• <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
    亚洲精品日韩在线中文字幕| 国产精品精品国产色婷婷| 国产精品女同一区二区软件| 欧美色视频一区免费| 欧美xxxx性猛交bbbb| av线在线观看网站| 精品酒店卫生间| 身体一侧抽搐| 亚洲国产欧美在线一区| 欧美成人a在线观看| 国产精品蜜桃在线观看| 高清在线视频一区二区三区 | www日本黄色视频网| 综合色av麻豆| 韩国高清视频一区二区三区| 中文资源天堂在线| 亚洲国产精品sss在线观看| 成人特级av手机在线观看| 春色校园在线视频观看| 精品久久久噜噜| 人体艺术视频欧美日本| 亚洲精品乱久久久久久| av在线播放精品| 国产69精品久久久久777片| 午夜视频国产福利| 亚洲精品乱码久久久久久按摩| 五月玫瑰六月丁香| 久久久久网色| 小蜜桃在线观看免费完整版高清| 只有这里有精品99| 久久精品久久精品一区二区三区| 亚洲人成网站在线播| 久久精品国产亚洲av涩爱| 2021天堂中文幕一二区在线观| 国产亚洲最大av| 国产精品美女特级片免费视频播放器| 国产精品不卡视频一区二区| 成人三级黄色视频| 丝袜美腿在线中文| 内地一区二区视频在线| 你懂的网址亚洲精品在线观看 | 美女被艹到高潮喷水动态| 寂寞人妻少妇视频99o| av又黄又爽大尺度在线免费看 | 色综合色国产| 久久精品国产自在天天线| 嫩草影院新地址| 男人狂女人下面高潮的视频| .国产精品久久| 午夜a级毛片| 卡戴珊不雅视频在线播放| 18禁动态无遮挡网站| 亚洲最大成人中文| 国产伦精品一区二区三区视频9| 免费搜索国产男女视频| 国产又黄又爽又无遮挡在线| 午夜福利高清视频| 97在线视频观看| 少妇人妻精品综合一区二区| 日韩欧美在线乱码| 亚洲精品成人久久久久久| 少妇裸体淫交视频免费看高清| 成年免费大片在线观看| 国产精品一区二区在线观看99 | 久久精品综合一区二区三区| 三级毛片av免费| 久久久久久久久中文| 波多野结衣高清无吗| 国产男人的电影天堂91| 亚洲aⅴ乱码一区二区在线播放| 国产单亲对白刺激| 成人欧美大片| 成人毛片a级毛片在线播放| 长腿黑丝高跟| 青春草国产在线视频| 亚洲国产日韩欧美精品在线观看| 国产一区二区在线观看日韩| 亚洲综合精品二区| 看黄色毛片网站| 蜜臀久久99精品久久宅男| 欧美一区二区亚洲| 国产乱人偷精品视频| 九九在线视频观看精品| 国产成年人精品一区二区| 亚洲四区av| 国产在视频线在精品| 日本免费在线观看一区| 色综合站精品国产| 韩国高清视频一区二区三区| av福利片在线观看| 一边亲一边摸免费视频| 春色校园在线视频观看| 亚洲av电影不卡..在线观看| 国产 一区 欧美 日韩| 亚洲三级黄色毛片| 国内精品一区二区在线观看| 国产高潮美女av| 精品国产三级普通话版| 麻豆国产97在线/欧美| 日日摸夜夜添夜夜爱| 亚洲人与动物交配视频| 免费av不卡在线播放| 日韩av在线大香蕉| 国产中年淑女户外野战色| 天堂影院成人在线观看| 国产伦理片在线播放av一区| 国产精品1区2区在线观看.| 免费观看在线日韩| 成人特级av手机在线观看| 久久精品久久久久久久性| 精品少妇黑人巨大在线播放 | 真实男女啪啪啪动态图| 男的添女的下面高潮视频| 久久久精品欧美日韩精品| 建设人人有责人人尽责人人享有的 | 亚洲中文字幕日韩| 青春草亚洲视频在线观看| 久久草成人影院| 国产精品一区二区在线观看99 | av在线天堂中文字幕| 婷婷色av中文字幕| 免费av不卡在线播放| 亚洲18禁久久av| 最近的中文字幕免费完整| 欧美人与善性xxx| 亚洲欧美成人综合另类久久久 | 只有这里有精品99| 能在线免费看毛片的网站| 欧美97在线视频| 婷婷色麻豆天堂久久 | 国产一级毛片七仙女欲春2| 床上黄色一级片| 少妇熟女欧美另类| 国产精品1区2区在线观看.