• <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 ?

    遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的 網(wǎng)絡(luò)流量預(yù)測

    2014-08-15 09:49:42劉春
    網(wǎng)絡(luò)空間安全 2014年6期
    關(guān)鍵詞:參數(shù)優(yōu)化網(wǎng)絡(luò)流量BP神經(jīng)網(wǎng)絡(luò)

    【摘要】為了提高網(wǎng)絡(luò)流量預(yù)測精度,提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型(GA-BPNN)。首先采集網(wǎng)絡(luò)流量數(shù)據(jù),并進(jìn)行相應(yīng)預(yù)處理,然后將網(wǎng)絡(luò)流量訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),并采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化,最后采用建立的網(wǎng)絡(luò)流量預(yù)測模型對網(wǎng)絡(luò)流量測試集進(jìn)行預(yù)測,并通過仿真實(shí)驗(yàn)對模型性能進(jìn)行測試。結(jié)果表明,GA-BPNN提高了網(wǎng)絡(luò)流量的預(yù)測精度,獲得比較理想的網(wǎng)絡(luò)流量預(yù)測結(jié)果。

    【關(guān)鍵詞】網(wǎng)絡(luò)流量;BP神經(jīng)網(wǎng)絡(luò);遺傳算法;參數(shù)優(yōu)化

    【中圖分類號(hào) 】TP183【文獻(xiàn)標(biāo)識(shí)碼】A

    1引言

    網(wǎng)絡(luò)流量預(yù)測對于分析和理解網(wǎng)絡(luò)將要發(fā)生的網(wǎng)絡(luò)行為、指導(dǎo)網(wǎng)絡(luò)安全檢測與控制具有重要的意義,網(wǎng)絡(luò)流量具有非線性、多時(shí)間和多尺度等變化特性,如何建立高精度的網(wǎng)絡(luò)流量預(yù)測模型已經(jīng)成為研究熱點(diǎn)之一。

    當(dāng)前網(wǎng)絡(luò)流量均基于統(tǒng)計(jì)方法進(jìn)行建模,是通過對預(yù)測網(wǎng)絡(luò)流量過去的數(shù)據(jù)及資料進(jìn)行統(tǒng)計(jì)和分析,對其未來的網(wǎng)絡(luò)流量發(fā)展趨勢進(jìn)行定量的預(yù)測,主要有時(shí)間序列法和BP神經(jīng)網(wǎng)絡(luò)方法。時(shí)間序列預(yù)測法因根據(jù)事物過去的變化趨勢預(yù)測未來的發(fā)展,突出時(shí)間因素,外界因素不計(jì)入影響,在短期且沒有相對比較大的變化時(shí)預(yù)測結(jié)果比較理想,但是當(dāng)外界出現(xiàn)巨變,往往會(huì)出現(xiàn)比較大的偏差。因此,時(shí)間序列預(yù)測法適用于漸進(jìn)變化的預(yù)測對象,沒有明顯波動(dòng),而網(wǎng)絡(luò)流量受到多種因素影響,具有非線性、多時(shí)間和多尺度等變化的特性,因此時(shí)間序列法預(yù)測精度比較低。BP(Back Propagation)網(wǎng)絡(luò)是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一,具有自組織、自適應(yīng)、自學(xué)習(xí)等特點(diǎn),具有很強(qiáng)的輸入輸出非線性映射能力,對解決非線性問題有著獨(dú)特的先進(jìn)性,成為當(dāng)前網(wǎng)絡(luò)流量建模與預(yù)測主要工具。但是,由于采用了誤差函數(shù)按梯度下降的學(xué)習(xí)算法,極易陷入局部最小值點(diǎn)。此外,BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法收斂慢,系統(tǒng)魯棒性差,網(wǎng)絡(luò)的性能對初始設(shè)置值依賴比較大。因此BP神經(jīng)網(wǎng)絡(luò)需要進(jìn)行改進(jìn)才能更好地應(yīng)用到實(shí)際中。

    為了提高網(wǎng)絡(luò)流量預(yù)測精度,提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型(GA-BPNN)。首先采集網(wǎng)絡(luò)流量數(shù)據(jù),并進(jìn)行相應(yīng)預(yù)處理,然后將網(wǎng)絡(luò)流量訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),并采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化,最后采用建立的網(wǎng)絡(luò)流量預(yù)測模型對網(wǎng)絡(luò)流量測試集進(jìn)行預(yù)測,并通過仿真實(shí)驗(yàn)對模型性能進(jìn)行測試。

    2BP神經(jīng)網(wǎng)絡(luò)和遺傳算法

    2.1BP神經(jīng)網(wǎng)絡(luò)概述

    BP神經(jīng)網(wǎng)絡(luò)基本思想是網(wǎng)絡(luò)訓(xùn)練過程由正向傳播與誤差反向傳播兩個(gè)過程組成。正向傳播輸入樣本由輸入層傳入經(jīng)隱層單元處理并計(jì)算每個(gè)單元實(shí)際輸出傳向輸出層,若此時(shí)實(shí)際輸出與期望輸出相符,則網(wǎng)絡(luò)訓(xùn)練成功結(jié)束,否則轉(zhuǎn)入誤差反向傳播。誤差反向傳播從輸出層開始經(jīng)隱層向輸入層逐層返回,根據(jù)實(shí)際輸出與期望輸出的誤差修改各層單元連接權(quán)值。

    BP神經(jīng)網(wǎng)絡(luò)正向傳播與反向傳播對各層單元權(quán)值修改是一個(gè)反復(fù)的過程,直到實(shí)際輸出與期望相符或達(dá)到最大的訓(xùn)練次數(shù)為止。典型三層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

    設(shè)wij為輸入層第i個(gè)神經(jīng)元與隱層第j個(gè)神經(jīng)元的連接權(quán)值。

    1)正向傳播。輸入層:神經(jīng)元i的輸出值Oi等于輸入值Ii對隱層,輸出層:

    Ij =wijOi-θi(1)

    Oj =f(Ij)(2)

    作用函數(shù)f為Sigmoid函數(shù),f(Ij) = 。

    2)反向傳播。輸出層實(shí)際輸出yk與期望dk不一致時(shí),有誤差函數(shù):

    E=(dk -yk)2(3)

    連接權(quán)值的修改按以下公式計(jì)算:

    wjk(t+1) = wjk(t)+△wjk(4)

    BP算法采用梯度下降方向修改連接權(quán)值,變化權(quán)值為:

    △wjk =-η =-η δkOj(5)

    其中學(xué)習(xí)率η取值為0<η<1,即對于輸出層:

    △wjk =ηyk(1-yk)(dk-yk) (6)

    對于隱層:

    △wjk =ηOj(1-Oj) δkwjk(7)

    2.2BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟

    (1)初始化,對所有聯(lián)結(jié)權(quán)w隨機(jī)生成任意小的值,閾值θ的初始值及設(shè)定訓(xùn)練次數(shù)。

    (2)輸入訓(xùn)練樣本及期望(xn,dm)。

    (3)前向傳播。計(jì)算隱層及輸出層j單元輸入

    Ij=wijOi-θi ,單元j輸出Oj =;

