• <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 ?

    基于過(guò)抽樣技術(shù)的P2P流量識(shí)別方法*

    2014-03-12 05:17:20錢亞冠
    電信科學(xué) 2014年4期
    關(guān)鍵詞:樣本數(shù)數(shù)據(jù)流識(shí)別率

    錢亞冠,張 旻

    (1.浙江科技學(xué)院理學(xué)院 杭州 310023;2.杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院 杭州 310018)

    1 引言

    近年來(lái),P2P技術(shù)已被廣泛應(yīng)用于文件共享、視頻內(nèi)容分發(fā)、即時(shí)通信等網(wǎng)絡(luò)應(yīng)用領(lǐng)域。自2004年以來(lái),P2P流量在整個(gè)互聯(lián)網(wǎng)流量中逐漸占據(jù)主導(dǎo)地位(60%以上)[1,2]。P2P流量的快速增長(zhǎng)給網(wǎng)絡(luò)帶寬帶來(lái)了巨大壓力,其近乎對(duì)稱的流量模式更加劇了網(wǎng)絡(luò)的擁塞。同時(shí),基于P2P技術(shù)的惡意流量也開(kāi)始肆虐互聯(lián)網(wǎng),造成帶寬的過(guò)度消耗,甚至導(dǎo)致拒絕服務(wù)[3]。因此,如何快速正確地識(shí)別P2P流量已經(jīng)成為當(dāng)前網(wǎng)絡(luò)管理者面臨的巨大挑戰(zhàn)。

    互聯(lián)網(wǎng)流量的識(shí)別技術(shù)經(jīng)歷了最初的基于TCP端口、深度分組檢測(cè)(deep packet inspection,DPI)到目前興起的機(jī)器學(xué)習(xí)方法和基于網(wǎng)絡(luò)行為的識(shí)別等技術(shù)[4]。有的P2P應(yīng)用為了躲避檢測(cè),開(kāi)始采用動(dòng)態(tài)端口、數(shù)據(jù)分組加密等技術(shù)手段,使得基于TCP端口與DPI的方法效率越來(lái)越低。而基于統(tǒng)計(jì)學(xué)的機(jī)器學(xué)習(xí)方法卻可以克服上述不足,因而它逐漸顯示出在P2P流量分類中的優(yōu)勢(shì)[5]。

    傳統(tǒng)的機(jī)器學(xué)習(xí)方法通常假設(shè)目標(biāo)類是均勻分布的,而實(shí)際的互聯(lián)網(wǎng)流量中的各種應(yīng)用的分布是不均勻的。尤其是P2P這樣的大象流(elephant traffic),它們按字節(jié)數(shù)統(tǒng)計(jì)在流量上占很大比例,對(duì)網(wǎng)絡(luò)性能的影響很大,但從數(shù)據(jù)流(flow)角度統(tǒng)計(jì)卻占很少比例[6]。目前基于機(jī)器學(xué)習(xí)的流量分類方法通?;跀?shù)據(jù)流的統(tǒng)計(jì)信息,因此占數(shù)據(jù)流比例很小的P2P流量往往難以識(shí)別,分類器傾向于將P2P數(shù)據(jù)流識(shí)別為如WWW這樣的多數(shù)類。這種目標(biāo)類比例嚴(yán)重失衡而導(dǎo)致少數(shù)類識(shí)別誤差增大的問(wèn)題通常稱為類不平衡(class imbalance)問(wèn)題,是目前P2P流量難以識(shí)別的一個(gè)重要原因。

    網(wǎng)絡(luò)流量中的眾多應(yīng)用比例極不均衡,流量分類問(wèn)題面臨的是多類不平衡問(wèn)題[7]。而P2P應(yīng)用本身在數(shù)據(jù)流中所占比重很小,又受到其他應(yīng)用目標(biāo)類的干擾,本文提出將P2P識(shí)別中的多類不平衡問(wèn)題轉(zhuǎn)化為兩類不平衡問(wèn)題的思路,并通過(guò)過(guò)抽樣(over-sampling)方法增加P2P流量的比重,消除分類器在學(xué)習(xí)過(guò)程中的偏倚,提高P2P的識(shí)別率。本文提出改進(jìn)的迭代SMOTE(i-SMOTE)過(guò)抽樣方法來(lái)提高Na觙ve Bayes算法的識(shí)別率,實(shí)驗(yàn)結(jié)果證明本文提出的識(shí)別框架具有良好的識(shí)別性能。

    2 類不平衡問(wèn)題與SMOTE過(guò)抽樣方法

    目前基于機(jī)器學(xué)習(xí)的流量分類方法大多利用數(shù)據(jù)流層面的統(tǒng)計(jì)信息。因此像P2P這類應(yīng)用,盡管在字節(jié)流上占很大比重,在數(shù)據(jù)流層面卻占很小的比例,與WWW應(yīng)用相比存在嚴(yán)重的不平衡性。這種不平衡性將導(dǎo)致P2P很高的誤分類率。傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法旨在最小化全局分類誤差,并假設(shè)假正例與假負(fù)例的錯(cuò)誤代價(jià)是相等的,因此偏向于把少數(shù)類預(yù)測(cè)到多數(shù)類上,如將P2P預(yù)測(cè)為WWW。而實(shí)際網(wǎng)絡(luò)管理過(guò)程中,可能對(duì)于識(shí)別類似P2P這樣的少數(shù)類更有價(jià)值,因此需要有提高P2P識(shí)別率的有效方法。為了克服上述類不平衡問(wèn)題,機(jī)器學(xué)習(xí)界提出重抽樣技術(shù)來(lái)平衡目標(biāo)類的分布,即對(duì)多數(shù)類(majority class)進(jìn)行欠抽樣 (under-sampling),對(duì)少數(shù)類(minority class)進(jìn)行過(guò)抽樣(over-sampling)。

