• <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 ?

    基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)

    2018-03-27 09:14:00孟海濤
    關(guān)鍵詞:建模傳感器節(jié)點(diǎn)

    孟海濤, 邵 星

    (鹽城工學(xué)院 信息工程學(xué)院, 江蘇 鹽城 224000)

    由多個(gè)傳感器節(jié)點(diǎn)組成的無線傳感器網(wǎng)絡(luò), 能對(duì)網(wǎng)絡(luò)范圍內(nèi)的對(duì)象信息進(jìn)行實(shí)時(shí)采集和狀態(tài)跟蹤, 在許多領(lǐng)域應(yīng)用廣泛[1]. 傳感器網(wǎng)絡(luò)異常事件檢測(cè)可以了解當(dāng)前傳感器網(wǎng)絡(luò)的工作狀態(tài), 根據(jù)檢測(cè)結(jié)果提前制定安全防范措施, 因此設(shè)計(jì)檢測(cè)正確率高的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型是保障傳感器網(wǎng)絡(luò)正常工作的基礎(chǔ), 已成為目前傳感器網(wǎng)絡(luò)中的重要研究課題[2-3].

    針對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)問題, 目前已有許多傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型[4], 主要分為兩種: 傳統(tǒng)模型和現(xiàn)代模型. 傳統(tǒng)傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型主要基于傳統(tǒng)統(tǒng)計(jì)學(xué)理論進(jìn)行建模, 有模糊理論、 專家理論等[5-6], 其對(duì)小規(guī)模傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模速度快, 檢測(cè)效果好, 但當(dāng)前傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)規(guī)模越來越大, 異常事件的類型越來越多, 傳統(tǒng)模型無法適應(yīng)異常事件檢測(cè)發(fā)展的要求, 使得異常事件檢測(cè)結(jié)果可靠性低, 實(shí)際應(yīng)用價(jià)值較低[7-8]. 現(xiàn)代模型基于現(xiàn)代統(tǒng)計(jì)學(xué)理論, 如機(jī)器學(xué)習(xí)理論、 人工智能理論等, 其具有一定的智能性, 可很好地?cái)M合傳感器網(wǎng)絡(luò)異常事件與異常事件特征之間的變化關(guān)系, 建立整體性能良好的異常事件檢測(cè)模型, 已成為目前傳感器網(wǎng)絡(luò)異常事件檢測(cè)的主要研究方向[9]. 在傳感器網(wǎng)絡(luò)異常事件檢測(cè)過程中, 信息采集十分關(guān)鍵, 直接影響傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模效果. 由于一個(gè)傳感器網(wǎng)絡(luò)包含有大量的節(jié)點(diǎn), 節(jié)點(diǎn)采集信息量較大, 如果將原始信息直接用于傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模, 則建模過程會(huì)較復(fù)雜, 傳感器網(wǎng)絡(luò)異常事件檢測(cè)效率較低, 因此必須對(duì)傳感器網(wǎng)絡(luò)采集的信息進(jìn)行預(yù)處理. 雖然傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采集信息量較多, 但異常事件是稀疏的, 因此可根據(jù)異常事件是稀疏的特點(diǎn)對(duì)信息進(jìn)行預(yù)處理.

    壓縮感知算法可采集少量具有稀疏性的信號(hào), 然后通過重構(gòu)算法得到原始信號(hào)表達(dá)的內(nèi)容, 因此可采用壓縮感知算法對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)信息進(jìn)行預(yù)處理, 加快異常事件檢測(cè)速度[10]. 傳感器網(wǎng)絡(luò)異常事件檢測(cè)實(shí)際是一種二分類問題[11], 即將事件劃分為“正?!焙汀爱惓!眱深? 當(dāng)前建模工具主要為神經(jīng)網(wǎng)絡(luò)和支持向量機(jī), 神經(jīng)網(wǎng)絡(luò)基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理對(duì)傳感器網(wǎng)絡(luò)異常事件特征進(jìn)行學(xué)習(xí), 建立傳感器網(wǎng)絡(luò)異常事件檢測(cè)的分類器, 其檢測(cè)結(jié)果不穩(wěn)定, 當(dāng)訓(xùn)練樣本的數(shù)量較大時(shí), 可獲得理想的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 當(dāng)訓(xùn)練樣本數(shù)量較小時(shí), 傳感器網(wǎng)絡(luò)異常事件誤檢率較高, 即所謂“過擬合”缺陷[12]. 支持向量機(jī)對(duì)訓(xùn)練樣本的數(shù)據(jù)沒有嚴(yán)格要求, 即使在小樣本情況下, 也可得到較高正確率的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 但當(dāng)加入一個(gè)新樣本時(shí), 支持向量機(jī)就要重新學(xué)習(xí)一次, 傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模花費(fèi)時(shí)間較長, 無法達(dá)到傳感器網(wǎng)絡(luò)異常事件的在線檢測(cè)要求[13]. 極限學(xué)習(xí)機(jī)集成了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的優(yōu)點(diǎn), 同時(shí)克服了神經(jīng)網(wǎng)絡(luò)的“過擬合”和支持向量機(jī)建模時(shí)間長的缺陷, 在獲得較好學(xué)習(xí)結(jié)果的同時(shí), 學(xué)習(xí)速度較快, 為傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模提供了一種新工具.

    為了改善傳感器網(wǎng)絡(luò)異常事件檢測(cè)的效果, 本文提出一種基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型. 首先采用壓縮感知算法對(duì)信息進(jìn)行采樣和重構(gòu), 大幅度減少信息量, 然后提取傳感器網(wǎng)絡(luò)異常事件檢測(cè)特征, 采用極限學(xué)習(xí)機(jī)建立傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 通過傳感器網(wǎng)絡(luò)異常事件檢測(cè)仿真實(shí)驗(yàn)結(jié)果表明, 壓縮感知算法可獲得理想的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 且檢測(cè)性能明顯優(yōu)于當(dāng)前其他傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型.

