• <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
    亚洲人成网站在线播| 赤兔流量卡办理| 免费高清在线观看日韩| 男人操女人黄网站| av国产精品久久久久影院| 国产精品熟女久久久久浪| 久久精品国产亚洲av天美| 尾随美女入室| 国产极品天堂在线| 狂野欧美激情性xxxx在线观看| 最近手机中文字幕大全| 久久久精品区二区三区| 91精品国产九色| 久久99热6这里只有精品| 能在线免费看毛片的网站| 91久久精品国产一区二区成人| 91久久精品国产一区二区成人| 一本大道久久a久久精品| 午夜激情av网站| 亚洲成人一二三区av| 亚洲不卡免费看| 久久狼人影院| 日本黄色日本黄色录像| 九九在线视频观看精品| 精品国产一区二区三区久久久樱花| 成年美女黄网站色视频大全免费 | 搡女人真爽免费视频火全软件| 亚洲国产欧美在线一区| 国产黄片视频在线免费观看| 999精品在线视频| 日韩在线高清观看一区二区三区| 免费人妻精品一区二区三区视频| 久久久久人妻精品一区果冻| 国产黄色视频一区二区在线观看| kizo精华| 亚洲一区二区三区欧美精品| a级毛片免费高清观看在线播放| 女性被躁到高潮视频| 精品亚洲乱码少妇综合久久| 欧美xxⅹ黑人| 免费久久久久久久精品成人欧美视频 | 欧美三级亚洲精品| 一边亲一边摸免费视频| 九色亚洲精品在线播放| 亚洲精品一二三| 亚洲精品乱码久久久久久按摩| 国产精品国产三级国产av玫瑰| 精品国产国语对白av| 久久精品国产a三级三级三级| av有码第一页| av免费在线看不卡| 亚洲精品日本国产第一区| 在线观看人妻少妇| 高清黄色对白视频在线免费看| 精品久久蜜臀av无| 女性被躁到高潮视频| 夜夜爽夜夜爽视频| 亚洲激情五月婷婷啪啪| 久久综合国产亚洲精品| 91精品国产九色| 日本黄色日本黄色录像| 亚洲综合色惰| 国产老妇伦熟女老妇高清| 免费少妇av软件| 免费观看在线日韩| 国国产精品蜜臀av免费| 热re99久久精品国产66热6| 欧美激情国产日韩精品一区| 日韩不卡一区二区三区视频在线| 王馨瑶露胸无遮挡在线观看| 在线观看一区二区三区激情| 大话2 男鬼变身卡| 亚洲精品国产色婷婷电影| 最近的中文字幕免费完整| 国产av一区二区精品久久| 国产精品 国内视频| 精品久久久久久久久av| 丰满饥渴人妻一区二区三| 中国美白少妇内射xxxbb| 汤姆久久久久久久影院中文字幕| 亚洲国产精品一区三区| 成人二区视频| 插逼视频在线观看| 夫妻午夜视频| 欧美 日韩 精品 国产| 亚洲国产日韩一区二区| 国产精品国产三级国产av玫瑰| 免费日韩欧美在线观看| 日韩视频在线欧美| 汤姆久久久久久久影院中文字幕| 91精品国产国语对白视频| 自线自在国产av| 亚洲成色77777| 女人精品久久久久毛片| 午夜激情福利司机影院| 我的女老师完整版在线观看| 日韩亚洲欧美综合| 一区二区日韩欧美中文字幕 | 你懂的网址亚洲精品在线观看| 精品午夜福利在线看| 美女国产高潮福利片在线看| 欧美+日韩+精品| 美女主播在线视频| 日韩欧美精品免费久久| 亚洲精品久久成人aⅴ小说 | 高清欧美精品videossex| 成人综合一区亚洲| 只有这里有精品99| 久久99热这里只频精品6学生| 亚洲人成网站在线播| 最近中文字幕2019免费版| 黑人高潮一二区| 国产片特级美女逼逼视频| 99久久精品一区二区三区| 亚洲精品久久久久久婷婷小说| 视频中文字幕在线观看| 亚洲少妇的诱惑av| 永久免费av网站大全| 