    傳統(tǒng)的欠抽樣與過(guò)抽樣技術(shù)都具有自身的不足:對(duì)多數(shù)類欠抽樣會(huì)導(dǎo)致一些信息的丟失,而對(duì)少數(shù)類的簡(jiǎn)單重復(fù)抽樣在早期的研究中就已發(fā)現(xiàn)對(duì)于提高分類性能并無(wú)太大的幫助[8]。因此,Chawla N V等[9]提出了新的過(guò)抽樣技術(shù)SMOTE算法,其基本思想是通過(guò)人工合成新的少數(shù)類樣本來(lái)減輕類別的不平衡,解決傳統(tǒng)過(guò)抽樣技術(shù)因決策域變小而引起的過(guò)擬合現(xiàn)象。SMOTE算法的基本原理是在相距較近的少數(shù)類樣本之間進(jìn)行線性插值,從而生成新的少數(shù)類樣本。首先根據(jù)過(guò)抽樣倍率N,從每個(gè)少數(shù)類樣本k(默認(rèn)取5)個(gè)同類最近鄰中隨機(jī)選擇N個(gè)樣本;接著將每個(gè)少數(shù)類分別與它的N個(gè)選中的樣本按式(1)合成N個(gè)新的少數(shù)類樣本,并加入到原訓(xùn)練樣本集中,形成新的訓(xùn)練樣本集。

    其中,i=1,2,…,N;rand表示0~1的一個(gè)隨機(jī)數(shù);NewSample表示合成的新樣本;x表示少數(shù)類樣本;y[i]表示x的第i個(gè)近鄰樣本。

    3 P2P流量識(shí)別方法

    整個(gè)P2P流量的分類識(shí)別方法框架如圖1所示。

    圖1 P2P流量的分類識(shí)別方法框架

    步驟1 將訓(xùn)練數(shù)據(jù)進(jìn)行兩分類標(biāo)注,即標(biāo)注所有的P2P數(shù)據(jù)流后,將其他應(yīng)用的數(shù)據(jù)流均標(biāo)注為非P2P(non-P2P)。這樣就可將多標(biāo)簽分類問(wèn)題歸約到相對(duì)簡(jiǎn)單的二分類問(wèn)題求解。

    步驟2 采用i-SMOTE算法,獲得更大的P2P數(shù)據(jù)流樣本。原始的SMOTE算法只是在原有的少數(shù)類樣本的基礎(chǔ)上進(jìn)行線性插值獲得新的樣本,但最新研究表明P2P這樣的流量少數(shù)類具有明顯的概念漂移現(xiàn)象[10],少量的原始樣本不能完全表達(dá)P2P的概念。因此,采用多次迭代SMOTE算法的方法,在前一次迭代獲得的樣本集合上再進(jìn)行插值運(yùn)算,使得SMOTE算法的輸入樣本逐漸豐富,以便獲得更完整的P2P概念表達(dá)。通過(guò)i-SMOTE算法,獲得足夠的P2P樣本數(shù),在此基礎(chǔ)上進(jìn)行步驟 3。

    步驟3 特征提取,去除冗余特征,獲得維度較低的特征空間。具體的特征提取算法可以采用基于相關(guān)性的方法[11]等。

    步驟4 訓(xùn)練分類器,建立預(yù)測(cè)P2P流量的模型。目前已有很多機(jī)器學(xué)習(xí)的分類模型被嘗試用于流量分類,如Na觙ve Bayes[14]、決策樹(shù)[13]、支持向量機(jī)[14]、神經(jīng)網(wǎng)絡(luò)[15]等。這些模型被應(yīng)用于流量分類,具有各自的優(yōu)缺點(diǎn)。如Na觙ve Bayes具有模型簡(jiǎn)單、訓(xùn)練時(shí)間短的優(yōu)點(diǎn),但缺點(diǎn)是對(duì)于少數(shù)類的識(shí)別率低;而支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)的識(shí)別率比較高,但模型復(fù)雜、訓(xùn)練與分類時(shí)間過(guò)長(zhǎng)。本文考慮到實(shí)際環(huán)境中對(duì)P2P流量識(shí)別的實(shí)時(shí)性要求,認(rèn)為選擇簡(jiǎn)單的模型更有利于快速獲得預(yù)測(cè)結(jié)果,因此選擇Na觙ve Bayes模型作為評(píng)估模型。通過(guò)實(shí)驗(yàn)比較分析得出,當(dāng)i-SMOTE方法獲得足夠的 P2P樣本數(shù)時(shí),Na觙ve Bayes模型可以對(duì) P2P獲得很高的識(shí)別率。i-SMOTE算法過(guò)程如下。

    4 實(shí)驗(yàn)評(píng)估策略

    本文提出通過(guò)i-SMOTE過(guò)抽樣的方法來(lái)提高P2P流量的識(shí)別率。利用最簡(jiǎn)單的Na觙ve Bayes模型比較分析SMOTE算法和i-SMOTE算法過(guò)抽樣效果:隨著P2P樣本數(shù)的逐漸增加,考察它們對(duì)識(shí)別率的影響。選擇最簡(jiǎn)單的Na觙ve Bayes模型的原因是:在未進(jìn)行過(guò)抽樣的情況下,它的識(shí)別率非常低。如果過(guò)抽樣技術(shù)能提高這類簡(jiǎn)單模型的識(shí)別效果,則可以證明過(guò)抽樣技術(shù)對(duì)于P2P識(shí)別的有效性。