    1 預(yù)備知識(shí)

    1.1 壓縮感知算法

    信號(hào)可壓縮的條件為信號(hào)具有稀疏性, 一旦信號(hào)滿足稀疏性條件, 即可采用少量信號(hào)對(duì)原始信號(hào)進(jìn)行重構(gòu). 設(shè)實(shí)值信號(hào)b長度為N, 可表示為b(n),n∈{1,2,…,N}, 則b即可用基ψ=(ψ1,ψ2,…,ψN)描述:

    (1)

    其中z是一個(gè)矩陣. 信號(hào)稀疏變換系數(shù)投影到傳感矩陣上, 可產(chǎn)生觀測(cè)向量:

    y=Φb.

    (2)

    綜合式(1),(2)可得

    (3)

    其中A=Φψ,Φ為M×N(M?N)維傳感矩陣, 同時(shí)Φ滿足如下條件:

    (4)

    根據(jù)式(1)可知b是稀疏的, 且滿足式(4)的條件, 可通過對(duì)式(2)的最小l0范數(shù)進(jìn)行求解, 根據(jù)y重構(gòu)原始信號(hào)b, 即

    (5)

    l0范數(shù)求解過程是一個(gè)NP難題, 在一定條件下,l1范數(shù)和l0范數(shù)具有等價(jià)性, 即

    (6)

    應(yīng)用壓縮感知算法需滿足如下3個(gè)條件:

    1) 信號(hào)的稀疏表示;

    2) 得到滿足式(4)的傳感矩陣Φ;

    3) 設(shè)計(jì)壓縮感知重建算法, 其主要負(fù)責(zé)從低維信號(hào)恢復(fù)出原始高維信號(hào).

    目前常見壓縮感知重建算法很多, 其中正交匹配跟蹤算法通用性較好, 因此本文選擇正交匹配跟蹤算法作為傳感器網(wǎng)絡(luò)異常事件信息的重構(gòu)算法, 算法步驟如下:

    輸入:M×N維的矩陣Φ,y及信號(hào)的稀疏度K;

    1)r0=y,Λ0=?, 迭代次數(shù)t=1;

    5) 迭代次數(shù)增加, 若滿足條件t

    1.2 極限學(xué)習(xí)機(jī)

    (7)

    其中:αi表示輸入權(quán)值;bi表示檢測(cè)偏差;k表示樣本數(shù);βi表示輸出權(quán)值. 對(duì)式(7)進(jìn)行變換, 用矩陣形式描述為

    Hkβk=Tk,

    (8)

    其中:Tk表示傳感器網(wǎng)絡(luò)異常事件檢測(cè)的輸出向量;Hk表示神經(jīng)元的矩陣,

    (9)

    最后得到基于極限學(xué)習(xí)機(jī)的傳感器異常事件檢測(cè)模型為

    (10)

    2 傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型

    2.1 傳感器網(wǎng)絡(luò)

    圖1 傳感器網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.1 Basic structure of sensor network

    傳感器網(wǎng)絡(luò)由大量的傳感器節(jié)點(diǎn)組成, 被隨機(jī)部署于一個(gè)監(jiān)測(cè)區(qū)域內(nèi), 該區(qū)域被劃分為多個(gè)子區(qū)域, 每個(gè)子區(qū)域的節(jié)點(diǎn)劃分為兩類: 簇頭和普通節(jié)點(diǎn), 可實(shí)現(xiàn)互換, 普通節(jié)點(diǎn)主要負(fù)責(zé)采集對(duì)象狀態(tài)信息, 簇頭主要收集普通節(jié)點(diǎn)信息, 并采用一定規(guī)則對(duì)信息進(jìn)行融合, 減少信息之間的冗余量, 將信息發(fā)送給基站, 傳感器網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示. 為了簡化傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模過程, 做如下假設(shè):

    1) 每個(gè)傳感器節(jié)點(diǎn)有唯一區(qū)別身份的ID號(hào), 且全部傳感器節(jié)點(diǎn)位置一旦部署好就固定不變;

    2) 普通節(jié)點(diǎn)的通信、 信息采集能力相同, 具有相同的初始能量, 能量會(huì)不斷消耗掉, 且能量不能更新, 基站節(jié)點(diǎn)的能量是無限的;

    3) 每個(gè)節(jié)點(diǎn)發(fā)射功率可自動(dòng)調(diào)整, 且可以根據(jù)接收到的信息強(qiáng)度估計(jì)兩個(gè)節(jié)點(diǎn)之間的距離, 根據(jù)距離的遠(yuǎn)近加入相應(yīng)的簇.

    傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的通信模式如圖2所示. 當(dāng)一個(gè)節(jié)點(diǎn)要發(fā)送lbit數(shù)據(jù)時(shí), 其消耗的能量計(jì)算公式為

    (11)

    圖2 傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的通信模式Fig.2 Communication mode of sensor network nodes

    ERx(l,d)=ERx-elec(l)=lEelec.

    (12)

    設(shè)傳感器網(wǎng)線的節(jié)點(diǎn)量為N, 整個(gè)傳感器網(wǎng)絡(luò)可劃分為k個(gè)子區(qū)域, 每個(gè)子區(qū)域稱為簇, 每個(gè)簇有1個(gè)簇頭和(N/k-1)個(gè)普通節(jié)點(diǎn), 簇頭與基站的距離為dS, 則一個(gè)工作期內(nèi)簇頭的能耗公式為

    (13)

    其中EDA表示數(shù)據(jù)融合的能耗. 若節(jié)點(diǎn)到簇頭的距離為dC, 則一個(gè)節(jié)點(diǎn)向簇頭傳輸數(shù)據(jù)的能耗為

    (14)

    (15)

    其中M表示傳感器網(wǎng)絡(luò)的監(jiān)測(cè)區(qū)域長度.