    (4) 輸出層yk與dk不相符按反向誤差傳播調(diào)整權(quán)值,從輸出到隱層按下式更新權(quán)值。

    wjk(t+1) = wjk(t)+△wjk(8)

    當(dāng)k為輸出層:△w=ηyk(1-yk)(dk-yk) ,當(dāng)k為隱層:△w =ηOj(1-Oj) δkwjk計(jì)算。

    (5) 轉(zhuǎn)(2)重復(fù)執(zhí)行,直到誤差滿足或達(dá)到最大訓(xùn)練次數(shù)為止。

    標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)用梯度下降算法求解,易陷入局部極小值,在網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)中難以避免學(xué)習(xí)收斂速度慢及訓(xùn)練過程出現(xiàn)振蕩的問題,為此采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)。

    2.3遺傳算法

    遺傳算法的優(yōu)化原理是從隨機(jī)生成的初始群體出發(fā),采用基于優(yōu)勝劣汰的選擇策略選擇優(yōu)良個(gè)體作為父代,通過父代個(gè)體的復(fù)制、雜交和變異來繁衍進(jìn)化的子代種群。經(jīng)過多代的進(jìn)化,種群的適應(yīng)性會(huì)逐漸增強(qiáng)。遺傳算法的優(yōu)化是通過遺傳算法中復(fù)制、雜交和變異算子的操作來實(shí)現(xiàn)的。

    (1) 復(fù)制是進(jìn)化個(gè)體經(jīng)過輪盤賭選擇,使父代的優(yōu)良個(gè)體以較大的概率在子代中得到繼承的遺傳過程。

    (2) 雜交是指父代中個(gè)體隨機(jī)的交換染色體的基因在子代中產(chǎn)生新的個(gè)體。endprint

    (3) 變異是個(gè)體染色體的基因以變異概率發(fā)生隨機(jī)質(zhì)變的過程。

    雜交和變異使后代中產(chǎn)生新個(gè)體,復(fù)制使父代的基因在子代中得以繼承,從而使生物物種在繼承的基礎(chǔ)上不斷進(jìn)化。它可以避免局部優(yōu)化從而保證收斂的全局搜索性。

    3遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型

    (1) 收集網(wǎng)絡(luò)流量歷史數(shù)據(jù),并對其進(jìn)行預(yù)處理。

    (2) 初始化種群。隨機(jī)產(chǎn)生一組個(gè)體,每一個(gè)個(gè)體包括BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和初始閾值。

    (3) 對個(gè)體進(jìn)行解碼,根據(jù)相關(guān)聯(lián)函數(shù)法確定τ、m,并對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu),并初始連接權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行網(wǎng)絡(luò)流量訓(xùn)練,根據(jù)預(yù)測結(jié)果計(jì)算個(gè)體適應(yīng)度值。適應(yīng)度函數(shù)f(x)定義如下:

    f(x)=(y-)(9)

    式中,y為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值,為網(wǎng)絡(luò)流量實(shí)際值,n表示訓(xùn)練樣本個(gè)數(shù)。

    (4) 采用最佳保留策略和輪盤賭選擇較優(yōu)的個(gè)體進(jìn)行下一代。

    (5) 根據(jù)交叉概率選擇兩個(gè)個(gè)體進(jìn)行交叉操作,選擇最優(yōu)個(gè)體進(jìn)行下一代。

    (6) 根據(jù)變異概率選擇兩個(gè)個(gè)體進(jìn)行變異操作,選擇最優(yōu)個(gè)體進(jìn)行下一代。

    (7) 判斷算法結(jié)束條件,若滿足結(jié)束條件則返回全局最優(yōu)個(gè)體,若不滿足,進(jìn)化代數(shù)加1,并跳轉(zhuǎn)至(3)繼續(xù)優(yōu)化。

    (8) 將最優(yōu)個(gè)體解碼成為BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值。

    (9) 根據(jù)初始連接權(quán)值和閾值建立最優(yōu)網(wǎng)絡(luò)流量預(yù)測模型。

    4仿真實(shí)驗(yàn)

    4.1數(shù)據(jù)來源

    實(shí)驗(yàn)數(shù)據(jù)來源于某學(xué)校網(wǎng)絡(luò)中心服務(wù)器,從2013年2月1日到2月21日每天網(wǎng)絡(luò)的每小時(shí)訪問流量,得到480個(gè)數(shù)據(jù),以前380個(gè)數(shù)據(jù)作為訓(xùn)練集建立網(wǎng)絡(luò)流量預(yù)測模型,后100個(gè)數(shù)據(jù)作為測試集進(jìn)行預(yù)測檢驗(yàn),具體如圖2所示。

    4.2數(shù)據(jù)歸一化處理

    BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)對在0-1之間的數(shù)據(jù)最為靈敏,然而實(shí)際網(wǎng)絡(luò)流量具有突變性,變化幅度較大,為了提高訓(xùn)練的效率,對其進(jìn)行歸一化處理,具體為:

    x'=(10)

    最后對網(wǎng)絡(luò)流量預(yù)測結(jié)果進(jìn)行反歸一化處理,恢復(fù)真實(shí)預(yù)測值。

    x=x'(xmax-xmin) +xmin(11)

    式中x表示網(wǎng)絡(luò)流量原始數(shù)據(jù),xmin和xmax表示分別最小值和最大值。

    4.3模型評價(jià)指標(biāo)

    為了說明GA-BPNN模型的有效性,在Matlab2021環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。同時(shí)為了使GA-BPNN模型的預(yù)測結(jié)果具有可比性,采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)(BPNN)作為對比模型。模型性能的評價(jià)指標(biāo)為均方根誤差(root mean squared predict error,RMSE)和平均絕對百分誤差(mean absolute percentage error,MAPE),具體定義如下:

    RMSE=(12)

    MAPE=

    ×100(13)

    式中y表示網(wǎng)絡(luò)流量實(shí)際觀測值,表示預(yù)測值。

    4.4結(jié)果與分析

    4.4.1 不含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

    首先采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù),然后采用最優(yōu)參數(shù)BP神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)流量預(yù)測模型,GA-BPNN、BPNN對測試集的預(yù)測結(jié)果及預(yù)測誤差如圖3和4所示。從圖3可知,GA-BPNN的預(yù)測結(jié)果與實(shí)際網(wǎng)絡(luò)流量的值相當(dāng)吻合,十分接近,這表明GA-BPNN可用于現(xiàn)代復(fù)雜多變、隨機(jī)的網(wǎng)絡(luò)流量預(yù)測,同時(shí)從圖4可知,GA-BPNN的預(yù)測誤差相當(dāng)小,可以滿足網(wǎng)絡(luò)流量預(yù)測精度的要求。

    GA-BPNN與對比模型的預(yù)測誤差見表1。根據(jù)表1可知,相對于對比模型,GA-BPNN預(yù)測誤差更高,相應(yīng)的網(wǎng)絡(luò)流量預(yù)測精度更高,這表明,GA-BPNN通過遺傳算法對BPNN參數(shù)優(yōu)化和選擇,克服BP神經(jīng)網(wǎng)絡(luò)等預(yù)測精度低的缺陷,GA-BPNN是一種精度高、預(yù)測結(jié)果可靠的網(wǎng)絡(luò)流量預(yù)測模型。