    評(píng)估指標(biāo)采用召回率(recall)與精度(precision)這兩個(gè)指標(biāo):recall=TP/P,precision=TP/(TP+FP)。其中,P 為測(cè)試集中事先標(biāo)識(shí)為P2P的樣本數(shù),TP為分類器正確預(yù)測(cè)為P2P的樣本數(shù),TP為被分類器錯(cuò)誤地將non-P2P流量預(yù)測(cè)為P2P的樣本數(shù)。

    4.1 實(shí)驗(yàn)數(shù)據(jù)集合

    本文采用的數(shù)據(jù)集1為劍橋大學(xué)Moore等提供的公開(kāi)流量數(shù)據(jù)集[16]。該數(shù)據(jù)集通過(guò)連續(xù)采集24 h的流量數(shù)據(jù),并隨機(jī)抽取10個(gè)約28 min的數(shù)據(jù)塊,在這些數(shù)據(jù)塊上構(gòu)建出數(shù)據(jù)流,構(gòu)成10個(gè)數(shù)據(jù)子集Data1,Data2,…,Data10。筆者在10個(gè)數(shù)據(jù)子集上進(jìn)行的實(shí)驗(yàn)結(jié)果非常相似,因此只列出了Data1的實(shí)驗(yàn)結(jié)果。原始Data1中共有12種流量類型,如WWW、E-mail、FTP等,將它們均表示為non-P2P數(shù)據(jù)流,共計(jì)24524條,P2P數(shù)據(jù)流共計(jì)339條,占總數(shù)的1.36%。

    數(shù)據(jù)集2是從校園網(wǎng)中心的某臺(tái)交換機(jī)上通過(guò)端口映射方法獲得的流量數(shù)據(jù),該交換機(jī)匯聚了某幢男生宿舍訪問(wèn)外網(wǎng)的所有網(wǎng)絡(luò)流量。經(jīng)過(guò)連續(xù)1 h(晚上 21∶30-22∶30)的連續(xù)數(shù)據(jù)采集,共計(jì)獲得325538條數(shù)據(jù)流,其中P2P數(shù)據(jù)流有18632條,占總數(shù)的5.72%。為保護(hù)隱私的需要,只截取數(shù)據(jù)分組的分組頭部分,并通過(guò)Tcpdpriv工具對(duì)IP地址進(jìn)行了匿名化處理。

    4.2 Na觙ve Bayes 模型評(píng)估

    Moore等[12]早在2004年就已深入分析和應(yīng)用Na觙ve Bayes模型到互聯(lián)網(wǎng)流量分類中。通過(guò)選擇合理的流量特征和核估計(jì)方法,Na觙ve Bayes模型在全局正確率(accuracy)上達(dá)到96.29%。但他們的工作只是提高了整體的正確率,并沒(méi)有解決類不平衡的問(wèn)題,因而對(duì)于像P2P這樣的少數(shù)類的識(shí)別率提升有限。Na觙ve Bayes模型具有簡(jiǎn)單、計(jì)算效率高的特點(diǎn),與其他復(fù)雜模型相比更具有實(shí)際應(yīng)用價(jià)值,因此首選它作為評(píng)估過(guò)抽樣技術(shù)的效果。

    對(duì)數(shù)據(jù)集1、數(shù)據(jù)集2的原始P2P數(shù)據(jù)采用如下過(guò)抽樣倍率:N=100%、300%、700%、1500%、3100%,應(yīng)用 SMOTE算法過(guò)抽樣獲得新的P2P樣本集,抽樣結(jié)果分別見(jiàn)表1、表2。為了便于比較,提出的i-SMOTE算法每次迭代采用固定倍率N=100%,這樣獲得的P2P樣本數(shù)可與前述SMOTE算法保持一致。另外,通過(guò)傳統(tǒng)的隨機(jī)過(guò)抽樣方法產(chǎn)生一個(gè)同比例規(guī)模的數(shù)據(jù)集作為比較基準(zhǔn)。

    表1 過(guò)抽樣數(shù)據(jù)集1獲得的結(jié)果(樣本數(shù)/所占比例)

    表2 過(guò)抽樣數(shù)據(jù)集2獲得的結(jié)果(樣本數(shù)/所占比例)

    采用10折交叉驗(yàn)證的方法對(duì)不同P2P樣本數(shù)下 (見(jiàn)表1、表2)的識(shí)別率進(jìn)行評(píng)估。特征選擇采用FCBF算法[17]。圖2給出了隨機(jī)抽樣、SMOTE算法與i-SMOTE算法同比例擴(kuò)大P2P的樣本數(shù)的情況下召回率的對(duì)比。可以明顯發(fā)現(xiàn)P2P樣本數(shù)從開(kāi)始的339條數(shù)據(jù)流增加到2712條數(shù)據(jù)流時(shí),即P2P比例從1.36%增加到9.96%時(shí),Na觙ve Bayes模型在i-SMOTE數(shù)據(jù)集上獲得的P2P召回率明顯高于SMOTE數(shù)據(jù)集與隨機(jī)過(guò)抽樣數(shù)據(jù)集,前者為81.6%,后者分別為31.2%與21.8%。同樣,當(dāng)P2P樣本數(shù)增加至5424條,比例增加到18.11%時(shí),i-SMOTE數(shù)據(jù)集上的召回率達(dá)到98.5%,而SMOTE數(shù)據(jù)集與隨機(jī)過(guò)抽樣數(shù)據(jù)集分別只有78.5%與38.2%。最后當(dāng)P2P的數(shù)量比例達(dá)到30.67%時(shí),SMOTE數(shù)據(jù)集與i-SMOTE數(shù)據(jù)集上的召回率均在97%以上,而隨機(jī)過(guò)抽樣數(shù)據(jù)集僅為47.9%。從上述過(guò)程可以看出,i-SMOTE算法與SMOTE算法及隨機(jī)過(guò)抽樣相比,可以更快速地提高召回率。同樣,可以看到三者在精度上的區(qū)別 (如圖3所示)。隨著P2P樣本數(shù)的增加,3種過(guò)抽樣方法獲得的數(shù)據(jù)集在P2P識(shí)別精度上都得到了提升,但當(dāng)P2P樣本比例到達(dá)30.67%時(shí),i-SMOTE數(shù)據(jù)集上的精度達(dá)到了99.1%,而SMOTE數(shù)據(jù)集上的精度卻從94.7%跌至53.6%,甚至低于隨機(jī)過(guò)抽樣。圖4、圖5給出了數(shù)據(jù)集2的10折交叉驗(yàn)證的結(jié)果,與數(shù)據(jù)集1的驗(yàn)證結(jié)果相似。從圖2~圖5的比較分析中可以得出以下兩個(gè)結(jié)論。