    綜上可知, 在簇頭進(jìn)行信息融合時(shí), 引入壓縮感知算法, 減少信息規(guī)模, 簡化傳感器網(wǎng)絡(luò)異常事件檢測(cè)分類器的輸入, 可改善傳感器網(wǎng)絡(luò)異常事件檢測(cè)效果.

    2.2 模型設(shè)計(jì)

    傳感器網(wǎng)絡(luò)異常事件檢測(cè)為一個(gè)二分類問題, 即根據(jù)一定規(guī)則將當(dāng)前事件劃分為正?;虍惓? 設(shè)檢測(cè)到異常事件傳感器節(jié)點(diǎn)的信息數(shù)據(jù)值用“1”表示, 未檢測(cè)到異常事件傳感器節(jié)點(diǎn)的信息數(shù)據(jù)值用“0”表示, 可通過極限學(xué)習(xí)機(jī)建立一個(gè)傳感器網(wǎng)絡(luò)異常事件檢測(cè)的二分類器. 檢測(cè)步驟如下:

    1) 根據(jù)應(yīng)用要求, 構(gòu)建多個(gè)傳感器節(jié)點(diǎn)組成的傳感器網(wǎng)絡(luò), 各節(jié)點(diǎn)負(fù)責(zé)對(duì)其范圍內(nèi)信息進(jìn)行采集;

    2) 將各個(gè)傳感器節(jié)點(diǎn)收集信息發(fā)送到其各自的簇頭;

    3) 各簇頭對(duì)傳感器網(wǎng)絡(luò)狀態(tài)信息進(jìn)行融合, 并引入壓縮感知算法對(duì)傳感器網(wǎng)絡(luò)狀態(tài)信息進(jìn)行壓縮和重構(gòu), 以減少傳感器網(wǎng)絡(luò)狀態(tài)信息規(guī)模;

    圖3 傳感器網(wǎng)絡(luò)異常事件檢測(cè)流程Fig.3 Flow of abnormal event detection in sensor networks

    4) 從重構(gòu)的傳感器網(wǎng)絡(luò)狀態(tài)信息中提取異常事件檢測(cè)特征, 其組成傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型的輸入向量;

    5) 根據(jù)輸入向量和傳感器網(wǎng)絡(luò)狀態(tài)對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)的訓(xùn)練樣本進(jìn)行處理, 并輸入極限學(xué)習(xí)機(jī)進(jìn)行學(xué)習(xí), 建立傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型;

    6) 對(duì)一個(gè)待檢測(cè)的傳感器網(wǎng)絡(luò)事件, 采用建立的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型進(jìn)行測(cè)試, 輸出傳感器網(wǎng)絡(luò)事件為正?;虍惓顟B(tài).

    基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型工作流程如圖3所示.

    3 傳感器網(wǎng)絡(luò)異常事件檢測(cè)性能分析

    3.1 測(cè)試環(huán)境

    通過仿真實(shí)驗(yàn)分析基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)效果. 實(shí)驗(yàn)環(huán)境: 節(jié)點(diǎn)數(shù)為1 000, 監(jiān)測(cè)范圍為0~100 m2, 數(shù)據(jù)包長度為24 bit, 控制包大小為64 bit, 傳感器節(jié)點(diǎn)的初始能量為5 J,εfs=0.005 J/bit,εmp=0.001 3 pJ/bit,Eelec=50 nJ/bit. 采用壓縮感知算法對(duì)傳感器網(wǎng)絡(luò)信息進(jìn)行處理, 以減少傳感器網(wǎng)絡(luò)信息規(guī)模, 提取對(duì)傳感器異常事件檢測(cè)特征, 由于特征類型多樣、 量綱不同, 因此對(duì)其進(jìn)行歸一化處理:

    (16)

    其中xi表示原始特征.

    3.2 結(jié)果與分析

    3.2.1 壓縮感知算法的有效性 為了分析壓縮感知算法的有效性, 選擇未加入壓縮感知算法的檢測(cè)模型進(jìn)行對(duì)比測(cè)試, 共進(jìn)行5次實(shí)驗(yàn), 得到的傳感器網(wǎng)絡(luò)異常事件檢測(cè)率和平均檢測(cè)時(shí)間列于表1. 由表1可見, 壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)率高于對(duì)比算法, 平均檢測(cè)時(shí)間明顯減少, 加快了傳感器網(wǎng)絡(luò)異常事件檢測(cè)速度, 減少了信息冗余對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模的干擾, 在簇頭信息融合引入壓縮感知算法是有效、 可行的.

    表1 壓縮感知前后的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果

    3.2.2 性能對(duì)比 選擇文獻(xiàn)[13]、 文獻(xiàn)[14]的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn), 共進(jìn)行5次仿真測(cè)試, 統(tǒng)計(jì)其傳感器網(wǎng)絡(luò)異常事件檢測(cè)率、 傳感器網(wǎng)絡(luò)異常事件誤檢率、 傳感器網(wǎng)絡(luò)異常事件漏檢率及傳感器網(wǎng)絡(luò)的平均能耗, 實(shí)驗(yàn)結(jié)果列于表2.

    表2 與其他不同模型傳感器網(wǎng)絡(luò)異常事件的檢測(cè)性能對(duì)比

    由表2可見:

    1) 相對(duì)于文獻(xiàn)[13]、 文獻(xiàn)[14]的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 本文模型的傳感器網(wǎng)絡(luò)異常事件檢測(cè)率得到明顯提升, 大幅度降低了傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型的誤檢率和漏檢率, 這主要是由于引入壓縮感知算法消除了重復(fù)傳感器網(wǎng)絡(luò)異常狀態(tài)信息的干擾, 同時(shí)引入極限學(xué)習(xí)機(jī)建立了性能更優(yōu)的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 且本文模型的傳感器網(wǎng)絡(luò)異常事件檢測(cè)速度更快, 能實(shí)現(xiàn)傳感器網(wǎng)絡(luò)異常事件的在線檢測(cè);

    2) 本文模型的傳感器網(wǎng)絡(luò)能耗小于文獻(xiàn)[13]、 文獻(xiàn)[14]的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型的能耗, 這是由于通過壓縮感知算法對(duì)簇頭信息進(jìn)行融合和重構(gòu)后, 減少了傳輸信號(hào)的規(guī)模, 節(jié)約了信息傳輸能耗, 能有效延長傳感器網(wǎng)絡(luò)的壽命, 使信息檢測(cè)的成本更優(yōu), 實(shí)際應(yīng)用價(jià)值更高.

