• <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
    女人精品久久久久毛片| 午夜久久久在线观看| 色播在线永久视频| 丰满饥渴人妻一区二区三| 国产精品久久久av美女十八| 免费观看人在逋| 18禁黄网站禁片午夜丰满| 午夜成年电影在线免费观看| 韩国av一区二区三区四区| 国产精品亚洲一级av第二区| avwww免费| 午夜福利免费观看在线| 精品国产一区二区久久| 看免费av毛片| 精品一区二区三区视频在线观看免费 | 青草久久国产| 久久人妻av系列| 欧美不卡视频在线免费观看 | 亚洲人成77777在线视频| 最新的欧美精品一区二区| 国产精品久久电影中文字幕 | 日本黄色日本黄色录像| 欧美日韩成人在线一区二区| 久久人人爽av亚洲精品天堂| 亚洲中文字幕日韩| 天堂动漫精品| 国产av又大| 亚洲精品乱久久久久久| 亚洲国产精品合色在线| 国产日韩欧美亚洲二区| 大陆偷拍与自拍| 欧美人与性动交α欧美精品济南到| 国产片内射在线| 中文字幕精品免费在线观看视频| 免费少妇av软件| 国内毛片毛片毛片毛片毛片| 可以免费在线观看a视频的电影网站| 精品卡一卡二卡四卡免费| 国产欧美日韩一区二区三区在线| 国产精品九九99| av网站免费在线观看视频| 自拍欧美九色日韩亚洲蝌蚪91| 9色porny在线观看| 亚洲精品在线美女| 亚洲熟妇中文字幕五十中出 | 国产日韩一区二区三区精品不卡| 日本黄色视频三级网站网址 | 精品少妇久久久久久888优播| 丰满饥渴人妻一区二区三| 欧美激情 高清一区二区三区| 在线观看午夜福利视频| 制服人妻中文乱码| 亚洲午夜精品一区,二区,三区| 国产在线观看jvid| 久久久久久久久久久久大奶| 亚洲avbb在线观看| 国产精品1区2区在线观看. | 每晚都被弄得嗷嗷叫到高潮| 色94色欧美一区二区| av福利片在线| av电影中文网址| 亚洲精品在线观看二区| 亚洲精品中文字幕一二三四区| 狂野欧美激情性xxxx| 亚洲专区字幕在线| 久久精品aⅴ一区二区三区四区| 精品福利永久在线观看| 最新在线观看一区二区三区| av电影中文网址| 国产精品影院久久| 日本a在线网址| 最新在线观看一区二区三区| 国产精品乱码一区二三区的特点 | 涩涩av久久男人的天堂| 久久久久久久精品吃奶| 成人18禁高潮啪啪吃奶动态图| www日本在线高清视频| 国产一区在线观看成人免费| 1024视频免费在线观看| 成人影院久久| 999久久久国产精品视频| 黄色视频不卡| 成人国语在线视频| 一级a爱视频在线免费观看| 两个人免费观看高清视频| 亚洲七黄色美女视频| 成人三级做爰电影| 黄色成人免费大全| 亚洲精品美女久久久久99蜜臀| 男人操女人黄网站| 91九色精品人成在线观看| 色在线成人网| 国产黄色免费在线视频| 中文字幕av电影在线播放| 自线自在国产av| 久久国产精品大桥未久av| 欧美丝袜亚洲另类 | 在线观看免费高清a一片| 久久久久久久国产电影| 精品免费久久久久久久清纯 | 女人高潮潮喷娇喘18禁视频| 国产伦人伦偷精品视频| 久久久久精品国产欧美久久久| 国产视频一区二区在线看| 一本一本久久a久久精品综合妖精| 91国产中文字幕| 精品国内亚洲2022精品成人 | 日韩大码丰满熟妇| 成人精品一区二区免费| 亚洲国产看品久久| 亚洲色图 男人天堂 中文字幕| 久久青草综合色| 91字幕亚洲| 精品国产一区二区三区久久久樱花| 成人国语在线视频| 国产精品亚洲一级av第二区| 亚洲熟妇中文字幕五十中出 | 美女福利国产在线| 国产又色又爽无遮挡免费看| 国产av又大| 男男h啪啪无遮挡| 