    ·通過(guò)對(duì)P2P樣本的過(guò)抽樣,與原始數(shù)據(jù)相比不論召回率還是精度都可得到提高。

    ·SMOTE算法可以使召回率與精度兩者同時(shí)提高到90%以上,而SMOTE算法在召回率增長(zhǎng)到一定程度時(shí),精度會(huì)出現(xiàn)下降。精度的下降意味著non-P2P樣本被錯(cuò)誤地預(yù)測(cè)為P2P的比例增加,即假陽(yáng)性率增加。傳統(tǒng)的隨機(jī)過(guò)抽樣方法盡管有所提高,但提高程度有限。

    因此,綜合召回率與精度這兩個(gè)評(píng)價(jià)指標(biāo),i-SMOTE算法比SMOTE算法及隨機(jī)過(guò)抽樣技術(shù)更為有效。

    圖2 數(shù)據(jù)集1不同規(guī)模的P2P樣本數(shù)的召回率

    圖3 數(shù)據(jù)集1不同規(guī)模的P2P樣本數(shù)的精度

    圖4 數(shù)據(jù)集2不同規(guī)模的P2P樣本數(shù)的召回率

    圖5 數(shù)據(jù)集2不同規(guī)模的P2P樣本數(shù)的精度

    5 結(jié)束語(yǔ)

    本文通過(guò)過(guò)抽樣技術(shù)提高對(duì)P2P流量的識(shí)別率。提出基于迭代的SMOTE算法可以比原始的SMOTE算法及傳統(tǒng)的隨機(jī)過(guò)抽樣方法具有更好的表達(dá)P2P概念的能力。實(shí)驗(yàn)結(jié)果表明本文提出的基于過(guò)抽樣的方法可以有效地提高 Na觙ve Bayes模型對(duì)于 P2P 的識(shí)別率。Na觙ve Bayes模型由于其簡(jiǎn)單性,在流量分類中不及SVM、神經(jīng)網(wǎng)絡(luò)等復(fù)雜模型的正確率高,通常為研究人員所忽視。但正是Na觙ve Bayes模型的簡(jiǎn)單性,使得它具有很好的算法效率,容易被應(yīng)用到實(shí)際工作環(huán)境。機(jī)器學(xué)習(xí)方法的分類正確率不僅僅取決于分類模型,與數(shù)據(jù)預(yù)處理的質(zhì)量也有重要關(guān)系。本文正是通過(guò)改善數(shù)據(jù)質(zhì)量的思路,使得i-SMOTE方法與簡(jiǎn)單的Na觙ve Bayes模型相結(jié)合實(shí)現(xiàn)對(duì)P2P的高精度識(shí)別。

    1 Mochalski K,Schulze H.Ipoque internet study 2008/2009.http://www.ipoque.com/resources/internet-studies/internet-study-2008_2009,2009

    2 MacManus R.Trend watch:P2P traffic much bigger than Web traffic.http://www.readwriteweb.com/archives/p2p_growth_trend_watch.php,2006

    3 Sun X,Torres R,Rao S.Preventing DDoS attacks on internet servers exploiting P2P systems.Computer Networks,2010,54(15):2756~2774

    4 Dainotti A,Pescapè A,Claffy K C.Issues and future directions in traffic classification.Network,IEEE,2012,26(1):35~40

    5 Gong S F,Chen J.A P2P traffic detection method based on support vector machine.Applied Mechanics and Materials,2012,198:1280~1285

    6 Erman J,Mahanti A,Arlitt M.Byte me:a case for byte accuracy in traffic classification.Proceedings of the 3rd Annual ACM Workshop on Mining Network Data,San Diego,California,USA,2007:35~38

    7 Liu Q,Liu Z.A comparison of improving multi-class imbalance for internet traffic classification.Information Systems Frontiers,2012(7):1~13

    8 Ling C,Li C.Data mining for direct marketing problems and solutions.Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining(KDD-98),New York,NY,1998

    9 Chawla N V,Bowyer K W,Hall L O,et al.SMOTE:synthetic minority over-sampling technique.Journal of Artificial Intelligence Research,2002(16)

    10 Wang R Y,Zhang L,Liu Z.Classifying imbalanced internet traffic based PCDD:a per concept drift detection method.Smart Computing Review,2013(2)

    11 Hall M A.Correlation-based Feature Selection for Machine Learning.The University of Waikato,1999

    12 Moore A W,Zuev D.Internet traffic classification using bayesian analysis techniques.ACM SIGMETRICS Performance Evaluation Review,2005,33(1):50~60