    綜上所述, 為了獲得更優(yōu)的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 針對(duì)目前傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模過程中的信息冗余等難題, 本文提出了一種基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 采用壓縮感知算法對(duì)信息進(jìn)行采樣和重構(gòu), 采用少量的信息描述原始信息, 大幅度減少了傳感器網(wǎng)絡(luò)異常事件檢測(cè)輸入數(shù)據(jù), 加快了傳感器網(wǎng)絡(luò)異常事件檢測(cè)速度, 并通過引入極限學(xué)習(xí)機(jī)實(shí)現(xiàn)了傳感器網(wǎng)絡(luò)異常事件檢測(cè)的分類, 最后通過仿真測(cè)試結(jié)果表明, 壓縮感知算法可提高傳感器網(wǎng)絡(luò)異常事件檢測(cè)效率, 實(shí)現(xiàn)傳感器網(wǎng)絡(luò)異常事件在線檢測(cè), 同時(shí)獲得比其他傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型更優(yōu)的結(jié)果.

    [1] Loo C E, Ng M Y, Leckie C, et al. Intrusion Detection for Routing Attacks in Sensor Networks [J]. International Journal of Distributed Sensor Networks, 2006, 2(4): 313-332.

    [2] Zhang Y, Meratnia N, Havinga P. Outlier Detection Techniques for Wireless Sensor Networks: A Survey [J]. IEEE Communications Surveys and Tutorials, 2010, 12(2): 159-170.

    [3] 李力. 無線傳感網(wǎng)中一種基于支持向量機(jī)的異常事件檢測(cè)方案 [J]. 計(jì)算機(jī)應(yīng)用與軟件, 2015, 32(2): 272-275. (LI Li. An SVM-Based Abnormal Events Detection Scheme in Wireless Sensor Networks [J]. Computer Applications and Software, 2015, 32(2): 272-275.)

    [4] 李興囯, 王俊峰. 無線網(wǎng)絡(luò)數(shù)據(jù)流量異常優(yōu)化檢測(cè)仿真研究 [J]. 計(jì)算機(jī)仿真, 2017, 24(9): 286-289. (LI Xingguo, WANG Junfeng. Simulation Research of Wireless Network Data Flow Anomaly Detection [J]. Computer Simulation, 2017, 24(9): 286-289.)

    [5] 韓紅光, 周改云. 基于Makov鏈狀態(tài)轉(zhuǎn)移概率矩陣的網(wǎng)絡(luò)入侵檢測(cè) [J]. 控制工程, 2017, 24(3): 698-704. (HAN Hongguang, ZHOU Gaiyun. A Network Intrusion Detection Method Based on Fusion of Markov Chain State Transfer Probability Matrix [J]. Control Engineering of China, 2017, 24(3): 698-704.)

    [6] 周鵬, 熊運(yùn)余. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)狀態(tài)異常檢測(cè) [J]. 吉林大學(xué)學(xué)報(bào)(理學(xué)版), 2017, 55(5): 1269-1274. (ZHOU Peng, XIONG Yunyu. Anomaly Detection of Network State Based on Data Mining [J]. Journal of Jilin University (Science Edition), 2017, 55(5): 1269-1274.)

    [7] 孫敏, 徐彩霞, 高陽. 基于FWKN-SVM的Android異常入侵檢測(cè)的研究 [J]. 計(jì)算機(jī)科學(xué), 2015, 42(4): 116-118. (SUN Min, XU Caixia, GAO Yang. Research of Android Abnormal Intrusion Detection Based on Feature-Weighted K-Nearest-Neighbor SVM [J]. Computer Science, 2015, 42(4): 116-118.)

    [8] 吳銳, 陳靜. 基于SVM的電信網(wǎng)絡(luò)異常點(diǎn)檢測(cè)技術(shù)的研究 [J]. 赤峰學(xué)院學(xué)報(bào)(自然科學(xué)版), 2017, 33(11): 46-47. (WU Rui, CHEN Jing. Research on Anomaly Detection Technology of Telecom Network Based on SVM [J]. Journal of Chifeng University (Natural Science Edition), 2017, 33(11): 46-47.)

    [9] 袁琴琴, 呂林濤. 基于改進(jìn)蟻群算法與遺傳算法組合的網(wǎng)絡(luò)入侵檢測(cè) [J]. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 29(1): 84-89. (YUAN Qinqin, Lü Lintao. Network Intrusion Detection Method Based on Combination of Improved Ant Colony Optimization and Genetic Algorithm [J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2017, 29(1): 84-89.)

    [10] 閆偉, 張軍. 基于時(shí)間序列分析的網(wǎng)絡(luò)流量異常檢測(cè) [J]. 吉林大學(xué)學(xué)報(bào)(理學(xué)版), 2017, 55(5): 1249-1254. (YAN Wei, ZHANG Jun. Network Traffic Anomaly Detection Based on Time Series Analysis [J]. Journal of Jilin University (Science Edition), 2017, 55(5): 1249-1254.)

    [11] 唐斯琪, 潘志松. 基于流形學(xué)習(xí)的網(wǎng)絡(luò)數(shù)據(jù)流異常檢測(cè) [J]. 濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 32(2): 118-128. (TANG Siqi, PAN Zhisong. Anomaly Detection in Network Traffic Flow Based on Manifold Learning [J]. Journal of University of Jinan (Science and Technology), 2017, 32(2): 118-128.)