激情五月婷婷亚洲| 蜜桃国产av成人99| 全区人妻精品视频| 久久久精品94久久精品| 久久久久久久国产电影| 九九在线视频观看精品| 中国国产av一级| 国产一级毛片在线| 欧美xxⅹ黑人| 黄色怎么调成土黄色| 亚洲美女搞黄在线观看| av网站免费在线观看视频| 久久影院123| 国产精品蜜桃在线观看| 两个人的视频大全免费| 久久久久久久精品精品| 欧美精品高潮呻吟av久久| 久久免费观看电影| 国产免费视频播放在线视频| 青春草视频在线免费观看| 这个男人来自地球电影免费观看 | 欧美+日韩+精品| 久久久久久久久久久久大奶| 国产精品一国产av| 26uuu在线亚洲综合色| 18禁裸乳无遮挡动漫免费视频| 最近中文字幕高清免费大全6| 99热全是精品| 成年女人在线观看亚洲视频| .国产精品久久| 国产一区二区在线观看日韩| 制服人妻中文乱码| 狂野欧美激情性bbbbbb| 日本欧美视频一区| 亚洲成人av在线免费| 人成视频在线观看免费观看| 亚洲精品,欧美精品| 精品久久久久久电影网| 亚洲国产欧美在线一区| 国产 精品1| 亚洲久久久国产精品| 国产精品秋霞免费鲁丝片| 日韩亚洲欧美综合| 午夜福利,免费看| 搡女人真爽免费视频火全软件| 热99国产精品久久久久久7| 国产av一区二区精品久久| 哪个播放器可以免费观看大片| 王馨瑶露胸无遮挡在线观看| 日日摸夜夜添夜夜添av毛片| 久久久久视频综合| 99热全是精品| 久久人妻熟女aⅴ| 成人18禁高潮啪啪吃奶动态图 | 亚洲欧美一区二区三区黑人 | 亚洲欧洲国产日韩| 51国产日韩欧美| 亚洲,欧美,日韩| 极品人妻少妇av视频| 男人爽女人下面视频在线观看| 熟女av电影| 日韩不卡一区二区三区视频在线| 久久人人爽人人片av| 亚洲中文av在线| 自拍欧美九色日韩亚洲蝌蚪91| 另类精品久久| 久久99一区二区三区| 免费大片18禁| 乱码一卡2卡4卡精品| 日韩av不卡免费在线播放| 国产av国产精品国产| 亚洲av成人精品一区久久| 欧美日韩成人在线一区二区| 亚洲精品日本国产第一区| 欧美激情国产日韩精品一区| 国产亚洲午夜精品一区二区久久| 在线亚洲精品国产二区图片欧美 | 少妇人妻精品综合一区二区| 高清午夜精品一区二区三区| 久久综合国产亚洲精品| 久久婷婷青草| 日韩伦理黄色片| 美女国产高潮福利片在线看| 精品国产一区二区三区久久久樱花| 精品一区在线观看国产| 丝袜喷水一区| 久久精品久久久久久噜噜老黄| 在现免费观看毛片| 欧美最新免费一区二区三区| 多毛熟女@视频| 自线自在国产av| 亚洲激情五月婷婷啪啪| av电影中文网址| 日韩在线高清观看一区二区三区| 亚洲综合色网址| 蜜桃国产av成人99| 国产黄色免费在线视频| 亚洲婷婷狠狠爱综合网| 国产精品不卡视频一区二区| 亚洲综合色网址| 韩国高清视频一区二区三区| 一级毛片黄色毛片免费观看视频| xxxhd国产人妻xxx| 少妇的逼水好多| 26uuu在线亚洲综合色| 亚洲av免费高清在线观看| 亚洲国产精品999| 成人国语在线视频| 高清毛片免费看| 伊人亚洲综合成人网| 午夜福利视频精品| 亚洲久久久国产精品| 国产欧美另类精品又又久久亚洲欧美| 日本黄色片子视频| 亚洲精品自拍成人| 久久久久网色| 麻豆成人av视频| 亚洲综合色惰| 内地一区二区视频在线| 男女国产视频网站| 我要看黄色一级片免费的| 99久久人妻综合| 好男人视频免费观看在线| 国产日韩欧美视频二区| 亚洲人成77777在线视频| 欧美精品国产亚洲| 丝袜脚勾引网站| 国产色爽女视频免费观看| 边亲边吃奶的免费视频| 国产亚洲最大av| 亚洲精品456在线播放app| 久久久久久久久久人人人人人人| 美女国产视频在线观看| 大香蕉97超碰在线| 久久精品熟女亚洲av麻豆精品| 亚洲av日韩在线播放| 五月玫瑰六月丁香| 秋霞在线观看毛片| .