    13 Xu P,Lin S.Internet traffic classification using C4.5 decision tree.Journal of Software,2009,20(10):2692~2704

    14 Yuan R,Li Z,Guan X,et al.An SVM-based machine learning method for accurate internet traffic classification.Information Systems Frontiers,2010,12(2):149~156

    15 Sun R,Yang B,Peng L,et al.Traffic classification using probabilistic neural networks. Proceedings of Natural Computation (ICNC),2010 Sixth International Conference on IEEE,Valencia,Spain,2010

    16 Moore A W.Dataset.http://www.cl.cam.ac.uk/research/srg/netos/nprobe/data/papers/sigmetrics/

    17 Yu L,Liu H.Feature selection for high-dimensional data:a fast correlation-based filter solution.Proceedings of the Twentieth International Conference on Machine Learning (ICML 2003),Piscataway,NJ,USA,2003

    猜你喜歡
    樣本數(shù)數(shù)據(jù)流識(shí)別率
    勘 誤 聲 明
    汽車維修數(shù)據(jù)流基礎(chǔ)(下)
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測(cè)
    基于真耳分析的助聽(tīng)器配戴者言語(yǔ)可懂度指數(shù)與言語(yǔ)識(shí)別率的關(guān)系
    提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
    一種提高TCP與UDP數(shù)據(jù)流公平性的擁塞控制機(jī)制
    高速公路機(jī)電日常維護(hù)中車牌識(shí)別率分析系統(tǒng)的應(yīng)用
    基于數(shù)據(jù)流聚類的多目標(biāo)跟蹤算法
    三時(shí)間間隔圓錐補(bǔ)償姿態(tài)更新算法性能分析
    北醫(yī)三院 數(shù)據(jù)流疏通就診量
    日韩欧美 国产精品| 啦啦啦观看免费观看视频高清| 婷婷亚洲欧美| www日本黄色视频网| 国产一区二区三区在线臀色熟女| 国产成人aa在线观看| 国产成人a区在线观看| av天堂中文字幕网| 国产精品久久久久久精品电影| 国产一区二区三区视频了| www日本黄色视频网| 国产精品精品国产色婷婷| 最近在线观看免费完整版| 99久久成人亚洲精品观看| 婷婷亚洲欧美| 日韩欧美一区二区三区在线观看| 18禁裸乳无遮挡免费网站照片| 91麻豆av在线| 国产乱人伦免费视频| 婷婷色综合大香蕉| 亚洲aⅴ乱码一区二区在线播放| 性欧美人与动物交配| 亚洲中文日韩欧美视频| 日本与韩国留学比较| 一个人免费在线观看的高清视频| 老司机午夜十八禁免费视频| 欧美激情国产日韩精品一区| 亚洲成人中文字幕在线播放| 毛片一级片免费看久久久久 | 色av中文字幕| 黄色日韩在线| 国产精品,欧美在线| 成年女人毛片免费观看观看9| 最近最新中文字幕大全电影3| 在线观看66精品国产| 亚洲美女视频黄频| 在线观看午夜福利视频| 亚洲三级黄色毛片| 亚洲中文字幕一区二区三区有码在线看| 色吧在线观看| 最近在线观看免费完整版| 久久久精品大字幕| 日韩中文字幕欧美一区二区| 精品久久久久久久久av| 美女 人体艺术 gogo| 日日夜夜操网爽| 成人av一区二区三区在线看| 国产黄a三级三级三级人| 国产淫片久久久久久久久 | 搡女人真爽免费视频火全软件 | 亚洲美女视频黄频| 免费观看的影片在线观看| 男女那种视频在线观看| 欧美一区二区精品小视频在线| 亚洲熟妇熟女久久| 97超级碰碰碰精品色视频在线观看| 亚洲午夜理论影院| 午夜福利18| 亚洲性夜色夜夜综合| 亚洲成a人片在线一区二区| 亚洲国产日韩欧美精品在线观看| 精华霜和精华液先用哪个| 两个人视频免费观看高清| 色av中文字幕| 精品国产亚洲在线| 九九热线精品视视频播放| 一级黄片播放器| 中文资源天堂在线| 国产高清激情床上av| 最近最新免费中文字幕在线| 怎么达到女性高潮| 最好的美女福利视频网| 欧美成人a在线观看| 黄色丝袜av网址大全| 熟女电影av网| 麻豆国产97在线/欧美| 