    4.4.2 含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

    為了測試GA-BPNN的通用性,對一個(gè)含噪的網(wǎng)絡(luò)流量進(jìn)行仿真實(shí)驗(yàn),含噪的網(wǎng)絡(luò)流量如圖5所示。GA-BPNN的含噪網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測結(jié)果及預(yù)測誤差如圖6和7所示。從圖6和7可知,對于含噪的網(wǎng)絡(luò)流量,GA-BPNN同樣獲得了較理想的預(yù)測結(jié)果,這表明GA-BPNN采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),獲得了較好的網(wǎng)絡(luò)流量訓(xùn)練集,增加了模型的魯棒性和通用性,拓寬了GA-BPNN在網(wǎng)絡(luò)流量的應(yīng)用范圍。

    GA-BPNN與BPNN對含噪網(wǎng)絡(luò)流量預(yù)測誤差見表2。從表2可知,相對于對比模型,GA-BPNN的整體預(yù)測性能更優(yōu),建立了誤差更小的網(wǎng)絡(luò)流量預(yù)測模型,再一次證明了GA-BPNN的優(yōu)越性。

    5結(jié)束語

    為了提高網(wǎng)絡(luò)流量預(yù)測精度,針對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題,提出一種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型,仿真結(jié)果表明,GA-BPNN不僅提高了網(wǎng)絡(luò)流量的預(yù)測精度,為復(fù)雜多變的網(wǎng)絡(luò)流量提供了一種新的研究思路。

    參考文獻(xiàn)

    [1] Nguyen T T, Armitage G. A survey of techniques for internet traffic classification using machine learning [J]. IEEE Communications Surveys and Tutorials, 2008, 10(4):56-76.

    [2] 馬華林.基于灰色模型和自適應(yīng)過濾的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)工程,2009,35(1):130-131.

    [3] Mao Yongyi, Li Baochun. A factor graph approach to link loss monitoring in wireless sensor networks [J]. IEEE Journal on Selected Areas in Communications, 2006,23(4):820-829.

    [4] Callado A, Keu R J, Sadok D, et a1.Better network traffic identification through the independent combination of techniques [J]. Journal of Network and Computer Applications, 2010, 33(4):433-446.

    [5] 姚奇富,李翠鳳,馬華林,張森. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J].浙江大學(xué)學(xué)報(bào)(理學(xué)版),2007,34(4):396-400.

    [6] 劉淵,戴悅,曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程,2008,34(16):105-106.

    [7] 陳曉天,張順頤,田婷婷. 基于BP神經(jīng)網(wǎng)絡(luò)的IP網(wǎng)絡(luò)流量預(yù)測[J].南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版),2012, 30(2):16-21.

    [8] 李松,羅勇,張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用,2011, 47(29):52-55.

    [9] 趙振江. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J]. 計(jì)算機(jī)應(yīng)用與軟件,2009,26(1):218-211.

    [10] 張穎路. 基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)科學(xué),2008,35(5):177-179.

    作者簡介:

    劉春(1981-),男,碩士,四川建筑職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)管理中心,講師;主要研究方向和關(guān)注領(lǐng)域:計(jì)算機(jī)網(wǎng)絡(luò)管理。endprint

    (3) 變異是個(gè)體染色體的基因以變異概率發(fā)生隨機(jī)質(zhì)變的過程。

    雜交和變異使后代中產(chǎn)生新個(gè)體,復(fù)制使父代的基因在子代中得以繼承,從而使生物物種在繼承的基礎(chǔ)上不斷進(jìn)化。它可以避免局部優(yōu)化從而保證收斂的全局搜索性。

    3遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型

    (1) 收集網(wǎng)絡(luò)流量歷史數(shù)據(jù),并對其進(jìn)行預(yù)處理。

    (2) 初始化種群。隨機(jī)產(chǎn)生一組個(gè)體,每一個(gè)個(gè)體包括BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和初始閾值。

    (3) 對個(gè)體進(jìn)行解碼,根據(jù)相關(guān)聯(lián)函數(shù)法確定τ、m,并對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu),并初始連接權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行網(wǎng)絡(luò)流量訓(xùn)練,根據(jù)預(yù)測結(jié)果計(jì)算個(gè)體適應(yīng)度值。適應(yīng)度函數(shù)f(x)定義如下:

    f(x)=(y-)(9)

    式中,y為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值,為網(wǎng)絡(luò)流量實(shí)際值,n表示訓(xùn)練樣本個(gè)數(shù)。

    (4) 采用最佳保留策略和輪盤賭選擇較優(yōu)的個(gè)體進(jìn)行下一代。

    (5) 根據(jù)交叉概率選擇兩個(gè)個(gè)體進(jìn)行交叉操作,選擇最優(yōu)個(gè)體進(jìn)行下一代。

    (6) 根據(jù)變異概率選擇兩個(gè)個(gè)體進(jìn)行變異操作,選擇最優(yōu)個(gè)體進(jìn)行下一代。

    (7) 判斷算法結(jié)束條件,若滿足結(jié)束條件則返回全局最優(yōu)個(gè)體,若不滿足,進(jìn)化代數(shù)加1,并跳轉(zhuǎn)至(3)繼續(xù)優(yōu)化。

    (8) 將最優(yōu)個(gè)體解碼成為BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值。

    (9) 根據(jù)初始連接權(quán)值和閾值建立最優(yōu)網(wǎng)絡(luò)流量預(yù)測模型。

    4仿真實(shí)驗(yàn)

    4.1數(shù)據(jù)來源

    實(shí)驗(yàn)數(shù)據(jù)來源于某學(xué)校網(wǎng)絡(luò)中心服務(wù)器,從2013年2月1日到2月21日每天網(wǎng)絡(luò)的每小時(shí)訪問流量,得到480個(gè)數(shù)據(jù),以前380個(gè)數(shù)據(jù)作為訓(xùn)練集建立網(wǎng)絡(luò)流量預(yù)測模型,后100個(gè)數(shù)據(jù)作為測試集進(jìn)行預(yù)測檢驗(yàn),具體如圖2所示。

    4.2數(shù)據(jù)歸一化處理

    BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)對在0-1之間的數(shù)據(jù)最為靈敏,然而實(shí)際網(wǎng)絡(luò)流量具有突變性,變化幅度較大,為了提高訓(xùn)練的效率,對其進(jìn)行歸一化處理,具體為:

    x'=(10)

    最后對網(wǎng)絡(luò)流量預(yù)測結(jié)果進(jìn)行反歸一化處理,恢復(fù)真實(shí)預(yù)測值。

    x=x'(xmax-xmin) +xmin(11)

    式中x表示網(wǎng)絡(luò)流量原始數(shù)據(jù),xmin和xmax表示分別最小值和最大值。

    4.3模型評價(jià)指標(biāo)

    為了說明GA-BPNN模型的有效性,在Matlab2021環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。同時(shí)為了使GA-BPNN模型的預(yù)測結(jié)果具有可比性,采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)(BPNN)作為對比模型。模型性能的評價(jià)指標(biāo)為均方根誤差(root mean squared predict error,RMSE)和平均絕對百分誤差(mean absolute percentage error,MAPE),具體定義如下:

    RMSE=(12)