| 国产一区亚洲一区在线观看| 色视频www国产| 岛国毛片在线播放| 九色成人免费人妻av| 国产美女午夜福利| 亚洲成色77777| 精品午夜福利在线看| 少妇人妻精品综合一区二区| av天堂中文字幕网| 一级二级三级毛片免费看| 秋霞在线观看毛片| 99久久人妻综合| 97热精品久久久久久| 最近的中文字幕免费完整| 别揉我奶头 嗯啊视频| 麻豆成人av视频| 亚洲欧美精品自产自拍| 国产精品av视频在线免费观看| av在线天堂中文字幕| 亚洲人成网站在线播| 天天一区二区日本电影三级| 蜜臀久久99精品久久宅男| 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 | 午夜福利在线观看免费完整高清在| 黄片wwwwww| 国产成人精品婷婷| 国语对白做爰xxxⅹ性视频网站| 嘟嘟电影网在线观看| 一级爰片在线观看| 夫妻性生交免费视频一级片| 精品人妻视频免费看| 久久久久久大精品| 99在线视频只有这里精品首页| 国产乱人偷精品视频| 免费av不卡在线播放| 床上黄色一级片| 国产精品伦人一区二区| 午夜福利网站1000一区二区三区| 91久久精品国产一区二区成人| 国产成人a区在线观看| 亚洲av中文av极速乱| 两个人视频免费观看高清| 老女人水多毛片| 波多野结衣高清无吗| 99久久无色码亚洲精品果冻| 欧美变态另类bdsm刘玥| 免费电影在线观看免费观看| 蜜桃亚洲精品一区二区三区| 22中文网久久字幕| 一个人观看的视频www高清免费观看| 一级爰片在线观看| 日韩精品有码人妻一区| 99热全是精品| 欧美日韩一区二区视频在线观看视频在线 | 亚洲欧美成人精品一区二区| 亚洲av男天堂| 国产精品久久久久久久久免| 精品人妻偷拍中文字幕| 男插女下体视频免费在线播放| 亚洲精华国产精华液的使用体验| 国产精品国产三级国产av玫瑰| 午夜激情福利司机影院| 国产午夜福利久久久久久| 成人特级av手机在线观看| 久久久久久久国产电影| 久久精品人妻少妇| 亚洲精品影视一区二区三区av| 免费人成在线观看视频色| 3wmmmm亚洲av在线观看| 久久久久性生活片| 免费观看在线日韩| 丝袜美腿在线中文| 啦啦啦韩国在线观看视频| 亚洲第一区二区三区不卡| 久久精品夜夜夜夜夜久久蜜豆| 成人漫画全彩无遮挡| 国产69精品久久久久777片| 国产 一区 欧美 日韩| 国产高清不卡午夜福利| 免费观看a级毛片全部| 久久精品久久久久久噜噜老黄 | 久久精品国产亚洲网站| 欧美高清性xxxxhd video| kizo精华| 亚洲国产精品合色在线| 永久免费av网站大全| 亚洲国产精品专区欧美| 国产精品一及| 99久久无色码亚洲精品果冻| 99久国产av精品| 成人毛片60女人毛片免费| 一级毛片久久久久久久久女| 欧美97在线视频| 国产不卡一卡二| 亚洲国产色片| 日本免费在线观看一区| 日本爱情动作片www.