午夜精品久久久久久毛片777| 成人欧美大片| 色在线成人网| 性插视频无遮挡在线免费观看| 丰满人妻熟妇乱又伦精品不卡| 全区人妻精品视频| 色吧在线观看| 国产中年淑女户外野战色| netflix在线观看网站| 亚洲乱码一区二区免费版| 欧美性感艳星| 两人在一起打扑克的视频| 日日摸夜夜添夜夜添av毛片 | 日本免费a在线| 99热这里只有是精品在线观看 | 男女视频在线观看网站免费| 久久久久久久亚洲中文字幕 | 欧美3d第一页| 日韩精品中文字幕看吧| 香蕉av资源在线| 男人和女人高潮做爰伦理| 美女被艹到高潮喷水动态| 国产精品影院久久| 性插视频无遮挡在线免费观看| 国产在视频线在精品| 午夜福利在线观看免费完整高清在 | 99热这里只有是精品在线观看 | 男人的好看免费观看在线视频| 精品一区二区三区av网在线观看| 国产三级在线视频| 久久久久国内视频| 成人欧美大片| 亚洲真实伦在线观看| 国产精品女同一区二区软件 | 欧美激情久久久久久爽电影| 亚洲av成人av| 99久国产av精品| 激情在线观看视频在线高清| 欧美精品国产亚洲| 99久国产av精品| 亚洲av二区三区四区| 精品乱码久久久久久99久播| 国产中年淑女户外野战色| 内射极品少妇av片p| 国产高清激情床上av| 桃红色精品国产亚洲av| 亚洲无线观看免费| 国产主播在线观看一区二区| 亚洲人成电影免费在线| 人妻制服诱惑在线中文字幕| 99久久精品热视频| 老司机午夜十八禁免费视频| 黄色一级大片看看| 九色成人免费人妻av| xxxwww97欧美| 一级黄色大片毛片| 中文字幕熟女人妻在线| 亚洲精品乱码久久久v下载方式| 夜夜看夜夜爽夜夜摸| 成年女人永久免费观看视频| 亚洲美女搞黄在线观看 | 免费观看精品视频网站| 美女大奶头视频| 午夜福利在线观看吧| 中文字幕久久专区| 午夜福利欧美成人| 毛片一级片免费看久久久久 | 午夜日韩欧美国产| 精品一区二区免费观看| 99久久精品国产亚洲精品| 国产精品国产高清国产av| 久久中文看片网| 好男人在线观看高清免费视频| 国产亚洲精品综合一区在线观看| 美女大奶头视频| 性插视频无遮挡在线免费观看| 国产在视频线在精品| 精品一区二区三区视频在线观看免费| 我要搜黄色片| 日韩欧美国产在线观看| 国产av在哪里看| 性插视频无遮挡在线免费观看| 高潮久久久久久久久久久不卡| 亚洲精品亚洲一区二区| 中亚洲国语对白在线视频| 欧美潮喷喷水| 亚洲精品成人久久久久久| 岛国在线免费视频观看| 国产成人a区在线观看| 国产精品影院久久| 青草久久国产| 欧美精品啪啪一区二区三区| 一二三四社区在线视频社区8| 亚洲成a人片在线一区二区| 国产精品国产高清国产av| 天堂动漫精品| 女人被狂操c到高潮| 国产精品98久久久久久宅男小说| 黄色视频,在线免费观看| 亚洲不卡免费看| 12—13女人毛片做爰片一| 日本免费a在线| 国产综合懂色| 国产男靠女视频免费网站| 色精品久久人妻99蜜桃| 国产成+人综合+亚洲专区| 免费av毛片视频| 热99re8久久精品国产| 白带黄色成豆腐渣| 国产精品精品国产色婷婷| 丰满人妻熟妇乱又伦精品不卡| 日韩人妻高清精品专区| 十八禁人妻一区二区| 亚洲成av人片在线播放无| 黄色女人牲交| 亚洲精品456在线播放app | 男女床上黄色一级片免费看| 国产精品久久电影中文字幕| 自拍偷自拍亚洲精品老妇| 在线观看午夜福利视频| 日本熟妇午夜| 噜噜噜噜噜久久久久久91| 亚洲不卡免费看| 在线观看av片永久免费下载| 十八禁人妻一区二区| 在线观看舔阴道视频| 亚洲激情在线av| 一级作爱视频免费观看| 天堂av国产一区二区熟女人妻| 欧美精品啪啪一区二区三区| 十八禁人妻一区二区| 青草久久国产| 91麻豆av在线| 韩国av一区二区三区四区| 国产老妇女一区| 91麻豆精品激情在线观看国产| 变态另类丝袜制服| 欧美黑人巨大hd| 国产淫片久久久久久久久 | 午夜免费男女啪啪视频观看 | 少妇裸体淫交视频免费看高清| 51国产日韩欧美| 怎么达到女性高潮| 91午夜精品亚洲一区二区三区 | 亚洲片人在线观看| 少妇的逼水好多| 国产爱豆传媒在线观看| 一a级毛片在线观看| 亚洲五月天丁香| 中文字幕人妻熟人妻熟丝袜美| 国产精品1区2区在线观看.| 丰满的人妻完整版| 日韩亚洲欧美综合| 亚洲中文日韩欧美视频| 久久精品人妻少妇| 有码 亚洲区| 精品人妻熟女av久视频| 又黄又爽又刺激的免费视频.