国产精品久久| 午夜日本视频在线| 青春草亚洲视频在线观看| 国产精品一二三区在线看| 黄色一级大片看看| 国产精品国产三级国产av玫瑰| 99久久精品国产国产毛片| 国产精品麻豆人妻色哟哟久久| 人妻夜夜爽99麻豆av| 国产亚洲最大av| 国产精品久久久久久精品古装| 看十八女毛片水多多多| 亚洲美女视频黄频| 国产高清国产精品国产三级| 亚洲国产色片| 午夜免费观看性视频| 交换朋友夫妻互换小说| 伦理电影免费视频| 另类精品久久| 成人免费观看视频高清| 亚洲国产av新网站| av不卡在线播放| 中文字幕久久专区| 亚洲激情五月婷婷啪啪| 黄片播放在线免费| 蜜桃久久精品国产亚洲av| 国产熟女欧美一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 精品人妻熟女av久视频| 精品少妇黑人巨大在线播放| 极品人妻少妇av视频| 国产老妇伦熟女老妇高清| 国产成人一区二区在线| 人人妻人人澡人人看| 日本欧美国产在线视频| 亚洲少妇的诱惑av| 久久久久网色| 80岁老熟妇乱子伦牲交| 成人手机av| 一二三四中文在线观看免费高清| 美女视频免费永久观看网站| 亚洲成色77777| 久久午夜综合久久蜜桃| 久久久精品区二区三区| 老女人水多毛片| 91午夜精品亚洲一区二区三区| a级毛片免费高清观看在线播放| 天堂俺去俺来也www色官网| 热99久久久久精品小说推荐| 这个男人来自地球电影免费观看 | 在线天堂最新版资源| 精品久久蜜臀av无| 久久精品夜色国产| 不卡视频在线观看欧美| 九九久久精品国产亚洲av麻豆| 99久久精品国产国产毛片| 一区二区日韩欧美中文字幕 | 亚洲国产日韩一区二区| 99热国产这里只有精品6| 国产在视频线精品| 日韩电影二区| 街头女战士在线观看网站| 欧美性感艳星| 亚洲精品国产av蜜桃| 免费观看av网站的网址| 亚洲国产av新网站| av女优亚洲男人天堂| 日韩在线高清观看一区二区三区| 91aial.com中文字幕在线观看| 热re99久久国产66热| 日本欧美视频一区| av播播在线观看一区| av在线播放精品| 亚洲欧美色中文字幕在线| 如日韩欧美国产精品一区二区三区 | 亚洲情色 制服丝袜| 免费黄网站久久成人精品| 久久热精品热| 精品国产国语对白av| 日日摸夜夜添夜夜添av毛片| 最近最新中文字幕免费大全7| 精品人妻熟女av久视频| 国产av精品麻豆| 99九九线精品视频在线观看视频| 久久精品国产亚洲av天美| 91午夜精品亚洲一区二区三区| 国产精品一区二区在线不卡| 91成人精品电影| 欧美日韩视频精品一区| 国内精品宾馆在线| 十八禁网站网址无遮挡| 国产成人精品婷婷| 欧美丝袜亚洲另类| 性高湖久久久久久久久免费观看| 一本色道久久久久久精品综合| 丰满饥渴人妻一区二区三| 国产成人精品福利久久| 亚州av有码| 人妻系列 视频| 国产高清不卡午夜福利| 男女边吃奶边做爰视频| 国产欧美日韩一区二区三区在线 | 高清不卡的av网站| 一级爰片在线观看| 大香蕉久久成人网| 我要看黄色一级片免费的| 亚洲性久久影院| 桃花免费在线播放| 麻豆精品久久久久久蜜桃| 久久女婷五月综合色啪小说| 大片电影免费在线观看免费| 国产精品熟女久久久久浪| 十八禁网站网址无遮挡| 女人精品久久久久毛片| 美女国产高潮福利片在线看| 精品人妻熟女毛片av久久网站| 日韩成人av中文字幕在线观看| 欧美激情 高清一区二区三区| 狂野欧美激情性xxxx在线观看| 秋霞伦理黄片| 日韩av免费高清视频| 又黄又爽又刺激的免费视频.