国产日韩欧美亚洲二区| 亚洲一码二码三码区别大吗| 黄色a级毛片大全视频| 飞空精品影院首页| 老司机影院毛片| 最新在线观看一区二区三区| 亚洲中文字幕日韩| 欧美日本中文国产一区发布| 久久久精品国产亚洲av高清涩受| 欧美日韩国产mv在线观看视频| 免费少妇av软件| 久久精品成人免费网站| 怎么达到女性高潮| 精品一区二区三卡| 免费观看a级毛片全部| 美女福利国产在线| 两个人免费观看高清视频| 成年人黄色毛片网站| 91精品国产国语对白视频| 无遮挡黄片免费观看| 亚洲国产欧美一区二区综合| 一级毛片精品| 亚洲国产看品久久| 亚洲一卡2卡3卡4卡5卡精品中文| 老司机亚洲免费影院| 国产av一区二区精品久久| 欧美精品一区二区免费开放| 欧美 亚洲 国产 日韩一| avwww免费| 欧美精品一区二区免费开放| 欧美性长视频在线观看| 久久久水蜜桃国产精品网| 性少妇av在线| 中文亚洲av片在线观看爽 | 老司机深夜福利视频在线观看| 久久久精品免费免费高清| 一边摸一边抽搐一进一小说 | 久久精品国产亚洲av高清一级| 欧美精品av麻豆av| 国产亚洲精品第一综合不卡| 免费看十八禁软件| 亚洲av片天天在线观看| 国产精品国产av在线观看| 精品熟女少妇八av免费久了| 国产乱人伦免费视频| 一二三四社区在线视频社区8| 99热国产这里只有精品6| 亚洲专区字幕在线| 成年人免费黄色播放视频| 首页视频小说图片口味搜索| 国产精品亚洲一级av第二区| 亚洲av日韩精品久久久久久密| 精品欧美一区二区三区在线| 欧美 日韩 精品 国产| 欧美激情高清一区二区三区| 亚洲情色 制服丝袜| www.自偷自拍.com| 国产成人精品久久二区二区91| 精品第一国产精品| 巨乳人妻的诱惑在线观看| 又大又爽又粗| 9191精品国产免费久久| 宅男免费午夜| 最新在线观看一区二区三区| 飞空精品影院首页| 亚洲一区二区三区欧美精品| 好看av亚洲va欧美ⅴa在| 精品人妻在线不人妻| 后天国语完整版免费观看| 日韩免费高清中文字幕av| 别揉我奶头~嗯~啊~动态视频| 精品国产国语对白av| 午夜福利一区二区在线看| 一进一出抽搐动态| 女同久久另类99精品国产91| 亚洲国产精品一区二区三区在线| 99精品在免费线老司机午夜| 日韩欧美一区视频在线观看| 国产欧美日韩综合在线一区二区| 一级a爱视频在线免费观看| 久久香蕉国产精品| 亚洲欧洲精品一区二区精品久久久| 国产欧美日韩一区二区三区在线| 亚洲av熟女| 国产在线精品亚洲第一网站| 一级a爱片免费观看的视频| 最新的欧美精品一区二区| 99久久99久久久精品蜜桃| 在线观看免费视频网站a站| 久久久国产成人免费| 女性被躁到高潮视频| 捣出白浆h1v1| 久久久久精品国产欧美久久久| 久久精品国产a三级三级三级| 母亲3免费完整高清在线观看| av国产精品久久久久影院| 国产又爽黄色视频| 99精品久久久久人妻精品| 国产精品国产高清国产av | 免费日韩欧美在线观看| 亚洲中文av在线| 少妇的丰满在线观看| 久久久精品区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 国产成人系列免费观看| 女警被强在线播放| 久久久精品区二区三区| 中亚洲国语对白在线视频| 精品高清国产在线一区| 91精品三级在线观看| 色综合欧美亚洲国产小说| 国产精品久久久久久精品古装| 免费女性裸体啪啪无遮挡网站| 9色porny在线观看| 亚洲片人在线观看| 成人国语在线视频| 亚洲 国产 在线| 亚洲一区二区三区欧美精品| 在线十欧美十亚洲十日本专区| 91精品三级在线观看| 老司机福利观看| 亚洲精品在线美女| 