| 久久国产精品影院| 美女黄网站色视频| 国产成人影院久久av| 精品久久久久久久人妻蜜臀av| 亚洲成人中文字幕在线播放| 俄罗斯特黄特色一大片| 国产中年淑女户外野战色| 日韩欧美国产在线观看| 精品人妻偷拍中文字幕| 欧美一区二区国产精品久久精品| bbb黄色大片| 亚洲av中文字字幕乱码综合| 国产精品98久久久久久宅男小说| 国产高清视频在线观看网站| 国产精品嫩草影院av在线观看 | 最近中文字幕高清免费大全6 | 国产伦人伦偷精品视频| 老司机午夜福利在线观看视频| 国产精品99久久久久久久久| 久久国产乱子伦精品免费另类| 亚洲精品色激情综合| 午夜福利在线观看吧| 99精品在免费线老司机午夜| 亚洲精品一区av在线观看| 听说在线观看完整版免费高清| 久久久色成人| 亚洲欧美日韩高清在线视频| 免费在线观看影片大全网站| 国产精品日韩av在线免费观看| 色视频www国产| 欧美乱色亚洲激情| 最新中文字幕久久久久| 日韩av在线大香蕉| 欧洲精品卡2卡3卡4卡5卡区| 黄色视频,在线免费观看| 欧美丝袜亚洲另类 | 免费在线观看日本一区| 国产爱豆传媒在线观看| 亚洲精品色激情综合| 别揉我奶头~嗯~啊~动态视频| 欧美日本视频| 搡女人真爽免费视频火全软件 | 小蜜桃在线观看免费完整版高清| 在线观看av片永久免费下载| or卡值多少钱| 欧美另类亚洲清纯唯美| 欧美激情久久久久久爽电影| 黄色一级大片看看| 全区人妻精品视频| 99在线人妻在线中文字幕| 99久久精品国产亚洲精品| 国产精品乱码一区二三区的特点| 男女床上黄色一级片免费看| 99精品久久久久人妻精品| 国产探花极品一区二区| 亚洲美女黄片视频| 在线观看美女被高潮喷水网站 | 成人欧美大片| 人人妻人人澡欧美一区二区| 超碰av人人做人人爽久久| 精品久久久久久久久久久久久| 一本综合久久免费| 国产不卡一卡二| 最近视频中文字幕2019在线8| 国产在线精品亚洲第一网站| 国产精品综合久久久久久久免费| 成年女人永久免费观看视频| 在线看三级毛片| 久久精品91蜜桃| 国产一区二区激情短视频| 熟女人妻精品中文字幕| 91在线观看av| 久久亚洲精品不卡| 18禁裸乳无遮挡免费网站照片| 亚洲天堂国产精品一区在线| 亚洲国产高清在线一区二区三| 国产91精品成人一区二区三区| 国产日本99.免费观看| 可以在线观看毛片的网站| 欧美bdsm另类| 亚洲人成伊人成综合网2020| av天堂中文字幕网| 男女床上黄色一级片免费看| 亚洲国产色片| 欧美日韩瑟瑟在线播放| 亚洲av免费在线观看| 免费在线观看亚洲国产| 成人高潮视频无遮挡免费网站| 国产精品一及| 在线免费观看不下载黄p国产 | 日本熟妇午夜| 宅男免费午夜| 午夜激情福利司机影院| 一个人看的www免费观看视频| 免费av毛片视频| 国产淫片久久久久久久久 | 老熟妇仑乱视频hdxx| 九九热线精品视视频播放| 老司机福利观看| 又紧又爽又黄一区二区| av欧美777| 麻豆国产av国片精品| 丁香六月欧美| 色在线成人网| 99久久无色码亚洲精品果冻| 午夜福利成人在线免费观看| 一级黄色大片毛片| 国内揄拍国产精品人妻在线| 亚洲av免费在线观看| 国产人妻一区二区三区在| 国产v大片淫在线免费观看| 好看av亚洲va欧美ⅴa在| 一进一出好大好爽视频| 亚洲人成网站在线播| 亚洲精品成人久久久久久| 久久精品国产99精品国产亚洲性色| 午夜福利在线在线| 欧美3d第一页| 五月伊人婷婷丁香| 亚洲av不卡在线观看| 搡老岳熟女国产| 久久草成人影院| 村上凉子中文字幕在线| 女人被狂操c到高潮| 国产av在哪里看| 国产日本99.免费观看| av天堂在线播放| 久久久久性生活片| 日本与韩国留学比较| 桃色一区二区三区在线观看| 亚洲精品日韩av片在线观看| 一卡2卡三卡四卡精品乱码亚洲| av国产免费在线观看| 女人被狂操c到高潮| 深夜a级毛片| 成年女人毛片免费观看观看9| 午夜影院日韩av| 成人鲁丝片一二三区免费| 无遮挡黄片免费观看| 女人被狂操c到高潮| 少妇人妻一区二区三区视频| 欧美另类亚洲清纯唯美| 亚洲综合色惰| 国产在视频线在精品| 国产精品一及| 免费在线观看日本一区| 久久久久久大精品| 久久久久久久久久成人| 色播亚洲综合网| 国产精品1区2区在线观看.| 久久午夜福利片| 日本成人三级电影网站| 久久久色成人| 日韩精品青青久久久久久| 热99re8久久精品国产| 午夜福利在线在线| 久久草成人影院| 久久精品国产自在天天线| 99热这里只有精品一区| 久久中文看片网| 天堂网av新在线| 精品久久久久久久久av| 国产亚洲精品av在线| 极品教师在线免费播放| 99国产精品一区二区三区| 搡老妇女老女人老熟妇| 国产精品98久久久久久宅男小说| 国产亚洲av嫩草精品影院| 亚洲精品在线美女| 日韩 亚洲 欧美在线| 午夜免费成人在线视频| 色综合欧美亚洲国产小说| 热99在线观看视频| 久久久久久久亚洲中文字幕 | 久久精品国产亚洲av涩爱 | 成人毛片a级毛片在线播放| 51国产日韩欧美| av在线观看视频网站免费| 女人被狂操c到高潮| 午夜福利欧美成人| 欧洲精品卡2卡3卡4卡5卡区| 日韩欧美三级三区| 国产欧美日韩精品一区二区| 深爱激情五月婷婷| 伦理电影大哥的女人| 亚洲五月天丁香| 一区二区三区激情视频| 狂野欧美白嫩少妇大欣赏| 国产野战对白在线观看| 美女高潮的动态| 精品人妻1区二区| 亚洲精品456在线播放app | 久久午夜福利片| 动漫黄色视频在线观看| 午夜激情欧美在线| 欧美在线黄色| 天堂影院成人在线观看| 麻豆国产97在线/欧美| 91在线观看av| 国产精品久久久久久人妻精品电影| 在线a可以看的网站| 久久久色成人| 亚洲精品一区av在线观看| 如何舔出高潮| 亚洲,欧美精品.