    MAPE=

    ×100(13)

    式中y表示網(wǎng)絡(luò)流量實(shí)際觀測值,表示預(yù)測值。

    4.4結(jié)果與分析

    4.4.1 不含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

    首先采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù),然后采用最優(yōu)參數(shù)BP神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)流量預(yù)測模型,GA-BPNN、BPNN對測試集的預(yù)測結(jié)果及預(yù)測誤差如圖3和4所示。從圖3可知,GA-BPNN的預(yù)測結(jié)果與實(shí)際網(wǎng)絡(luò)流量的值相當(dāng)吻合,十分接近,這表明GA-BPNN可用于現(xiàn)代復(fù)雜多變、隨機(jī)的網(wǎng)絡(luò)流量預(yù)測,同時(shí)從圖4可知,GA-BPNN的預(yù)測誤差相當(dāng)小,可以滿足網(wǎng)絡(luò)流量預(yù)測精度的要求。

    GA-BPNN與對比模型的預(yù)測誤差見表1。根據(jù)表1可知,相對于對比模型,GA-BPNN預(yù)測誤差更高,相應(yīng)的網(wǎng)絡(luò)流量預(yù)測精度更高,這表明,GA-BPNN通過遺傳算法對BPNN參數(shù)優(yōu)化和選擇,克服BP神經(jīng)網(wǎng)絡(luò)等預(yù)測精度低的缺陷,GA-BPNN是一種精度高、預(yù)測結(jié)果可靠的網(wǎng)絡(luò)流量預(yù)測模型。

    4.4.2 含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

    為了測試GA-BPNN的通用性,對一個(gè)含噪的網(wǎng)絡(luò)流量進(jìn)行仿真實(shí)驗(yàn),含噪的網(wǎng)絡(luò)流量如圖5所示。GA-BPNN的含噪網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測結(jié)果及預(yù)測誤差如圖6和7所示。從圖6和7可知,對于含噪的網(wǎng)絡(luò)流量,GA-BPNN同樣獲得了較理想的預(yù)測結(jié)果,這表明GA-BPNN采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),獲得了較好的網(wǎng)絡(luò)流量訓(xùn)練集,增加了模型的魯棒性和通用性,拓寬了GA-BPNN在網(wǎng)絡(luò)流量的應(yīng)用范圍。

    GA-BPNN與BPNN對含噪網(wǎng)絡(luò)流量預(yù)測誤差見表2。從表2可知,相對于對比模型,GA-BPNN的整體預(yù)測性能更優(yōu),建立了誤差更小的網(wǎng)絡(luò)流量預(yù)測模型,再一次證明了GA-BPNN的優(yōu)越性。

    5結(jié)束語

    為了提高網(wǎng)絡(luò)流量預(yù)測精度,針對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題,提出一種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型,仿真結(jié)果表明,GA-BPNN不僅提高了網(wǎng)絡(luò)流量的預(yù)測精度,為復(fù)雜多變的網(wǎng)絡(luò)流量提供了一種新的研究思路。

    參考文獻(xiàn)

    [1] Nguyen T T, Armitage G. A survey of techniques for internet traffic classification using machine learning [J]. IEEE Communications Surveys and Tutorials, 2008, 10(4):56-76.

    [2] 馬華林.基于灰色模型和自適應(yīng)過濾的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)工程,2009,35(1):130-131.

    [3] Mao Yongyi, Li Baochun. A factor graph approach to link loss monitoring in wireless sensor networks [J]. IEEE Journal on Selected Areas in Communications, 2006,23(4):820-829.

    [4] Callado A, Keu R J, Sadok D, et a1.Better network traffic identification through the independent combination of techniques [J]. Journal of Network and Computer Applications, 2010, 33(4):433-446.

    [5] 姚奇富,李翠鳳,馬華林,張森. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J].浙江大學(xué)學(xué)報(bào)(理學(xué)版),2007,34(4):396-400.

    [6] 劉淵,戴悅,曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程,2008,34(16):105-106.

    [7] 陳曉天,張順頤,田婷婷. 基于BP神經(jīng)網(wǎng)絡(luò)的IP網(wǎng)絡(luò)流量預(yù)測[J].南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版),2012, 30(2):16-21.

    [8] 李松,羅勇,張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用,2011, 47(29):52-55.

    [9] 趙振江. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J]. 計(jì)算機(jī)應(yīng)用與軟件,2009,26(1):218-211.

    [10] 張穎路. 基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)科學(xué),2008,35(5):177-179.

    作者簡介:

    劉春(1981-),男,碩士,四川建筑職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)管理中心,講師;主要研究方向和關(guān)注領(lǐng)域:計(jì)算機(jī)網(wǎng)絡(luò)管理。endprint

    (3) 變異是個(gè)體染色體的基因以變異概率發(fā)生隨機(jī)質(zhì)變的過程。

    雜交和變異使后代中產(chǎn)生新個(gè)體,復(fù)制使父代的基因在子代中得以繼承,從而使生物物種在繼承的基礎(chǔ)上不斷進(jìn)化。它可以避免局部優(yōu)化從而保證收斂的全局搜索性。

    3遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型

    (1) 收集網(wǎng)絡(luò)流量歷史數(shù)據(jù),并對其進(jìn)行預(yù)處理。

    (2) 初始化種群。隨機(jī)產(chǎn)生一組個(gè)體,每一個(gè)個(gè)體包括BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和初始閾值。

    (3) 對個(gè)體進(jìn)行解碼,根據(jù)相關(guān)聯(lián)函數(shù)法確定τ、m,并對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu),并初始連接權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行網(wǎng)絡(luò)流量訓(xùn)練,根據(jù)預(yù)測結(jié)果計(jì)算個(gè)體適應(yīng)度值。適應(yīng)度函數(shù)f(x)定義如下:

    f(x)=(y-)(9)

    式中,y為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值,為網(wǎng)絡(luò)流量實(shí)際值,n表示訓(xùn)練樣本個(gè)數(shù)。

    (4) 采用最佳保留策略和輪盤賭選擇較優(yōu)的個(gè)體進(jìn)行下一代。

    (5) 根據(jù)交叉概率選擇兩個(gè)個(gè)體進(jìn)行交叉操作,選擇最優(yōu)個(gè)體進(jìn)行下一代。

    (6) 根據(jù)變異概率選擇兩個(gè)個(gè)體進(jìn)行變異操作,選擇最優(yōu)個(gè)體進(jìn)行下一代。

    (7) 判斷算法結(jié)束條件,若滿足結(jié)束條件則返回全局最優(yōu)個(gè)體,若不滿足,進(jìn)化代數(shù)加1,并跳轉(zhuǎn)至(3)繼續(xù)優(yōu)化。

    (8) 將最優(yōu)個(gè)體解碼成為BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值。

    (9) 根據(jù)初始連接權(quán)值和閾值建立最優(yōu)網(wǎng)絡(luò)流量預(yù)測模型。

    4仿真實(shí)驗(yàn)