69av精品久久久久久| 伦理电影免费视频| 国产又爽黄色视频| 欧美丝袜亚洲另类 | 欧美+亚洲+日韩+国产| 99国产精品免费福利视频| 精品熟女少妇八av免费久了| 亚洲在线自拍视频| 999精品在线视频| 国产精品二区激情视频| 日韩大码丰满熟妇| 黄片播放在线免费| 麻豆乱淫一区二区| 国产欧美日韩一区二区三| 色精品久久人妻99蜜桃| 成年女人毛片免费观看观看9 | 日韩成人在线观看一区二区三区| 日本黄色日本黄色录像| 青草久久国产| 50天的宝宝边吃奶边哭怎么回事| 久久久久久免费高清国产稀缺| 亚洲成av片中文字幕在线观看| 免费观看a级毛片全部| 一区二区三区国产精品乱码| 女人被躁到高潮嗷嗷叫费观| 久久久国产精品麻豆| 99久久综合精品五月天人人| 精品亚洲成a人片在线观看| 如日韩欧美国产精品一区二区三区| 欧美精品啪啪一区二区三区| 免费观看人在逋| 一级毛片精品| 亚洲成人国产一区在线观看| 亚洲精品国产一区二区精华液| 午夜精品国产一区二区电影| 成人手机av| 欧美激情久久久久久爽电影 | 欧美老熟妇乱子伦牲交| 中出人妻视频一区二区| 国产男靠女视频免费网站| 欧美乱妇无乱码| 国产精品乱码一区二三区的特点 | 亚洲熟妇中文字幕五十中出 | 日韩中文字幕欧美一区二区| 一级,二级,三级黄色视频| 香蕉久久夜色| 欧美激情极品国产一区二区三区| 看免费av毛片| 精品人妻熟女毛片av久久网站| 国产片内射在线| 国产一区在线观看成人免费| 精品久久蜜臀av无| 波多野结衣av一区二区av| 日韩有码中文字幕| 每晚都被弄得嗷嗷叫到高潮| 亚洲熟女精品中文字幕| 妹子高潮喷水视频| 青草久久国产| 热re99久久精品国产66热6| 母亲3免费完整高清在线观看| 又黄又粗又硬又大视频| 国产精品自产拍在线观看55亚洲 | 精品国产乱码久久久久久男人| 人人妻人人添人人爽欧美一区卜| 亚洲,欧美精品.| 国产激情久久老熟女| 日韩成人在线观看一区二区三区| 在线av久久热| 亚洲成人免费av在线播放| 亚洲人成电影免费在线| 欧美日韩亚洲高清精品| tocl精华| 999久久久精品免费观看国产| 久久精品91无色码中文字幕| 精品福利观看| 母亲3免费完整高清在线观看| 不卡av一区二区三区| 成在线人永久免费视频| 欧美乱码精品一区二区三区| 国内毛片毛片毛片毛片毛片| 一本大道久久a久久精品| 视频区欧美日本亚洲| 亚洲精品久久午夜乱码| 捣出白浆h1v1| 日日摸夜夜添夜夜添小说| 男女床上黄色一级片免费看| 午夜免费鲁丝| 日韩三级视频一区二区三区| 国精品久久久久久国模美| 一本一本久久a久久精品综合妖精| 在线播放国产精品三级| 热99久久久久精品小说推荐| 国产高清videossex| 国产精品香港三级国产av潘金莲| 老司机福利观看| 欧美av亚洲av综合av国产av| 777米奇影视久久| tube8黄色片| 亚洲免费av在线视频| 日韩制服丝袜自拍偷拍| 性少妇av在线| 欧美av亚洲av综合av国产av| 精品午夜福利视频在线观看一区| 久久精品国产亚洲av香蕉五月 | 亚洲男人天堂网一区| 色尼玛亚洲综合影院| 国产淫语在线视频| 亚洲精品国产一区二区精华液| 啦啦啦免费观看视频1| 亚洲一区高清亚洲精品| 天天影视国产精品| 色综合欧美亚洲国产小说| 国产成人系列免费观看| 色综合欧美亚洲国产小说| 亚洲第一av免费看| 午夜久久久在线观看| avwww免费| 欧美日韩亚洲国产一区二区在线观看 | 精品久久久久久久毛片微露脸| 久久国产亚洲av麻豆专区| 亚洲av成人av| 91精品国产国语对白视频| av有码第一页| 午夜日韩欧美国产| 黑丝袜美女国产一区| 