| 亚洲av成人精品一区久久| 国产一区二区激情短视频| 久久久久免费精品人妻一区二区| 99久久无色码亚洲精品果冻| 999久久久精品免费观看国产| 国产美女午夜福利| 精华霜和精华液先用哪个| 国产精品永久免费网站| 国产精品一区二区三区四区久久| 中文字幕高清在线视频| 欧美激情在线99| 全区人妻精品视频| 51国产日韩欧美| 美女大奶头视频| 在线播放国产精品三级| 国产一区二区在线av高清观看| 好看av亚洲va欧美ⅴa在| 免费人成视频x8x8入口观看| 色哟哟哟哟哟哟| 日本撒尿小便嘘嘘汇集6| 少妇被粗大猛烈的视频| 精品一区二区三区av网在线观看| 听说在线观看完整版免费高清| 看免费av毛片| 女生性感内裤真人,穿戴方法视频| 亚洲一区二区三区不卡视频| 一区二区三区免费毛片| 精品人妻偷拍中文字幕| 91麻豆av在线| 深夜精品福利| 韩国av一区二区三区四区| 免费搜索国产男女视频| 12—13女人毛片做爰片一| 最新在线观看一区二区三区| 国产欧美日韩一区二区三| 国产欧美日韩精品一区二区| 亚洲七黄色美女视频| 在线天堂最新版资源| 国产麻豆成人av免费视频| av国产免费在线观看| 久久国产精品人妻蜜桃| 乱人视频在线观看| 三级男女做爰猛烈吃奶摸视频| 午夜精品久久久久久毛片777| 村上凉子中文字幕在线| 级片在线观看| 亚洲最大成人av| 亚洲国产精品合色在线| 国产亚洲精品久久久com| 国产精品影院久久| 色尼玛亚洲综合影院| 有码 亚洲区| 天天一区二区日本电影三级| 成年人黄色毛片网站| 人人妻人人澡欧美一区二区| 级片在线观看| 久久久精品欧美日韩精品| 国语自产精品视频在线第100页| 国产淫片久久久久久久久 | 18禁黄网站禁片午夜丰满| 五月伊人婷婷丁香| 日韩大尺度精品在线看网址| 超碰av人人做人人爽久久| 国产老妇女一区| 午夜激情福利司机影院| 男女做爰动态图高潮gif福利片| 免费人成在线观看视频色| 嫩草影院新地址| 国产午夜福利久久久久久| 色视频www国产| 91麻豆精品激情在线观看国产| 少妇的逼水好多| 免费搜索国产男女视频| 国内少妇人妻偷人精品xxx网站| 婷婷丁香在线五月| 国产欧美日韩精品亚洲av| 日韩国内少妇激情av| 毛片女人毛片| 久久国产乱子免费精品| 夜夜躁狠狠躁天天躁| 天美传媒精品一区二区| 欧美日韩黄片免| 国产成人欧美在线观看| 国产精品一区二区三区四区久久| 日韩国内少妇激情av| 成年人黄色毛片网站| 少妇人妻一区二区三区视频| 天堂网av新在线| 男女之事视频高清在线观看| 亚洲一区二区三区色噜噜| 免费看日本二区| 五月玫瑰六月丁香| 国产精品乱码一区二三区的特点| 精品一区二区三区视频在线| 欧美bdsm另类| 看片在线看免费视频| 老鸭窝网址在线观看| 亚洲 国产 在线| 欧美国产日韩亚洲一区| 久久久精品欧美日韩精品| 小说图片视频综合网站| 两人在一起打扑克的视频| 国产精品免费一区二区三区在线| 赤兔流量卡办理| 国产精品日韩av在线免费观看| 成熟少妇高潮喷水视频| 国产欧美日韩精品一区二区| 国产高清视频在线观看网站| 18+在线观看网站| 变态另类丝袜制服| 成人精品一区二区免费| 深爱激情五月婷婷| 国产中年淑女户外野战色| 窝窝影院91人妻| 亚洲精品一区av在线观看| 国产av不卡久久| 久9热在线精品视频| 国产在线男女| 精品久久久久久久久亚洲 | 成人av一区二区三区在线看| 亚洲成人久久爱视频| 亚洲精品一区av在线观看| 色av中文字幕| 99久久精品热视频| 男女那种视频在线观看| 亚洲无线在线观看| 熟妇人妻久久中文字幕3abv| 91久久精品国产一区二区成人| 免费av不卡在线播放| 亚洲精品影视一区二区三区av| 亚洲人成网站在线播放欧美日韩| 国产淫片久久久久久久久 | 亚洲最大成人av| 亚洲,欧美,日韩| 两个人视频免费观看高清| av福利片在线观看| 一本一本综合久久| 日韩欧美国产一区二区入口| 男人狂女人下面高潮的视频| 国内揄拍国产精品人妻在线| 国产在视频线在精品| 国产高清视频在线观看网站| a级一级毛片免费在线观看| 最近视频中文字幕2019在线8| 两性午夜刺激爽爽歪歪视频在线观看| 欧美成人性av电影在线观看| 亚洲经典国产精华液单 | 亚洲第一区二区三区不卡| 精品欧美国产一区二区三| 欧美+亚洲+日韩+国产| 久久久国产成人精品二区| 最新中文字幕久久久久| 亚洲天堂国产精品一区在线| 十八禁网站免费在线| 国产精品野战在线观看| 偷拍熟女少妇极品色| 国产精品国产高清国产av| 日本一二三区视频观看| 此物有八面人人有两片| 国产单亲对白刺激| 精品午夜福利在线看| h日本视频在线播放| 色视频www国产| 亚洲精品粉嫩美女一区| 九九在线视频观看精品| 国产精品久久久久久久久免 | 午夜精品一区二区三区免费看| 夜夜爽天天搞| 精品人妻1区二区| 亚洲三级黄色毛片| 国模一区二区三区四区视频| 亚洲成人精品中文字幕电影| 日韩大尺度精品在线看网址| 午夜福利在线观看吧| av国产免费在线观看| 在线国产一区二区在线|