    4.1數(shù)據(jù)來源

    實(shí)驗(yàn)數(shù)據(jù)來源于某學(xué)校網(wǎng)絡(luò)中心服務(wù)器,從2013年2月1日到2月21日每天網(wǎng)絡(luò)的每小時(shí)訪問流量,得到480個(gè)數(shù)據(jù),以前380個(gè)數(shù)據(jù)作為訓(xùn)練集建立網(wǎng)絡(luò)流量預(yù)測模型,后100個(gè)數(shù)據(jù)作為測試集進(jìn)行預(yù)測檢驗(yàn),具體如圖2所示。

    4.2數(shù)據(jù)歸一化處理

    BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)對在0-1之間的數(shù)據(jù)最為靈敏,然而實(shí)際網(wǎng)絡(luò)流量具有突變性,變化幅度較大,為了提高訓(xùn)練的效率,對其進(jìn)行歸一化處理,具體為:

    x'=(10)

    最后對網(wǎng)絡(luò)流量預(yù)測結(jié)果進(jìn)行反歸一化處理,恢復(fù)真實(shí)預(yù)測值。

    x=x'(xmax-xmin) +xmin(11)

    式中x表示網(wǎng)絡(luò)流量原始數(shù)據(jù),xmin和xmax表示分別最小值和最大值。

    4.3模型評價(jià)指標(biāo)

    為了說明GA-BPNN模型的有效性,在Matlab2021環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。同時(shí)為了使GA-BPNN模型的預(yù)測結(jié)果具有可比性,采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)(BPNN)作為對比模型。模型性能的評價(jià)指標(biāo)為均方根誤差(root mean squared predict error,RMSE)和平均絕對百分誤差(mean absolute percentage error,MAPE),具體定義如下:

    RMSE=(12)

    MAPE=

    ×100(13)

    式中y表示網(wǎng)絡(luò)流量實(shí)際觀測值,表示預(yù)測值。

    4.4結(jié)果與分析

    4.4.1 不含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

    首先采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù),然后采用最優(yōu)參數(shù)BP神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)流量預(yù)測模型,GA-BPNN、BPNN對測試集的預(yù)測結(jié)果及預(yù)測誤差如圖3和4所示。從圖3可知,GA-BPNN的預(yù)測結(jié)果與實(shí)際網(wǎng)絡(luò)流量的值相當(dāng)吻合,十分接近,這表明GA-BPNN可用于現(xiàn)代復(fù)雜多變、隨機(jī)的網(wǎng)絡(luò)流量預(yù)測,同時(shí)從圖4可知,GA-BPNN的預(yù)測誤差相當(dāng)小,可以滿足網(wǎng)絡(luò)流量預(yù)測精度的要求。

    GA-BPNN與對比模型的預(yù)測誤差見表1。根據(jù)表1可知,相對于對比模型,GA-BPNN預(yù)測誤差更高,相應(yīng)的網(wǎng)絡(luò)流量預(yù)測精度更高,這表明,GA-BPNN通過遺傳算法對BPNN參數(shù)優(yōu)化和選擇,克服BP神經(jīng)網(wǎng)絡(luò)等預(yù)測精度低的缺陷,GA-BPNN是一種精度高、預(yù)測結(jié)果可靠的網(wǎng)絡(luò)流量預(yù)測模型。

    4.4.2 含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

    為了測試GA-BPNN的通用性,對一個(gè)含噪的網(wǎng)絡(luò)流量進(jìn)行仿真實(shí)驗(yàn),含噪的網(wǎng)絡(luò)流量如圖5所示。GA-BPNN的含噪網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測結(jié)果及預(yù)測誤差如圖6和7所示。從圖6和7可知,對于含噪的網(wǎng)絡(luò)流量,GA-BPNN同樣獲得了較理想的預(yù)測結(jié)果,這表明GA-BPNN采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),獲得了較好的網(wǎng)絡(luò)流量訓(xùn)練集,增加了模型的魯棒性和通用性,拓寬了GA-BPNN在網(wǎng)絡(luò)流量的應(yīng)用范圍。

    GA-BPNN與BPNN對含噪網(wǎng)絡(luò)流量預(yù)測誤差見表2。從表2可知,相對于對比模型,GA-BPNN的整體預(yù)測性能更優(yōu),建立了誤差更小的網(wǎng)絡(luò)流量預(yù)測模型,再一次證明了GA-BPNN的優(yōu)越性。

    5結(jié)束語

    為了提高網(wǎng)絡(luò)流量預(yù)測精度,針對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題,提出一種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型,仿真結(jié)果表明,GA-BPNN不僅提高了網(wǎng)絡(luò)流量的預(yù)測精度,為復(fù)雜多變的網(wǎng)絡(luò)流量提供了一種新的研究思路。

    參考文獻(xiàn)

    [1] Nguyen T T, Armitage G. A survey of techniques for internet traffic classification using machine learning [J]. IEEE Communications Surveys and Tutorials, 2008, 10(4):56-76.

    [2] 馬華林.基于灰色模型和自適應(yīng)過濾的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)工程,2009,35(1):130-131.

    [3] Mao Yongyi, Li Baochun. A factor graph approach to link loss monitoring in wireless sensor networks [J]. IEEE Journal on Selected Areas in Communications, 2006,23(4):820-829.

    [4] Callado A, Keu R J, Sadok D, et a1.Better network traffic identification through the independent combination of techniques [J]. Journal of Network and Computer Applications, 2010, 33(4):433-446.

    [5] 姚奇富,李翠鳳,馬華林,張森. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J].浙江大學(xué)學(xué)報(bào)(理學(xué)版),2007,34(4):396-400.

    [6] 劉淵,戴悅,曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程,2008,34(16):105-106.

    [7] 陳曉天,張順頤,田婷婷. 基于BP神經(jīng)網(wǎng)絡(luò)的IP網(wǎng)絡(luò)流量預(yù)測[J].南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版),2012, 30(2):16-21.

    [8] 李松,羅勇,張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用,2011, 47(29):52-55.

    [9] 趙振江. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J]. 計(jì)算機(jī)應(yīng)用與軟件,2009,26(1):218-211.

    [10] 張穎路. 基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)科學(xué),2008,35(5):177-179.

    作者簡介:

    劉春(1981-),男,碩士,四川建筑職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)管理中心,講師;主要研究方向和關(guān)注領(lǐng)域:計(jì)算機(jī)網(wǎng)絡(luò)管理。endprint