    [12] 吳麗云, 李生林, 甘旭升, 等. 基于PLS特征提取的網(wǎng)絡(luò)異常入侵檢測(cè)CVM模型 [J]. 控制與決策, 2017, 32(4): 755-758. (WU Liyun, LI Shenglin, GAN Xusheng, et al. Network Anomaly Intrusion Detection CVM Model Based on PLS Feature Extraction [J]. Control and Decision, 2017, 32(4): 755-758.)

    [13] 陳興蜀, 江天宇, 曾雪梅, 等. 基于多維時(shí)間序列分析的網(wǎng)絡(luò)異常檢測(cè) [J]. 工程科學(xué)與技術(shù), 2017, 49(1): 144-150. (CHEN Xingshu, JIANG Tianyu, ZENG Xuemei, et al. Network Anomaly Detector Based on Multiple Time Series Analysis [J]. Advanced Engineering Sciences, 2017, 49(1): 144-150.)

    [14] 劉汝雋, 賈斌, 辛陽. 基于信息增益特征選擇的網(wǎng)絡(luò)異常檢測(cè)模型 [J]. 計(jì)算機(jī)應(yīng)用, 2016, 36(增刊2): 49-53. (LIU Rujun, JIA Bin, XIN Yang. Network Anomaly Detection Model Based on Information Gain Feature Selection [J]. Journal of Computer Applications, 2016, 36(Suppl 2): 49-53.)