在线观看| av在线老鸭窝| 一区二区三区高清视频在线| 又粗又硬又长又爽又黄的视频| 九色成人免费人妻av| 毛片女人毛片| 成人鲁丝片一二三区免费| 亚洲美女搞黄在线观看| 国产精品麻豆人妻色哟哟久久 | 精品人妻熟女av久视频| 一级爰片在线观看| 夜夜看夜夜爽夜夜摸| 亚洲伊人久久精品综合 | 亚洲欧美中文字幕日韩二区| 乱码一卡2卡4卡精品| 国产高清不卡午夜福利| 久久国产乱子免费精品| 在线观看美女被高潮喷水网站| 国产亚洲一区二区精品| 午夜免费男女啪啪视频观看| 日韩一本色道免费dvd| 变态另类丝袜制服| 欧美成人一区二区免费高清观看| 久久草成人影院| 一级爰片在线观看| 最近中文字幕2019免费版| 久久久久精品久久久久真实原创| 卡戴珊不雅视频在线播放| 久久精品国产鲁丝片午夜精品| 亚洲性久久影院| 国产成人精品久久久久久| 国产黄a三级三级三级人| 免费黄色在线免费观看| 国产女主播在线喷水免费视频网站 | 两个人视频免费观看高清| 麻豆一二三区av精品| www.色视频.com| 成人鲁丝片一二三区免费| 午夜福利网站1000一区二区三区| 免费观看的影片在线观看| 少妇熟女aⅴ在线视频| 久久久久久大精品| 免费一级毛片在线播放高清视频| 欧美精品国产亚洲| 国产精品麻豆人妻色哟哟久久 | 午夜老司机福利剧场| 女人被狂操c到高潮| 国产欧美日韩精品一区二区| 在线观看av片永久免费下载| 激情 狠狠 欧美| 国产精品一二三区在线看| 亚洲欧美成人精品一区二区| 亚洲精品日韩在线中文字幕| 超碰av人人做人人爽久久| 成人av在线播放网站| 中文字幕av在线有码专区| 91午夜精品亚洲一区二区三区| 亚洲18禁久久av| 国产黄色视频一区二区在线观看 | 久久精品夜夜夜夜夜久久蜜豆| 成人漫画全彩无遮挡| 国产视频内射| 少妇熟女aⅴ在线视频| 搡女人真爽免费视频火全软件| 久久6这里有精品| 亚洲久久久久久中文字幕| 精品不卡国产一区二区三区| 亚洲熟妇中文字幕五十中出| 成人av在线播放网站| 色5月婷婷丁香| 亚洲国产精品国产精品| 精品少妇黑人巨大在线播放 | 狠狠狠狠99中文字幕| 一卡2卡三卡四卡精品乱码亚洲| 色网站视频免费| 免费电影在线观看免费观看| 午夜福利视频1000在线观看| 亚洲av中文字字幕乱码综合| av又黄又爽大尺度在线免费看 | 亚洲精品成人久久久久久| 国产精品国产三级国产专区5o | 午夜福利成人在线免费观看| 国产 一区精品| 国产乱来视频区| 久久热精品热| 免费黄色在线免费观看| 婷婷色麻豆天堂久久 | 97超碰精品成人国产| 尤物成人国产欧美一区二区三区| 黄色日韩在线| 热99在线观看视频| 简卡轻食公司| 亚洲精华国产精华液的使用体验| 亚洲精品日韩av片在线观看| 淫秽高清视频在线观看| 非洲黑人性xxxx精品又粗又长| 成人欧美大片| 亚洲精品aⅴ在线观看| 精品午夜福利在线看| 亚洲国产色片| 99热这里只有是精品50| 插逼视频在线观看| АⅤ资源中文在线天堂| 国产老妇伦熟女老妇高清| 亚洲国产日韩欧美精品在线观看| 天天躁夜夜躁狠狠久久av| av在线天堂中文字幕| 久久久国产成人精品二区| .国产精品久久| 激情 狠狠 欧美| 中文字幕制服av| 亚洲精品自拍成人| 人妻系列 视频| 亚洲精品日韩在线中文字幕| 三级国产精品片| 久久久亚洲精品成人影院| 亚洲欧美中文字幕日韩二区| 精品人妻偷拍中文字幕| 99热6这里只有精品| 在线观看av片永久免费下载| 在线免费观看不下载黄p国产| 国产精品综合久久久久久久免费| 日韩 亚洲 欧美在线| 寂寞人妻少妇视频99o| 18禁裸乳无遮挡免费网站照片| av福利片在线观看| 亚洲精品国产av成人精品| 精品国产一区二区三区久久久樱花 | 丰满少妇做爰视频| 日本免费在线观看一区| 国产精品熟女久久久久浪| 人体艺术视频欧美日本| 国产精品久久久久久av不卡| h日本视频在线播放| 搡老妇女老女人老熟妇| 国产精品.