    猜你喜歡
    參數(shù)優(yōu)化網(wǎng)絡(luò)流量BP神經(jīng)網(wǎng)絡(luò)
    基于數(shù)據(jù)挖掘的船舶通信網(wǎng)絡(luò)流量異常識(shí)別方法
    船舶網(wǎng)絡(luò)流量預(yù)測的灰色模型
    AVB網(wǎng)絡(luò)流量整形幀模型端到端延遲計(jì)算
    基于神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池組焊接參數(shù)優(yōu)化研究
    基于BP神經(jīng)網(wǎng)絡(luò)的旅行社發(fā)展方向研究
    商情(2016年39期)2016-11-21 09:30:36
    研究LTE與WCDMA系統(tǒng)間小區(qū)互操作與參數(shù)優(yōu)化
    復(fù)雜背景下的手勢識(shí)別方法
    BP神經(jīng)網(wǎng)絡(luò)在軟件質(zhì)量評價(jià)中的應(yīng)用研究 
    基于磁流變技術(shù)的汽車發(fā)動(dòng)機(jī)隔振系統(tǒng)的參數(shù)優(yōu)化
    科技視界(2016年23期)2016-11-04 08:17:36
    BP神經(jīng)網(wǎng)絡(luò)算法在數(shù)值預(yù)報(bào)產(chǎn)品釋用中的應(yīng)用
    科技視界(2016年20期)2016-09-29 14:15:12
    色在线成人网| 一区二区三区四区激情视频 | 色哟哟哟哟哟哟| 国产高清激情床上av| 精品久久国产蜜桃| 禁无遮挡网站| 直男gayav资源| 日本熟妇午夜| 久久人人精品亚洲av| 女生性感内裤真人,穿戴方法视频| 十八禁人妻一区二区| 成熟少妇高潮喷水视频| 黄色配什么色好看| 亚洲精品成人久久久久久| 色综合站精品国产| 国产日本99.免费观看| 欧美一级a爱片免费观看看| 国产精品1区2区在线观看.| av在线观看视频网站免费| 国产一区二区在线av高清观看| 国产精华一区二区三区| 免费在线观看日本一区| 免费在线观看影片大全网站| 色哟哟·www| 欧美乱妇无乱码| 精品久久久久久久久久久久久| 黄色配什么色好看| 久久精品国产清高在天天线| 国产精品久久视频播放| 淫妇啪啪啪对白视频| 激情在线观看视频在线高清| 国产精品一区二区性色av| 好男人电影高清在线观看| 男人舔女人下体高潮全视频| 丰满人妻一区二区三区视频av| 国产精品爽爽va在线观看网站| 日韩av在线大香蕉| 免费看美女性在线毛片视频| АⅤ资源中文在线天堂| 亚洲av免费在线观看| 国产成年人精品一区二区| 国产成人福利小说| 琪琪午夜伦伦电影理论片6080| 国产精品女同一区二区软件 | 国产精品久久久久久人妻精品电影| 制服丝袜大香蕉在线| 国产精品久久久久久人妻精品电影| 18美女黄网站色大片免费观看| 午夜精品久久久久久毛片777| 成年女人毛片免费观看观看9| 欧美高清成人免费视频www| 亚洲精品亚洲一区二区| 国内毛片毛片毛片毛片毛片| 97超级碰碰碰精品色视频在线观看| 免费av观看视频| 中文字幕av成人在线电影| 亚洲熟妇熟女久久| 免费在线观看亚洲国产| 少妇熟女aⅴ在线视频| 亚洲国产精品999在线| 超碰av人人做人人爽久久| 最新在线观看一区二区三区| 欧美日本视频| 日本与韩国留学比较| 舔av片在线| 欧美xxxx性猛交bbbb| 国产av麻豆久久久久久久| 午夜福利高清视频| 欧美一区二区亚洲| 国产成人啪精品午夜网站| .国产精品久久| 国产高清激情床上av| 久久天躁狠狠躁夜夜2o2o| www.熟女人妻精品国产| 亚洲中文字幕一区二区三区有码在线看| 国产精品免费一区二区三区在线| 国产精华一区二区三区| 天堂av国产一区二区熟女人妻| 久久热精品热| 欧美性感艳星| 一卡2卡三卡四卡精品乱码亚洲| 亚洲欧美日韩东京热| 五月伊人婷婷丁香| a在线观看视频网站| 中文字幕人妻熟人妻熟丝袜美| 日本成人三级电影网站| 变态另类丝袜制服| 成人av在线播放网站| 国产伦精品一区二区三区四那| 久久精品人妻少妇| 99精品久久久久人妻精品| 国产精品久久电影中文字幕| 高清在线国产一区| 麻豆国产97在线/欧美| 精品久久国产蜜桃| 90打野战视频偷拍视频| 久久人人爽人人爽人人片va | 久久久国产成人免费| 国产麻豆成人av免费视频| 老司机午夜福利在线观看视频| 亚洲av成人精品一区久久| 成人永久免费在线观看视频| 三级国产精品欧美在线观看| 日韩成人在线观看一区二区三区| 国产91精品成人一区二区三区| 综合色av麻豆| 国产精品亚洲av一区麻豆| 日本熟妇午夜| 草草在线视频免费看| 最后的刺客免费高清国语| 国产高清三级在线| 精品人妻1区二区| 狠狠狠狠99中文字幕| 精品99又大又爽又粗少妇毛片 | 他把我摸到了高潮在线观看| 18禁裸乳无遮挡免费网站照片| 久久国产精品人妻蜜桃| 国产高清视频在线播放一区| 性色av乱码一区二区三区2| 99久国产av精品| 婷婷精品国产亚洲av| 精品乱码久久久久久99久播| 日韩 亚洲 欧美在线| 美女被艹到高潮喷水动态| 每晚都被弄得嗷嗷叫到高潮| 90打野战视频偷拍视频| 成人亚洲精品av一区二区| 国产探花极品一区二区| 男女床上黄色一级片免费看| 亚洲人成电影免费在线| 少妇熟女aⅴ在线视频| 99久久精品热视频| 亚洲成人久久爱视频| 又黄又爽又刺激的免费视频.| 91字幕亚洲| 舔av片在线| 欧美日韩亚洲国产一区二区在线观看| 欧美区成人在线视频| 亚洲,欧美精品.