精品国产国语对白av| 黄色视频,在线免费观看| 窝窝影院91人妻| 老汉色av国产亚洲站长工具| 99国产精品99久久久久| 俄罗斯特黄特色一大片| 亚洲va日本ⅴa欧美va伊人久久| 亚洲av第一区精品v没综合| 久久精品亚洲熟妇少妇任你| 交换朋友夫妻互换小说| 女同久久另类99精品国产91| 中国美女看黄片| 9热在线视频观看99| 天天操日日干夜夜撸| 久久久久国产精品人妻aⅴ院 | 欧美日韩黄片免| 久久午夜亚洲精品久久| 大型黄色视频在线免费观看| 日本vs欧美在线观看视频| 新久久久久国产一级毛片| 99热网站在线观看| 99re在线观看精品视频| 高清在线国产一区| 一本一本久久a久久精品综合妖精| 亚洲精品国产色婷婷电影| 日韩欧美一区二区三区在线观看 | 亚洲国产精品sss在线观看 | 国产激情欧美一区二区| 人人妻人人澡人人爽人人夜夜| 精品国产国语对白av| 欧美激情高清一区二区三区| 欧美不卡视频在线免费观看 | 欧美久久黑人一区二区| 国产午夜精品久久久久久| 一级毛片高清免费大全| 少妇裸体淫交视频免费看高清 | 国产亚洲精品久久久久久毛片 | 女人高潮潮喷娇喘18禁视频| 精品午夜福利视频在线观看一区| 在线永久观看黄色视频| 91老司机精品| 久久久国产精品麻豆| 欧美日韩国产mv在线观看视频| 中文字幕另类日韩欧美亚洲嫩草| 欧美日韩瑟瑟在线播放| 中国美女看黄片| 在线观看www视频免费| 国产av又大| 男人舔女人的私密视频| 亚洲一区高清亚洲精品| 一区二区日韩欧美中文字幕| 9色porny在线观看| videosex国产| 亚洲va日本ⅴa欧美va伊人久久| 欧美在线一区亚洲| 丰满饥渴人妻一区二区三| 欧美人与性动交α欧美精品济南到| 91字幕亚洲| 亚洲一区高清亚洲精品| 久久久精品免费免费高清| 国产日韩一区二区三区精品不卡| 美女高潮到喷水免费观看| 色综合婷婷激情| 精品国产乱码久久久久久男人| 久久久久国产精品人妻aⅴ院 | 日韩制服丝袜自拍偷拍| 欧美一级毛片孕妇| 久久天堂一区二区三区四区| 日日夜夜操网爽| 99精国产麻豆久久婷婷| 老熟妇乱子伦视频在线观看| 国产精品偷伦视频观看了| 妹子高潮喷水视频| 欧美成狂野欧美在线观看| 老汉色∧v一级毛片| x7x7x7水蜜桃| av欧美777| 亚洲精品国产色婷婷电影| 十八禁网站免费在线| 看片在线看免费视频| 天天添夜夜摸| 又黄又爽又免费观看的视频| 男人的好看免费观看在线视频 | 国产三级黄色录像| 亚洲va日本ⅴa欧美va伊人久久| 亚洲五月天丁香| 妹子高潮喷水视频| 99热网站在线观看| 午夜福利一区二区在线看| 夜夜躁狠狠躁天天躁| 久久久久久久午夜电影 | 欧美在线黄色| 国产在线精品亚洲第一网站| 亚洲人成77777在线视频| 亚洲国产精品合色在线| 国产色视频综合| 女人被躁到高潮嗷嗷叫费观| 久久精品国产99精品国产亚洲性色 | av网站在线播放免费| 亚洲精品一二三| 亚洲 欧美一区二区三区| 久久国产精品大桥未久av| 色婷婷久久久亚洲欧美| 超色免费av| 日韩免费av在线播放| 女人精品久久久久毛片| 国产欧美日韩一区二区三| 亚洲 欧美一区二区三区| 91av网站免费观看| 国产亚洲精品久久久久久毛片 | 国产淫语在线视频| 精品国产乱子伦一区二区三区| 亚洲熟妇熟女久久| 天天躁日日躁夜夜躁夜夜| 久久人妻熟女aⅴ| 国产亚洲av高清不卡| 欧美日韩一级在线毛片| 亚洲 国产 在线| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲,欧美精品.