久久久| 国产免费视频播放在线视频 | 婷婷六月久久综合丁香| 亚洲天堂国产精品一区在线| 黑人高潮一二区| 国产高清三级在线| 国产av不卡久久| 亚洲在线观看片| 亚洲自偷自拍三级| 国产精品野战在线观看| 成年女人永久免费观看视频| 91精品一卡2卡3卡4卡| 国产精品精品国产色婷婷| 91狼人影院| 观看美女的网站| 亚洲在久久综合| 日日干狠狠操夜夜爽| 岛国毛片在线播放| 欧美xxxx黑人xx丫x性爽| 一个人看的www免费观看视频| 嫩草影院入口| 久久精品91蜜桃| 在现免费观看毛片| 国产三级中文精品| a级毛色黄片| 欧美日韩在线观看h| 亚洲一区高清亚洲精品| 少妇丰满av| 免费黄网站久久成人精品| 久久这里只有精品中国| 国产精品麻豆人妻色哟哟久久 | 人妻少妇偷人精品九色| 国产三级中文精品| 久久精品国产99精品国产亚洲性色| 欧美日韩在线观看h| 亚洲欧美精品综合久久99| 看非洲黑人一级黄片| 中文字幕免费在线视频6| 色噜噜av男人的天堂激情| 久久久久久久国产电影| 免费电影在线观看免费观看| 成人一区二区视频在线观看| 狂野欧美激情性xxxx在线观看| 日日摸夜夜添夜夜添av毛片| 欧美zozozo另类| 人人妻人人澡人人爽人人夜夜 | 少妇熟女欧美另类| av国产免费在线观看| 亚洲av电影不卡..在线观看| av免费在线看不卡| 中文字幕久久专区| 青春草亚洲视频在线观看| 亚洲在久久综合| 91久久精品国产一区二区成人| 波野结衣二区三区在线| 国产精品熟女久久久久浪| 国产爱豆传媒在线观看| 干丝袜人妻中文字幕| 黄片wwwwww| 亚洲国产精品国产精品| 天堂√8在线中文| 国产伦精品一区二区三区四那| 最近视频中文字幕2019在线8| 欧美+日韩+精品| 欧美激情在线99| 三级男女做爰猛烈吃奶摸视频| 日本一二三区视频观看| 又粗又爽又猛毛片免费看| 国产亚洲一区二区精品| 亚洲美女视频黄频| 日韩视频在线欧美| 欧美性感艳星| 国产精品一区二区在线观看99 | 国产亚洲一区二区精品| 亚洲欧美成人综合另类久久久 | 听说在线观看完整版免费高清| 免费看光身美女| 免费搜索国产男女视频| 日本-黄色视频高清免费观看| 亚洲欧美日韩高清专用| 自拍偷自拍亚洲精品老妇| 中文字幕制服av| 国产私拍福利视频在线观看| a级一级毛片免费在线观看| 久久综合国产亚洲精品| 欧美最新免费一区二区三区| 欧美色视频一区免费| av国产久精品久网站免费入址| 一级黄色大片毛片| 成人性生交大片免费视频hd| 国产一区二区三区av在线| 免费黄网站久久成人精品| 26uuu在线亚洲综合色| 午夜激情福利司机影院| 国产乱来视频区| 国产毛片a区久久久久| 国产视频首页在线观看| 天堂影院成人在线观看| 久久99热这里只有精品18| 一卡2卡三卡四卡精品乱码亚洲| 日本五十路高清| 国产真实乱freesex| 国产女主播在线喷水免费视频网站 | 国产伦精品一区二区三区视频9| 午夜激情福利司机影院| 日本黄大片高清| 最后的刺客免费高清国语| 欧美激情久久久久久爽电影| 亚洲国产精品成人综合色| 伦理电影大哥的女人| 亚洲欧美日韩卡通动漫| 伊人久久精品亚洲午夜| 欧美一区二区亚洲| 国产亚洲精品av在线| 噜噜噜噜噜久久久久久91| 99热这里只有精品一区| 人人妻人人澡欧美一区二区| 久久99热6这里只有精品| 一区二区三区高清视频在线| 亚洲高清免费不卡视频| 99久久九九国产精品国产免费| 男女国产视频网站| 久久这里有精品视频免费| 又粗又硬又长又爽又黄的视频| 观看免费一级毛片| 国产私拍福利视频在线观看| 