    猜你喜歡
    建模傳感器節(jié)點(diǎn)
    CM節(jié)點(diǎn)控制在船舶上的應(yīng)用
    康奈爾大學(xué)制造出可拉伸傳感器
    Analysis of the characteristics of electronic equipment usage distance for common users
    聯(lián)想等效,拓展建?!浴皫щ娦∏蛟诘刃?chǎng)中做圓周運(yùn)動(dòng)”為例
    基于AutoCAD的門窗節(jié)點(diǎn)圖快速構(gòu)建
    簡述傳感器在物聯(lián)網(wǎng)中的應(yīng)用
    電子制作(2019年22期)2020-01-14 03:16:52
    “傳感器新聞”會(huì)帶來什么
    跟蹤導(dǎo)練(三)2
    基于PSS/E的風(fēng)電場(chǎng)建模與動(dòng)態(tài)分析
    電子制作(2018年17期)2018-09-28 01:56:44
    不對(duì)稱半橋變換器的建模與仿真
    欧美精品高潮呻吟av久久| 一区二区av电影网| 午夜免费鲁丝| 建设人人有责人人尽责人人享有的| 国产成人系列免费观看| 少妇裸体淫交视频免费看高清 | 亚洲精品美女久久av网站| 最近最新免费中文字幕在线| 2018国产大陆天天弄谢| 欧美日韩精品网址| 国产高清激情床上av| 亚洲人成77777在线视频| 后天国语完整版免费观看| 国产精品 欧美亚洲| 99九九在线精品视频| 少妇粗大呻吟视频| 成年人免费黄色播放视频| 亚洲人成电影观看| 制服人妻中文乱码| 国产亚洲一区二区精品| 黄片小视频在线播放| 国产精品久久久久久人妻精品电影 | 成年版毛片免费区| 久久精品熟女亚洲av麻豆精品| 大陆偷拍与自拍| 久9热在线精品视频| 人人澡人人妻人| 黑人巨大精品欧美一区二区mp4| 天天躁狠狠躁夜夜躁狠狠躁| 免费女性裸体啪啪无遮挡网站| 精品久久久久久电影网| 国产1区2区3区精品| 欧美日韩黄片免| 91麻豆精品激情在线观看国产 | 免费女性裸体啪啪无遮挡网站| 亚洲国产av新网站| 咕卡用的链子| 日韩成人在线观看一区二区三区| 黄频高清免费视频| 一本色道久久久久久精品综合| 在线观看舔阴道视频| 亚洲 国产 在线| 欧美激情极品国产一区二区三区| 极品人妻少妇av视频| 91精品国产国语对白视频| 亚洲精品国产区一区二| 国产午夜精品久久久久久| 波多野结衣一区麻豆| 久久人人爽av亚洲精品天堂| 在线亚洲精品国产二区图片欧美| 91成年电影在线观看| 国产欧美日韩综合在线一区二区| 国产成人精品久久二区二区免费| 91成人精品电影| 日韩熟女老妇一区二区性免费视频| 麻豆国产av国片精品| 日本av手机在线免费观看| 热re99久久精品国产66热6| 国产精品久久久人人做人人爽| 亚洲国产精品一区二区三区在线| 一级片'在线观看视频| 一区二区三区乱码不卡18| 丝瓜视频免费看黄片| 亚洲精品国产精品久久久不卡| 久久久国产成人免费| 久久青草综合色| 日本黄色视频三级网站网址 | 黄片大片在线免费观看| 99精品在免费线老司机午夜| 亚洲成人免费av在线播放| 日韩视频一区二区在线观看| 成人国语在线视频| 香蕉久久夜色| av线在线观看网站| 精品国产一区二区三区久久久樱花| 精品国产乱码久久久久久小说| 人人妻人人添人人爽欧美一区卜| 久久婷婷成人综合色麻豆| 91精品三级在线观看| 成年人黄色毛片网站| 淫妇啪啪啪对白视频| 不卡一级毛片| 国产精品九九99| 无人区码免费观看不卡 | 精品免费久久久久久久清纯 | 国精品久久久久久国模美| 精品一区二区三区视频在线观看免费 | 人人妻人人添人人爽欧美一区卜| 亚洲精品中文字幕在线视频| 国产av精品麻豆| 桃花免费在线播放| 五月天丁香电影| 国产xxxxx性猛交| 69av精品久久久久久 | 在线天堂中文资源库| 午夜精品久久久久久毛片777| 国产精品一区二区免费欧美| 欧美+亚洲+日韩+国产| 国产精品自产拍在线观看55亚洲 | 9191精品国产免费久久| 国产成人系列免费观看| 超色免费av| 国产一区二区 视频在线| 不卡一级毛片| 肉色欧美久久久久久久蜜桃| 精品午夜福利视频在线观看一区 | 99国产精品免费福利视频| 汤姆久久久久久久影院中文字幕| 亚洲精品av麻豆狂野| 在线观看www视频免费| 精品乱码久久久久久99久播| 视频区图区小说| 成人精品一区二区免费| 人人妻,人人澡人人爽秒播| 99精国产麻豆久久婷婷| √禁漫天堂资源中文www| 老熟妇乱子伦视频在线观看| 精品少妇黑人巨大在线播放| 亚洲人成伊人成综合网2020| 9热在线视频观看99| 久久毛片免费看一区二区三区| 久久久久久久久久久久大奶| 亚洲精品久久午夜乱码| 一个人免费看片子| 又大又爽又粗| 啦啦啦中文免费视频观看日本| 男人舔女人的私密视频| 国产福利在线免费观看视频| 久久国产精品人妻蜜桃| 涩涩av久久男人的天堂| 亚洲国产精品一区二区三区在线| 欧美久久黑人一区二区| 精品亚洲乱码少妇综合久久| 欧美精品人与动牲交sv欧美| 淫妇啪啪啪对白视频| 亚洲国产成人一精品久久久| 亚洲av日韩在线播放| 国产精品欧美亚洲77777| 中文亚洲av片在线观看爽 | 纵有疾风起免费观看全集完整版| 最新美女视频免费是黄的| 国产精品久久久久久精品古装| 亚洲第一青青草原| aaaaa片日本免费| 91九色精品人成在线观看| 男女午夜视频在线观看| 久久久久国内视频| 一个人免费在线观看的高清视频| 如日韩欧美国产精品一区二区三区| 精品久久久久久电影网| 国产精品 欧美亚洲| 久久 成人 亚洲| 一本久久精品| 午夜激情av网站| 无遮挡黄片免费观看| 天天操日日干夜夜撸| 久久ye,这里只有精品| 丝袜在线中文字幕| 大型av网站在线播放| 国产aⅴ精品一区二区三区波| 国产精品亚洲一级av第二区| 18禁国产床啪视频网站| 亚洲免费av在线视频| 精品福利观看| 女性生殖器流出的白浆| 黄色丝袜av网址大全| 悠悠久久av| 99精国产麻豆久久婷婷| 国产精品一区二区免费欧美| 国产又爽黄色视频| 最黄视频免费看| 一本综合久久免费| 1024香蕉在线观看| 狂野欧美激情性xxxx| 一级黄色大片毛片| 丝袜美腿诱惑在线| 最新美女视频免费是黄的| 