| 狂野欧美白嫩少妇大欣赏| 91九色精品人成在线观看| 婷婷色综合大香蕉| 久久九九热精品免费| 午夜免费男女啪啪视频观看 | 婷婷精品国产亚洲av在线| 国产黄色小视频在线观看| 日韩欧美在线二视频| 国产精品一区二区性色av| 嫩草影院精品99| 亚洲欧美精品综合久久99| av天堂中文字幕网| 欧美性猛交黑人性爽| 婷婷丁香在线五月| 一区二区三区高清视频在线| 日韩av在线大香蕉| 国产激情偷乱视频一区二区| 久久亚洲精品不卡| 狂野欧美白嫩少妇大欣赏| 99国产精品一区二区三区| 久久婷婷人人爽人人干人人爱| 久久性视频一级片| 久久精品国产亚洲av涩爱 | 真人做人爱边吃奶动态| 搡女人真爽免费视频火全软件 | 变态另类丝袜制服| 亚洲美女搞黄在线观看 | 久久国产精品影院| 免费大片18禁| 成人美女网站在线观看视频| 91av网一区二区| 桃红色精品国产亚洲av| 国产伦一二天堂av在线观看| 99热只有精品国产| 成熟少妇高潮喷水视频| 97碰自拍视频| 久久天躁狠狠躁夜夜2o2o| 成人欧美大片| 日韩中字成人| 中文字幕精品亚洲无线码一区| 国产精品国产高清国产av| 欧美精品国产亚洲| 精品99又大又爽又粗少妇毛片 | 国产一区二区在线av高清观看| 久久精品国产99精品国产亚洲性色| 亚洲专区国产一区二区| 久久久精品欧美日韩精品| 亚洲av不卡在线观看| 亚洲一区二区三区色噜噜| a级毛片a级免费在线| 国产精品伦人一区二区| 国产高清视频在线播放一区| 最近中文字幕高清免费大全6 | 亚洲一区二区三区不卡视频| 五月玫瑰六月丁香| 午夜福利视频1000在线观看| 在线免费观看不下载黄p国产 | 久久久久久九九精品二区国产| 色噜噜av男人的天堂激情| 超碰av人人做人人爽久久| 国产成人av教育| 亚洲国产精品久久男人天堂| av专区在线播放| 成人国产综合亚洲| 国产爱豆传媒在线观看| 热99在线观看视频| 久久人人爽人人爽人人片va | 日本一本二区三区精品| 久久久久免费精品人妻一区二区| 国产精品综合久久久久久久免费| 婷婷六月久久综合丁香| 国产一区二区激情短视频| 男人的好看免费观看在线视频| 中文字幕免费在线视频6| 午夜精品一区二区三区免费看| 欧美一区二区国产精品久久精品| 少妇被粗大猛烈的视频| 国产精品不卡视频一区二区 | 亚洲激情在线av| 嫩草影院新地址| 国产美女午夜福利| 国产又黄又爽又无遮挡在线| 人人妻人人看人人澡| 日本成人三级电影网站| 久久亚洲精品不卡| 欧美zozozo另类| 国产精品久久电影中文字幕| 人妻制服诱惑在线中文字幕| 美女大奶头视频| 91在线精品国自产拍蜜月| 亚洲一区高清亚洲精品| 亚洲,欧美,日韩| 波多野结衣高清无吗| 亚洲五月天丁香| 真人做人爱边吃奶动态| 色吧在线观看| 中文字幕免费在线视频6| 91字幕亚洲| 成人无遮挡网站| 天堂av国产一区二区熟女人妻| 国产伦精品一区二区三区视频9| 中文字幕精品亚洲无线码一区| 欧美区成人在线视频| 我要搜黄色片| 亚洲三级黄色毛片| 日韩欧美三级三区| 99久久成人亚洲精品观看| 村上凉子中文字幕在线| 欧美色视频一区免费| 国产白丝娇喘喷水9色精品| 国产精品日韩av在线免费观看| 日本三级黄在线观看| 波多野结衣高清无吗| 禁无遮挡网站| 国产精品亚洲一级av第二区| 亚洲av第一区精品v没综合| 国产精品一区二区免费欧美| 欧美bdsm另类| 女人被狂操c到高潮| 永久网站在线| 女人十人毛片免费观看3o分钟| 啦啦啦观看免费观看视频高清| 欧美在线黄色| 美女高潮的动态| 三级国产精品欧美在线观看| 亚洲精品久久国产高清桃花| 少妇高潮的动态图| 我要搜黄色片| 91狼人影院| 精品久久国产蜜桃| 99热这里只有是精品50| 无遮挡黄片免费观看| 国产欧美日韩一区二区精品| 伊人久久精品亚洲午夜| 男女床上黄色一级片免费看| 成熟少妇高潮喷水视频| 91av网一区二区| 午夜激情欧美在线| 国产精品98久久久久久宅男小说| 国产成年人精品一区二区| 波多野结衣高清作品| 黄色女人牲交| www.www免费av| 国产综合懂色| 国产极品精品免费视频能看的| 男女床上黄色一级片免费看| 天天躁日日操中文字幕| 国产精品伦人一区二区| 国产熟女xx| 熟女电影av网| 欧美又色又爽又黄视频| 九九热线精品视视频播放| 男人和女人高潮做爰伦理| 久9热在线精品视频| 欧美中文日本在线观看视频| 国产在线精品亚洲第一网站| 在线天堂最新版资源| 久久精品国产清高在天天线| 久久性视频一级片| 国产 一区 欧美 日韩| av在线蜜桃| 久久久久久国产a免费观看| 国产亚洲av嫩草精品影院| 亚洲中文日韩欧美视频| 日韩中字成人| 精品无人区乱码1区二区| 永久网站在线| 在现免费观看毛片| 日韩中文字幕欧美一区二区| av视频在线观看入口| 国产熟女xx| 欧美日韩中文字幕国产精品一区二区三区| 免费在线观看日本一区| 亚洲av免费在线观看| 国产精品永久免费网站| 黄色女人牲交| 精品人妻一区二区三区麻豆 | 久久人妻av系列| 最新中文字幕久久久久| 蜜桃久久精品国产亚洲av| 91av网一区二区| 久久久久性生活片| 欧美日本亚洲视频在线播放| 精品无人区乱码1区二区| 色哟哟哟哟哟哟| 在线观看午夜福利视频| 精品福利观看| 啪啪无遮挡十八禁网站| 成人国产综合亚洲| 毛片一级片免费看久久久久 | 日本成人三级电影网站| 最近最新免费中文字幕在线| 久久久久国产精品人妻aⅴ院| 久久国产精品影院| 亚洲18禁久久av| av黄色大香蕉| 在线免费观看的www视频| 亚洲精品乱码久久久v下载方式| 久久人人精品亚洲av| 老司机午夜十八禁免费视频| 精品人妻偷拍中文字幕| 亚洲欧美日韩高清专用| 国产高潮美女av| www.www免费av| av福利片在线观看| 最近最新免费中文字幕在线| 欧美区成人在线视频| 一区二区三区免费毛片| 欧美区成人在线视频| 午夜福利在线观看吧| 日韩精品中文字幕看吧| 欧美黑人巨大hd| 网址你懂的国产日韩在线| 亚洲av第一区精品v没综合| 国产精品不卡视频一区二区 | 欧美精品啪啪一区二区三区| 性色av乱码一区二区三区2| 欧美+日韩+精品| 超碰av人人做人人爽久久| 搡老熟女国产l中国老女人| 中文字幕熟女人妻在线| 亚洲,欧美,日韩| 少妇裸体淫交视频免费看高清| netflix在线观看网站| 国产一区二区三区在线臀色熟女| 国产伦在线观看视频一区| 深爱激情五月婷婷| 午夜a级毛片| 久9热在线精品视频| 亚洲最大成人中文| 色噜噜av男人的天堂激情| 757午夜福利合集在线观看| 国产精品影院久久| 99国产精品一区二区蜜桃av| 欧美高清性xxxxhd video| 亚洲精品在线美女| 亚洲av成人av| 老司机午夜福利在线观看视频| 一区二区三区激情视频| 成年女人永久免费观看视频| 精品午夜福利视频在线观看一区| 国内精品美女久久久久久| 亚洲无线在线观看| 热99re8久久精品国产| 久久国产精品影院| 午夜福利免费观看在线| 日本三级黄在线观看| 亚洲av成人不卡在线观看播放网| 亚洲aⅴ乱码一区二区在线播放| 精品一区二区三区av网在线观看| 大型黄色视频在线免费观看| 亚洲av熟女| 日日夜夜操网爽| 日本精品一区二区三区蜜桃| 国产成人a区在线观看| 美女高潮喷水抽搐中文字幕| 国产欧美日韩精品一区二区| 极品教师在线免费播放| 