| 亚洲av.av天堂| 高清毛片免费看| 国产国语露脸激情在线看| 久久久久久久国产电影| 草草在线视频免费看| 亚洲美女搞黄在线观看| 亚洲伊人久久精品综合| 十八禁高潮呻吟视频| 一区二区av电影网| 乱人伦中国视频| 亚洲av男天堂| videosex国产| 欧美成人精品欧美一级黄| 制服丝袜香蕉在线| 91精品国产国语对白视频| 亚洲av成人精品一区久久| 看非洲黑人一级黄片| 少妇人妻精品综合一区二区| 男女免费视频国产| 狂野欧美激情性xxxx在线观看| 精品亚洲乱码少妇综合久久| 欧美日韩成人在线一区二区| 国模一区二区三区四区视频| 久久精品熟女亚洲av麻豆精品| 欧美日韩精品成人综合77777| 黄色视频在线播放观看不卡| 久久精品人人爽人人爽视色| 男女高潮啪啪啪动态图| 久久久久久久国产电影| 国产精品国产三级专区第一集| 99九九在线精品视频| 国产伦理片在线播放av一区| 日韩中文字幕视频在线看片| 亚洲国产精品成人久久小说| 午夜福利影视在线免费观看| 亚洲人成网站在线观看播放| 国产国语露脸激情在线看| 少妇人妻精品综合一区二区| av有码第一页| av又黄又爽大尺度在线免费看| 三级国产精品片| 成人亚洲欧美一区二区av| 中文字幕最新亚洲高清| 欧美 日韩 精品 国产| 22中文网久久字幕| 日日摸夜夜添夜夜爱| 亚洲人成网站在线观看播放| 我的女老师完整版在线观看| 国产无遮挡羞羞视频在线观看| 欧美日韩一区二区视频在线观看视频在线| 男男h啪啪无遮挡| 欧美激情 高清一区二区三区| 免费播放大片免费观看视频在线观看| 亚洲精品,欧美精品| 亚洲内射少妇av| 国产亚洲av片在线观看秒播厂| 亚洲色图 男人天堂 中文字幕 | 国产视频内射| 91精品一卡2卡3卡4卡| 精品久久久久久电影网| 王馨瑶露胸无遮挡在线观看| 少妇被粗大的猛进出69影院 | 久久毛片免费看一区二区三区| 久久久久久久久大av| 纯流量卡能插随身wifi吗| 22中文网久久字幕| 婷婷色综合www| 亚洲成色77777| 欧美日韩视频高清一区二区三区二| 天天影视国产精品| 国产国语露脸激情在线看| 成年美女黄网站色视频大全免费 | av.在线天堂| 在现免费观看毛片| 欧美亚洲 丝袜 人妻 在线| 婷婷色av中文字幕| 亚洲国产av影院在线观看| 91成人精品电影| 啦啦啦在线观看免费高清www| 一个人看视频在线观看www免费| 黄片播放在线免费| 岛国毛片在线播放| 最近手机中文字幕大全| 国产精品 国内视频| 亚洲av综合色区一区| 最新中文字幕久久久久| 久久国产精品男人的天堂亚洲 | 美女xxoo啪啪120秒动态图| 国产一区二区三区综合在线观看 | 在线观看www视频免费| 欧美日韩在线观看h| 晚上一个人看的免费电影| 日韩不卡一区二区三区视频在线| 国产色爽女视频免费观看| 国产亚洲午夜精品一区二区久久| 久久久久久久久久成人| 丰满少妇做爰视频| 我的老师免费观看完整版| 麻豆乱淫一区二区| 少妇被粗大猛烈的视频| 久久国产精品男人的天堂亚洲 | 精品一区二区三区视频在线| 日本黄大片高清| 少妇 在线观看| 91aial.com中文字幕在线观看| 18禁观看日本| 国产精品人妻久久久影院| av专区在线播放| 天堂8中文在线网| 看十八女毛片水多多多| 