午夜精品国产一区二区电影| 中国美女看黄片| 啦啦啦视频在线资源免费观看| 国产真人三级小视频在线观看| 青草久久国产| 欧美国产精品va在线观看不卡| 精品人妻在线不人妻| 欧美精品一区二区免费开放| 我要看黄色一级片免费的| 亚洲视频免费观看视频| 日韩中文字幕视频在线看片| 国产一区二区三区视频了| 欧美日韩中文字幕国产精品一区二区三区 | 看免费av毛片| 丁香欧美五月| 免费在线观看黄色视频的| 欧美性长视频在线观看| 亚洲精品国产精品久久久不卡| 欧美成人免费av一区二区三区 | 精品亚洲乱码少妇综合久久| 中亚洲国语对白在线视频| 看免费av毛片| 人妻 亚洲 视频| 欧美日韩一级在线毛片| 久久国产精品影院| 中文字幕人妻丝袜制服| 国产99久久九九免费精品| 国产xxxxx性猛交| a在线观看视频网站| 国精品久久久久久国模美| 国产日韩欧美在线精品| 国产成人一区二区三区免费视频网站| 一边摸一边做爽爽视频免费| 精品国产一区二区三区久久久樱花| 亚洲精品国产色婷婷电影| 99国产极品粉嫩在线观看| 亚洲av国产av综合av卡| 国产亚洲精品一区二区www | 欧美精品一区二区免费开放| 水蜜桃什么品种好| 国产精品九九99| √禁漫天堂资源中文www| 自线自在国产av| 中亚洲国语对白在线视频| 中文字幕高清在线视频| 少妇被粗大的猛进出69影院| 老司机午夜福利在线观看视频 | 日韩人妻精品一区2区三区| av国产精品久久久久影院| 精品视频人人做人人爽| 操美女的视频在线观看| 12—13女人毛片做爰片一| 狠狠狠狠99中文字幕| 国产日韩一区二区三区精品不卡| 国产淫语在线视频| 国产成人一区二区三区免费视频网站| 精品一区二区三区视频在线观看免费 | 欧美国产精品va在线观看不卡| 国产欧美日韩精品亚洲av| 婷婷丁香在线五月| 久久精品国产a三级三级三级| 中亚洲国语对白在线视频| 亚洲午夜理论影院| 男女床上黄色一级片免费看| 夫妻午夜视频| 国产xxxxx性猛交| 18禁黄网站禁片午夜丰满| 欧美日韩av久久| 女人久久www免费人成看片| 日韩大片免费观看网站| 999久久久精品免费观看国产| 狠狠婷婷综合久久久久久88av| 成人18禁在线播放| 亚洲欧美色中文字幕在线| 麻豆国产av国片精品| 精品福利观看| 久久99一区二区三区| 高潮久久久久久久久久久不卡| 亚洲国产看品久久| 国产成人欧美在线观看 | 亚洲精品美女久久久久99蜜臀| 大码成人一级视频| 亚洲国产成人一精品久久久| 久久天躁狠狠躁夜夜2o2o| 午夜日韩欧美国产| 亚洲精品美女久久久久99蜜臀| 老司机福利观看| 狠狠精品人妻久久久久久综合| 一级,二级,三级黄色视频| 99九九在线精品视频| 99精品欧美一区二区三区四区| 18禁裸乳无遮挡动漫免费视频| 精品一区二区三区视频在线观看免费 | 欧美性长视频在线观看| 91成年电影在线观看| 人人澡人人妻人| 精品国产一区二区三区四区第35| 久久精品国产99精品国产亚洲性色 | 国产在线视频一区二区| 国产在线精品亚洲第一网站| 久久久欧美国产精品| 久久久久久亚洲精品国产蜜桃av| 老熟妇仑乱视频hdxx| 久久免费观看电影| 一本综合久久免费| 叶爱在线成人免费视频播放| 午夜福利视频精品| 女人久久www免费人成看片| 国产一区二区 视频在线| av欧美777| 国产区一区二久久| 日韩欧美国产一区二区入口| 欧美日韩一级在线毛片| 国产精品久久久久久精品古装| 亚洲精华国产精华精| 国产亚洲精品一区二区www | 国精品久久久久久国模美| av欧美777| 一本—道久久a久久精品蜜桃钙片| 黄色 视频免费看| 视频在线观看一区二区三区| 一区二区三区乱码不卡18| 亚洲精品粉嫩美女一区| 久久人妻av系列| 男女无遮挡免费网站观看| 精品久久久久久电影网| 乱人伦中国视频| 99香蕉大伊视频| 黄网站色视频无遮挡免费观看| av网站免费在线观看视频| 国产亚洲精品一区二区www | 丝袜人妻中文字幕| 国产精品一区二区免费欧美| 热99久久久久精品小说推荐| 国产国语露脸激情在线看| 女性被躁到高潮视频| 国产精品自产拍在线观看55亚洲 | av线在线观看网站| 国产精品秋霞免费鲁丝片| 不卡一级毛片| 亚洲天堂av无毛| 一边摸一边做爽爽视频免费| 1024视频免费在线观看| 热99国产精品久久久久久7| 午夜福利免费观看在线| 真人做人爱边吃奶动态| 欧美激情极品国产一区二区三区| 丁香六月欧美| 亚洲av日韩精品久久久久久密| 9色porny在线观看| 宅男免费午夜| 黑人欧美特级aaaaaa片| 亚洲第一青青草原| 久久久久久久久免费视频了| 精品少妇黑人巨大在线播放| 精品国内亚洲2022精品成人 | 成在线人永久免费视频| 在线观看舔阴道视频| 国产免费现黄频在线看| 亚洲成人手机| 90打野战视频偷拍视频| 丰满少妇做爰视频| 少妇裸体淫交视频免费看高清 | 自拍欧美九色日韩亚洲蝌蚪91| 91成人精品电影| 极品人妻少妇av视频| 伊人久久大香线蕉亚洲五| 99香蕉大伊视频| 久久婷婷成人综合色麻豆| 成人手机av| 日本黄色视频三级网站网址 | 天堂8中文在线网| 一进一出好大好爽视频| av天堂久久9| 考比视频在线观看| 久久午夜综合久久蜜桃| 精品乱码久久久久久99久播| 黄色怎么调成土黄色| 亚洲第一青青草原| 人人妻人人添人人爽欧美一区卜| 亚洲精品粉嫩美女一区| 色播在线永久视频| 成在线人永久免费视频| 免费在线观看视频国产中文字幕亚洲| 国产福利在线免费观看视频| 亚洲欧美精品综合一区二区三区| 汤姆久久久久久久影院中文字幕| 精品一区二区三区视频在线观看免费 | 亚洲 国产 在线| 免费在线观看黄色视频的| 国产欧美日韩一区二区三区在线| bbb黄色大片| 纯流量卡能插随身wifi吗| 欧美日韩一级在线毛片| 99国产极品粉嫩在线观看| 日韩一卡2卡3卡4卡2021年| 18禁观看日本| e午夜精品久久久久久久| 97在线人人人人妻| 777米奇影视久久| 99re在线观看精品视频| 法律面前人人平等表现在哪些方面| h视频一区二区三区| 2018国产大陆天天弄谢| 蜜桃在线观看..