国产乱人偷精品视频| 精品久久久久久电影网 | 少妇丰满av| 中文字幕免费在线视频6| 3wmmmm亚洲av在线观看| 久热久热在线精品观看| 亚洲成人中文字幕在线播放| 成人二区视频| 美女大奶头视频| 91精品国产九色| 亚洲精品成人久久久久久| 99久国产av精品| www日本黄色视频网| 中文字幕制服av| 男女下面进入的视频免费午夜| 亚洲欧美精品综合久久99| 久久精品国产自在天天线| 嘟嘟电影网在线观看| 久久精品久久久久久噜噜老黄 | 精品免费久久久久久久清纯| 亚洲电影在线观看av| 韩国高清视频一区二区三区| 亚洲国产精品专区欧美| 亚洲天堂国产精品一区在线| av免费在线看不卡| АⅤ资源中文在线天堂| 国产精品久久电影中文字幕| 91aial.com中文字幕在线观看| 国产中年淑女户外野战色| 国产乱人视频| 最近2019中文字幕mv第一页| 日本黄大片高清| 毛片女人毛片| 国产极品精品免费视频能看的| 亚洲最大成人手机在线| 夜夜看夜夜爽夜夜摸| 午夜爱爱视频在线播放| 神马国产精品三级电影在线观看| 欧美xxxx黑人xx丫x性爽| 日本-黄色视频高清免费观看| 国产人妻一区二区三区在| av在线观看视频网站免费| 免费看日本二区| 少妇丰满av| 亚洲av电影不卡..在线观看| 亚洲精品日韩av片在线观看| 国产精品一二三区在线看| 中文字幕av成人在线电影| 免费观看的影片在线观看| 白带黄色成豆腐渣| 日韩成人av中文字幕在线观看| 成人高潮视频无遮挡免费网站| 午夜福利在线观看吧| 免费观看在线日韩| 国产精品嫩草影院av在线观看| 午夜日本视频在线| 免费看av在线观看网站| 免费观看a级毛片全部| 国产精品美女特级片免费视频播放器| 欧美最新免费一区二区三区| 久久久色成人| 亚洲中文字幕日韩| 一级二级三级毛片免费看| 国产色婷婷99| 爱豆传媒免费全集在线观看| 国产精品永久免费网站| 精华霜和精华液先用哪个| 国产精品国产三级国产专区5o | 嫩草影院精品99| 伦精品一区二区三区| 天天躁日日操中文字幕| 亚洲中文字幕日韩| 欧美色视频一区免费| 亚洲第一区二区三区不卡| 久久6这里有精品| 亚洲精华国产精华液的使用体验| 国产精品,欧美在线| 国产单亲对白刺激| 男的添女的下面高潮视频| 亚洲五月天丁香| 国产午夜精品论理片| 久久人人爽人人爽人人片va| 欧美高清性xxxxhd video| 日日啪夜夜撸| 大香蕉97超碰在线| 成年版毛片免费区| 成人漫画全彩无遮挡| 中文字幕久久专区| 菩萨蛮人人尽说江南好唐韦庄 | 乱码一卡2卡4卡精品| 亚洲国产精品sss在线观看| 亚洲欧美中文字幕日韩二区| 精品国产一区二区三区久久久樱花 | 欧美色视频一区免费| 国产精品一区二区在线观看99 | 黄色日韩在线| 在线观看美女被高潮喷水网站| 秋霞伦理黄片| 免费不卡的大黄色大毛片视频在线观看 | 精品人妻视频免费看| 国产麻豆成人av免费视频| 精品熟女少妇av免费看| 毛片一级片免费看久久久久| 国产伦理片在线播放av一区| 日日摸夜夜添夜夜爱| 亚洲无线观看免费| 亚洲内射少妇av| 国产成人a区在线观看| 亚洲伊人久久精品综合 | 日韩视频在线欧美| 国产私拍福利视频在线观看| 国产91av在线免费观看| 亚洲欧美日韩无卡精品| 三级毛片av免费| 国产精品综合久久久久久久免费| 久久久久九九精品影院| 白带黄色成豆腐渣| 久久精品久久精品一区二区三区| 日日摸夜夜添夜夜添av毛片| 欧美一区二区国产精品久久精品| 天堂网av新在线| 亚洲精品乱久久久久久| 精品人妻一区二区三区麻豆| 搡女人真爽免费视频火全软件|