| 精品卡一卡二卡四卡免费| 亚洲aⅴ乱码一区二区在线播放 | 欧美日韩中文字幕国产精品一区二区三区 | 久久精品成人免费网站| 自线自在国产av| 校园春色视频在线观看| 日本黄色日本黄色录像| 不卡av一区二区三区| 大香蕉久久成人网| 午夜免费成人在线视频| www.熟女人妻精品国产| 欧美日韩中文字幕国产精品一区二区三区 | 丝袜人妻中文字幕| 99久久人妻综合| 美女扒开内裤让男人捅视频| 亚洲精品美女久久av网站| 老司机深夜福利视频在线观看| 国产成人影院久久av| 天天躁夜夜躁狠狠躁躁| 午夜久久久在线观看| 欧美日本中文国产一区发布| 亚洲国产精品合色在线| 国产熟女午夜一区二区三区| 欧美av亚洲av综合av国产av| 精品久久久久久久久久免费视频 | 欧美亚洲 丝袜 人妻 在线| 大型黄色视频在线免费观看| 欧洲精品卡2卡3卡4卡5卡区| 啦啦啦 在线观看视频| 天天躁日日躁夜夜躁夜夜| 久久天躁狠狠躁夜夜2o2o| 久久久久久人人人人人| 成熟少妇高潮喷水视频| 欧美激情极品国产一区二区三区| 曰老女人黄片| 久久久国产成人免费| 国产又爽黄色视频| 亚洲 欧美一区二区三区| 狠狠狠狠99中文字幕| 国产精品久久久久久精品古装| 国产单亲对白刺激| 91精品三级在线观看| 欧美 亚洲 国产 日韩一| 两性夫妻黄色片| 亚洲国产毛片av蜜桃av| 黄色怎么调成土黄色| 亚洲欧美一区二区三区黑人| 老汉色∧v一级毛片| 婷婷丁香在线五月| 亚洲精品粉嫩美女一区| 精品福利观看| 精品无人区乱码1区二区| 精品人妻在线不人妻| 丁香六月欧美| 久久久久久久久久久久大奶| 丝瓜视频免费看黄片| 午夜成年电影在线免费观看| 91成年电影在线观看| 欧美精品亚洲一区二区| 日本wwww免费看| 久久久精品免费免费高清| 色综合婷婷激情| 免费看十八禁软件| 国产野战对白在线观看| 50天的宝宝边吃奶边哭怎么回事| 满18在线观看网站| 天天躁夜夜躁狠狠躁躁| 亚洲综合色网址| 美女高潮喷水抽搐中文字幕| 成人永久免费在线观看视频| 久久九九热精品免费| 新久久久久国产一级毛片| 久久久久久久久免费视频了| 最近最新中文字幕大全免费视频| ponron亚洲| 午夜成年电影在线免费观看| 午夜福利在线免费观看网站| 国产视频一区二区在线看| 欧美黄色淫秽网站| 国产欧美日韩精品亚洲av| 色老头精品视频在线观看| 一级作爱视频免费观看| 黄色女人牲交| 成人永久免费在线观看视频| 麻豆国产av国片精品| 午夜福利乱码中文字幕| 9191精品国产免费久久| 久久精品亚洲av国产电影网| 国产真人三级小视频在线观看| 久久 成人 亚洲| 久久精品成人免费网站| 精品久久久久久,| 亚洲色图综合在线观看| 夜夜爽天天搞| 日本五十路高清| 欧美久久黑人一区二区| 高清黄色对白视频在线免费看| 大型黄色视频在线免费观看| 制服人妻中文乱码| 亚洲七黄色美女视频| 好男人电影高清在线观看| 久久午夜综合久久蜜桃| 亚洲七黄色美女视频| 久久人人97超碰香蕉20202| 最新美女视频免费是黄的| а√天堂www在线а√下载 | 久久草成人影院| 亚洲精品国产精品久久久不卡| 国产精品99久久99久久久不卡| e午夜精品久久久久久久| 日韩欧美一区二区三区在线观看 | 色94色欧美一区二区| 国产亚洲一区二区精品| 精品午夜福利视频在线观看一区| 国产免费现黄频在线看| 天堂俺去俺来也www色官网| 大码成人一级视频| 19禁男女啪啪无遮挡网站| 精品少妇一区二区三区视频日本电影| 亚洲成国产人片在线观看| 国产午夜精品久久久久久| 久久香蕉精品热| 大片电影免费在线观看免费| 成人亚洲精品一区在线观看| 亚洲欧美激情在线| 99久久综合精品五月天人人| 一个人免费在线观看的高清视频|