女性被躁到高潮视频| 91国产中文字幕| 18禁观看日本| 亚洲内射少妇av| 亚洲,欧美,日韩| 午夜老司机福利剧场| 天天操日日干夜夜撸| 天堂俺去俺来也www色官网| 视频区图区小说| 丝袜喷水一区| 久久影院123| 女性生殖器流出的白浆| 老司机影院成人| 只有这里有精品99| 高清在线视频一区二区三区| 午夜久久久在线观看| 欧美日本中文国产一区发布| 美女cb高潮喷水在线观看| 亚洲一区二区三区欧美精品| 中文字幕免费在线视频6| 久久人人爽人人爽人人片va| 人妻一区二区av| 好男人视频免费观看在线| 国产女主播在线喷水免费视频网站| 国产69精品久久久久777片| 亚洲欧美成人综合另类久久久| 国产精品麻豆人妻色哟哟久久| 欧美另类一区| 五月开心婷婷网| 国产片特级美女逼逼视频| 大香蕉久久成人网| 国产欧美日韩综合在线一区二区| 国产亚洲一区二区精品| 亚洲国产av影院在线观看| 两个人免费观看高清视频| 一级二级三级毛片免费看| 色网站视频免费| 丝袜脚勾引网站| 看非洲黑人一级黄片| 涩涩av久久男人的天堂| 青春草亚洲视频在线观看| 亚洲中文av在线| 亚洲国产精品成人久久小说| 91aial.com中文字幕在线观看| 日本91视频免费播放| 自拍欧美九色日韩亚洲蝌蚪91| 97在线人人人人妻| 美女国产视频在线观看| 亚洲丝袜综合中文字幕| 免费观看性生交大片5| 黄色配什么色好看| 热re99久久国产66热| 亚洲国产精品一区二区三区在线| 国产亚洲一区二区精品| 黑人高潮一二区| 午夜福利,免费看| 我要看黄色一级片免费的| 大香蕉久久成人网| 精品亚洲成国产av| 午夜免费鲁丝| 寂寞人妻少妇视频99o| 婷婷成人精品国产| 亚洲天堂av无毛| 国产色婷婷99| xxxhd国产人妻xxx| 欧美精品一区二区大全| 久热久热在线精品观看| 大片电影免费在线观看免费| 亚洲国产日韩一区二区| 丝袜脚勾引网站| 少妇人妻 视频| av专区在线播放| 嫩草影院入口| 日韩一本色道免费dvd| 亚洲av在线观看美女高潮| 免费av中文字幕在线| 久久国产精品大桥未久av| 一级黄片播放器| 最近最新中文字幕免费大全7| 欧美激情 高清一区二区三区| 亚洲精品国产av成人精品| 久久99精品国语久久久| 丝袜喷水一区| 色视频在线一区二区三区| 午夜福利网站1000一区二区三区| 香蕉精品网在线| 国产亚洲午夜精品一区二区久久| 国产精品一区二区三区四区免费观看| 九色亚洲精品在线播放| 99热网站在线观看| 日韩在线高清观看一区二区三区| 免费观看无遮挡的男女| 九九在线视频观看精品| av电影中文网址| 日韩人妻高清精品专区| 嘟嘟电影网在线观看| 日本wwww免费看| 免费少妇av软件| 亚洲内射少妇av| 欧美人与善性xxx| 美女福利国产在线| 高清午夜精品一区二区三区| 久久久久网色| 汤姆久久久久久久影院中文字幕| 女的被弄到高潮叫床怎么办| 99热网站在线观看| 夜夜爽夜夜爽视频| 搡老乐熟女国产| 99精国产麻豆久久婷婷| 丰满饥渴人妻一区二区三| 中文精品一卡2卡3卡4更新| 伊人久久精品亚洲午夜| 亚洲人与动物交配视频| 亚洲伊人久久精品综合| 99re6热这里在线精品视频| 亚洲国产精品成人久久小说| 亚洲欧美成人综合另类久久久| 亚洲第一av免费看| 狂野欧美激情性xxxx在线观看| 在线精品无人区一区二区三| 久久国产亚洲av麻豆专区| 国产有黄有色有爽视频| 色婷婷久久久亚洲欧美| 亚洲精品自拍成人| 老司机亚洲免费影院| 亚洲精品乱码久久久久久按摩| 亚洲av综合色区一区|