区四区| 狂野欧美白嫩少妇大欣赏| 九九久久精品国产亚洲av麻豆| 少妇的逼水好多| 18禁在线无遮挡免费观看视频| av网站免费在线观看视频| 国产91av在线免费观看| 有码 亚洲区| 免费大片黄手机在线观看| 亚洲欧美中文字幕日韩二区| 国产精品福利在线免费观看| 如何舔出高潮| 九九久久精品国产亚洲av麻豆| 极品少妇高潮喷水抽搐| 国产精品国产三级国产av玫瑰| 亚洲国产精品国产精品| 免费av毛片视频| 欧美潮喷喷水| 嫩草影院入口| 日产精品乱码卡一卡2卡三| 乱码一卡2卡4卡精品| 久久综合国产亚洲精品| 身体一侧抽搐| 中文字幕免费在线视频6| 久久精品综合一区二区三区| 成人亚洲欧美一区二区av| 99热这里只有是精品在线观看| 日日撸夜夜添| 特级一级黄色大片| 国产淫片久久久久久久久| 男女下面进入的视频免费午夜| 80岁老熟妇乱子伦牲交| 欧美成人一区二区免费高清观看| 自拍偷自拍亚洲精品老妇| 99热这里只有是精品50| 亚洲,一卡二卡三卡| 国产女主播在线喷水免费视频网站| 中文字幕免费在线视频6| av一本久久久久| av天堂中文字幕网| 美女高潮的动态| 爱豆传媒免费全集在线观看| 看免费成人av毛片| 国产人妻一区二区三区在| 九九久久精品国产亚洲av麻豆| 日日摸夜夜添夜夜添av毛片| 男插女下体视频免费在线播放| 久久国产乱子免费精品| 成人综合一区亚洲| 国产精品久久久久久av不卡| 欧美亚洲 丝袜 人妻 在线| 亚洲av成人精品一区久久| 欧美激情在线99| 亚洲av中文av极速乱| av在线老鸭窝| 欧美zozozo另类| 三级国产精品欧美在线观看| 亚洲精品乱码久久久v下载方式| 久久影院123| 天堂中文最新版在线下载 | 婷婷色麻豆天堂久久| 亚洲人成网站高清观看| 亚洲国产精品成人综合色| 免费高清在线观看视频在线观看| 国产日韩欧美在线精品| 一个人观看的视频www高清免费观看| 亚洲精品久久久久久婷婷小说| 国产一区有黄有色的免费视频| 69av精品久久久久久| 蜜臀久久99精品久久宅男| 欧美97在线视频| 欧美xxxx黑人xx丫x性爽| 国产 一区精品| a级一级毛片免费在线观看| 最近手机中文字幕大全| 精品国产乱码久久久久久小说| 亚洲精华国产精华液的使用体验| 一本一本综合久久| 国产精品秋霞免费鲁丝片|