一个人看视频在线观看www免费| 两个人视频免费观看高清| 成人国产综合亚洲| 高清毛片免费观看视频网站| 精品一区二区三区人妻视频| 中文字幕精品亚洲无线码一区| 亚洲精品一区av在线观看| 97超级碰碰碰精品色视频在线观看| 中文字幕av成人在线电影| 国内精品久久久久久久电影| 人人妻人人澡欧美一区二区| 99久国产av精品| 久久精品国产自在天天线| 午夜福利成人在线免费观看| 99久久精品热视频| 午夜精品一区二区三区免费看| 国产一区二区在线av高清观看| 午夜日韩欧美国产| 免费观看人在逋| 伦理电影大哥的女人| 中国美女看黄片| 又紧又爽又黄一区二区| 亚洲成av人片免费观看| ponron亚洲| 久99久视频精品免费| 日韩精品青青久久久久久| 国产成人av教育| 亚洲自拍偷在线| 老司机午夜福利在线观看视频| 一区福利在线观看| 亚洲在线观看片| 国产一区二区激情短视频| 韩国av一区二区三区四区| 少妇裸体淫交视频免费看高清| 婷婷亚洲欧美| 18禁裸乳无遮挡免费网站照片| 麻豆久久精品国产亚洲av| 亚洲人成电影免费在线| 国产男靠女视频免费网站| 首页视频小说图片口味搜索| 久久99热这里只有精品18| 欧美国产日韩亚洲一区| 亚洲综合色惰| 亚洲av成人精品一区久久| 99在线人妻在线中文字幕| 赤兔流量卡办理| 一夜夜www| 网址你懂的国产日韩在线| 精品国产三级普通话版| 久久人人爽人人爽人人片va | 99热这里只有精品一区| 悠悠久久av| av视频在线观看入口| 91在线观看av| 欧美日韩中文字幕国产精品一区二区三区| 国产精品久久电影中文字幕| 亚洲成人中文字幕在线播放| 亚洲第一欧美日韩一区二区三区| 91午夜精品亚洲一区二区三区 | 午夜福利视频1000在线观看| 色5月婷婷丁香| 日本 av在线| 99久久精品国产亚洲精品| 亚洲成人久久性| 国产高清有码在线观看视频| 国产熟女xx| 成人特级av手机在线观看| 亚洲在线观看片| 免费看a级黄色片| 国语自产精品视频在线第100页| 国产av不卡久久| 如何舔出高潮| 此物有八面人人有两片| 午夜免费激情av| 国产爱豆传媒在线观看| 老司机午夜福利在线观看视频| 国产精品久久久久久精品电影| 国产精品电影一区二区三区| 欧美性感艳星| 国产精品98久久久久久宅男小说| 简卡轻食公司| 深夜a级毛片| 中文在线观看免费www的网站| 国产一区二区激情短视频| 老司机深夜福利视频在线观看| 欧美在线一区亚洲| 麻豆久久精品国产亚洲av| 夜夜夜夜夜久久久久| 日韩中字成人| 啦啦啦观看免费观看视频高清| 国产精品女同一区二区软件 | 国产一级毛片七仙女欲春2| 51国产日韩欧美| 男人舔女人下体高潮全视频| 日本一本二区三区精品| 美女xxoo啪啪120秒动态图 | 国产美女午夜福利| 午夜福利在线观看免费完整高清在 | 狠狠狠狠99中文字幕| 女同久久另类99精品国产91| 午夜激情福利司机影院| 精品国产三级普通话版| 成人欧美大片| 日韩av在线大香蕉| 中文亚洲av片在线观看爽| 国产亚洲av嫩草精品影院| av中文乱码字幕在线| 欧洲精品卡2卡3卡4卡5卡区| 99在线人妻在线中文字幕| 亚洲va日本ⅴa欧美va伊人久久| 国产精华一区二区三区| 村上凉子中文字幕在线| 男女那种视频在线观看| 亚洲av一区综合| 精品不卡国产一区二区三区| 亚洲人成伊人成综合网2020| 国产精品av视频在线免费观看| 日本一本二区三区精品| 国产精品爽爽va在线观看网站| 一个人看的www免费观看视频| 亚洲欧美日韩高清专用| 亚洲精品一区av在线观看| 日韩欧美国产在线观看| 欧美性猛交╳xxx乱大交人| 黄色日韩在线| 一进一出抽搐动态| 99久久精品热视频| av专区在线播放| 免费人成视频x8x8入口观看| 精品人妻偷拍中文字幕| 成人亚洲精品av一区二区| 哪里可以看免费的av片| 亚洲欧美日韩东京热| 亚洲成av人片免费观看| 亚洲精品日韩av片在线观看| 久久精品国产亚洲av天美| 国产黄a三级三级三级人| 国产精品一区二区三区四区免费观看 | 久久久久久久久大av| 小蜜桃在线观看免费完整版高清| 一区二区三区四区激情视频 | 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 毛片一级片免费看久久久久 | 内射极品少妇av片p| 亚洲av熟女| 国产白丝娇喘喷水9色精品| 日韩欧美免费精品| 亚洲,欧美,日韩| 国产精品女同一区二区软件 | 亚洲av二区三区四区| 男女视频在线观看网站免费| 亚洲精品一卡2卡三卡4卡5卡| 中亚洲国语对白在线视频| 国内精品一区二区在线观看| 欧美日韩乱码在线| 757午夜福利合集在线观看| 最近视频中文字幕2019在线8| 欧美高清成人免费视频www| 国内毛片毛片毛片毛片毛片| 国产免费男女视频| 亚洲av第一区精品v没综合| 欧美精品啪啪一区二区三区| 欧美在线一区亚洲| 国产黄片美女视频| 精品久久久久久久末码| 日韩中文字幕欧美一区二区| 国产亚洲av嫩草精品影院| 一区二区三区高清视频在线| 亚洲精品456在线播放app | 嫁个100分男人电影在线观看| 亚洲美女黄片视频| 亚洲在线自拍视频| 99国产精品一区二区蜜桃av| 好男人电影高清在线观看| 精品久久久久久久久久久久久| 深爱激情五月婷婷| 三级国产精品欧美在线观看| 免费看日本二区| 欧美黑人欧美精品刺激| 久久久久国产精品人妻aⅴ院| 国产成人aa在线观看| 男女做爰动态图高潮gif福利片| 亚洲成av人片在线播放无| 日韩欧美精品免费久久 | 尤物成人国产欧美一区二区三区| 最近视频中文字幕2019在线8| 国产极品精品免费视频能看的| 欧美黄色淫秽网站| 99热只有精品国产| 日韩精品中文字幕看吧| 日韩 亚洲 欧美在线| 国产精品一及| 欧美日韩国产亚洲二区| 午夜免费激情av| 日韩中字成人| 在线国产一区二区在线| 男插女下体视频免费在线播放| av国产免费在线观看| 国产精品电影一区二区三区| 18美女黄网站色大片免费观看| 不卡一级毛片| 热99re8久久精品国产| 美女免费视频网站| 成人三级黄色视频| 精品欧美国产一区二区三| 国产免费一级a男人的天堂| 桃色一区二区三区在线观看| 亚洲美女视频黄频| 可以在线观看毛片的网站| 两性午夜刺激爽爽歪歪视频在线观看| 69人妻影院| 日韩国内少妇激情av| 国产精华一区二区三区| 日韩欧美国产一区二区入口| 简卡轻食公司| 精品人妻1区二区| 直男gayav资源| 久久久久久国产a免费观看|