| 久久热在线av| 岛国毛片在线播放| 久久精品国产综合久久久| 99国产综合亚洲精品| 午夜91福利影院| 大陆偷拍与自拍| 中文字幕精品免费在线观看视频| 18禁美女被吸乳视频| 我要看黄色一级片免费的| 日本a在线网址| 成年人午夜在线观看视频| 欧美精品人与动牲交sv欧美| 国产精品1区2区在线观看. | 日本撒尿小便嘘嘘汇集6| 久久精品国产a三级三级三级| 性少妇av在线| 美女午夜性视频免费| 一级片'在线观看视频| 国产主播在线观看一区二区| 最新美女视频免费是黄的| 99精品欧美一区二区三区四区| 一级毛片女人18水好多| 美女高潮到喷水免费观看| 国产成人免费无遮挡视频| 国产三级黄色录像| 99九九在线精品视频| 国产伦人伦偷精品视频| 曰老女人黄片| 国产成人影院久久av| 超碰97精品在线观看| 99精品久久久久人妻精品| 韩国精品一区二区三区| 中文字幕色久视频| 国产高清激情床上av| 国产人伦9x9x在线观看| 99国产精品免费福利视频| 日日摸夜夜添夜夜添小说| 日韩熟女老妇一区二区性免费视频| 亚洲午夜理论影院| 99国产精品一区二区蜜桃av | 欧美老熟妇乱子伦牲交| 免费一级毛片在线播放高清视频 | 超碰成人久久| 满18在线观看网站| 在线观看66精品国产| 丝袜人妻中文字幕| 中文字幕制服av| 色婷婷av一区二区三区视频| 久久精品熟女亚洲av麻豆精品| 亚洲欧洲精品一区二区精品久久久| 欧美激情 高清一区二区三区| 一级毛片女人18水好多| 久久中文字幕人妻熟女| 欧美日韩精品网址| 欧美日韩视频精品一区| 国产在线一区二区三区精| 国产97色在线日韩免费| 80岁老熟妇乱子伦牲交| xxxhd国产人妻xxx| 俄罗斯特黄特色一大片| 午夜激情av网站| 91国产中文字幕| 女人被躁到高潮嗷嗷叫费观| 在线av久久热| 国产欧美日韩一区二区三| 久久久久久久久免费视频了| 国产一区二区三区在线臀色熟女 | 中文字幕高清在线视频| 亚洲国产精品一区二区三区在线| 亚洲欧美日韩另类电影网站| av福利片在线| 丁香欧美五月| 成人18禁高潮啪啪吃奶动态图| 精品少妇黑人巨大在线播放| 精品久久久精品久久久| 国产精品久久久久久人妻精品电影 | 免费观看av网站的网址| 久久国产精品影院| 国产精品美女特级片免费视频播放器 | 99香蕉大伊视频| 国产男靠女视频免费网站| 国产亚洲欧美精品永久| 亚洲视频免费观看视频| 美女福利国产在线| av福利片在线| 国产精品久久久av美女十八| 成人18禁高潮啪啪吃奶动态图| 五月开心婷婷网| 日韩免费高清中文字幕av| 精品福利永久在线观看| 丝袜在线中文字幕| 亚洲精品乱久久久久久| av欧美777| 黄色a级毛片大全视频| 国产精品一区二区在线观看99| 久久久久网色| 男人操女人黄网站| 一个人免费看片子| 久久影院123| 人人妻人人澡人人爽人人夜夜| 岛国在线观看网站| 久久精品亚洲av国产电影网| 极品少妇高潮喷水抽搐| 夫妻午夜视频| 美女高潮到喷水免费观看| 欧美性长视频在线观看| 91国产中文字幕| 亚洲伊人色综图| av网站在线播放免费| 欧美黑人欧美精品刺激| 欧美日韩国产mv在线观看视频| 99国产精品一区二区蜜桃av | 成年人免费黄色播放视频| 夜夜骑夜夜射夜夜干| 色精品久久人妻99蜜桃| 男女无遮挡免费网站观看| 色视频在线一区二区三区| 欧美日韩亚洲综合一区二区三区_| 亚洲欧美精品综合一区二区三区| 亚洲人成电影免费在线| 欧美精品高潮呻吟av久久| 最新美女视频免费是黄的| 亚洲av电影在线进入| 美女国产高潮福利片在线看| 成年人黄色毛片网站| videos熟女内射| 成人18禁在线播放| 国产免费现黄频在线看| 国产精品一区二区精品视频观看| 亚洲一卡2卡3卡4卡5卡精品中文| 精品人妻1区二区| www.熟女人妻精品国产| 人人妻人人澡人人爽人人夜夜| 老司机在亚洲福利影院| 女警被强在线播放| av在线播放免费不卡| 一级毛片女人18水好多| 在线看a的网站| 另类精品久久| 成年女人毛片免费观看观看9 | 日韩视频一区二区在线观看| 亚洲欧美日韩另类电影网站| aaaaa片日本免费| 久久毛片免费看一区二区三区| 中文字幕高清在线视频| 麻豆av在线久日| av线在线观看网站| 成人影院久久| 亚洲人成77777在线视频| 一级黄色大片毛片| 极品人妻少妇av视频| 久久久欧美国产精品| 亚洲国产欧美网| 视频在线观看一区二区三区| 日本五十路高清| 制服人妻中文乱码| 免费观看人在逋| 激情视频va一区二区三区| 成人国语在线视频| 国产精品二区激情视频| 欧美性长视频在线观看| 69精品国产乱码久久久| 成年动漫av网址| 亚洲色图综合在线观看| 夜夜爽天天搞| 黑人巨大精品欧美一区二区蜜桃| 夫妻午夜视频| 亚洲av电影在线进入| 麻豆乱淫一区二区| 国产97色在线日韩免费| 99re6热这里在线精品视频| 国产精品熟女久久久久浪| 午夜精品久久久久久毛片777| 国产不卡一卡二| 91精品国产国语对白视频| 久久免费观看电影| 精品人妻1区二区| 久久人妻av系列| 男女之事视频高清在线观看| 成人av一区二区三区在线看| 亚洲欧洲日产国产| 国产男女超爽视频在线观看| 国产视频一区二区在线看| 欧美黄色淫秽网站| 91精品三级在线观看| 国产精品国产高清国产av | 精品国产国语对白av| 国产成人影院久久av| 免费黄频网站在线观看国产| 亚洲精品久久午夜乱码| 夜夜爽天天搞| 女人高潮潮喷娇喘18禁视频| 丰满迷人的少妇在线观看| 18禁美女被吸乳视频| 午夜视频精品福利| 国产激情久久老熟女| 午夜福利在线免费观看网站| 国产视频一区二区在线看| 18禁裸乳无遮挡动漫免费视频| 老汉色av国产亚洲站长工具| 97人妻天天添夜夜摸| 性少妇av在线| 99re6热这里在线精品视频| 激情在线观看视频在线高清 | av电影中文网址| 久久性视频一级片| 国产不卡一卡二| 大片免费播放器 马上看| 久久精品亚洲av国产电影网| 亚洲国产看品久久| 精品卡一卡二卡四卡免费| 国产色视频综合| 久久精品熟女亚洲av麻豆精品| 亚洲av成人一区二区三| 成年人黄色毛片网站| 在线观看免费视频网站a站| 午夜91福利影院| 亚洲熟女精品中文字幕| av在线播放免费不卡| netflix在线观看网站| 亚洲色图 男人天堂 中文字幕| 日韩精品免费视频一区二区三区| 王馨瑶露胸无遮挡在线观看| 两性夫妻黄色片| 久久狼人影院| 亚洲成人手机| 成年人黄色毛片网站| 一区二区日韩欧美中文字幕| 一本综合久久免费| 最黄视频免费看| 宅男免费午夜| 国产精品久久久久久精品电影小说| 日本撒尿小便嘘嘘汇集6|