• <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
    免费久久久久久久精品成人欧美视频 | xxx大片免费视频| 菩萨蛮人人尽说江南好唐韦庄| 亚洲国产av新网站| 免费不卡的大黄色大毛片视频在线观看| 日韩精品有码人妻一区| 只有这里有精品99| 成年美女黄网站色视频大全免费 | 一二三四中文在线观看免费高清| 美女福利国产在线 | 晚上一个人看的免费电影| 久久久久久久大尺度免费视频| 九九爱精品视频在线观看| 国产精品蜜桃在线观看| 老女人水多毛片| 少妇精品久久久久久久| 老熟女久久久| 亚洲丝袜综合中文字幕| av视频免费观看在线观看| 欧美变态另类bdsm刘玥| 99国产精品免费福利视频| 成人免费观看视频高清| 久久久久久久久久人人人人人人| 欧美激情极品国产一区二区三区 | 搡女人真爽免费视频火全软件| 成人黄色视频免费在线看| 伊人久久国产一区二区| 国产大屁股一区二区在线视频| av在线app专区| 99久久精品一区二区三区| 中文字幕久久专区| 日韩成人伦理影院| 伦理电影大哥的女人| 十八禁网站网址无遮挡 | 成年美女黄网站色视频大全免费 | 毛片一级片免费看久久久久| 久久 成人 亚洲| 精品久久久精品久久久| 麻豆成人午夜福利视频| av女优亚洲男人天堂| 99热这里只有是精品在线观看| 纯流量卡能插随身wifi吗| 精品人妻一区二区三区麻豆| 久久久久性生活片| 国内精品宾馆在线| 国产精品一区www在线观看| 国产中年淑女户外野战色| 一级av片app| 少妇精品久久久久久久| av专区在线播放| 国产精品国产av在线观看| 五月开心婷婷网| 夜夜看夜夜爽夜夜摸| 边亲边吃奶的免费视频| 少妇丰满av| 99热网站在线观看| 九色成人免费人妻av| 在线观看国产h片| 天美传媒精品一区二区| 最近手机中文字幕大全| 久久精品国产亚洲网站| 日本黄色片子视频| 99热这里只有精品一区| 一级爰片在线观看| 久久久精品免费免费高清| 亚洲国产日韩一区二区| av.在线天堂| 午夜福利网站1000一区二区三区| 亚洲欧美精品专区久久| 日韩制服骚丝袜av| 亚洲自偷自拍三级| 18禁在线播放成人免费| 久久6这里有精品| 色婷婷久久久亚洲欧美| 免费在线观看成人毛片| 亚洲精品456在线播放app| 国产亚洲av片在线观看秒播厂| 午夜免费观看性视频| 91狼人影院| 你懂的网址亚洲精品在线观看| 亚洲精品视频女| 日韩制服骚丝袜av| 亚洲国产精品一区三区| 能在线免费看毛片的网站| 国产乱来视频区| 久久精品国产亚洲av天美| 青春草视频在线免费观看| 伊人久久精品亚洲午夜| 免费观看av网站的网址| 亚洲精品,欧美精品| 日韩精品有码人妻一区| 国产亚洲午夜精品一区二区久久| 亚洲国产精品专区欧美| 精品一区二区免费观看| 观看美女的网站| 国产免费一区二区三区四区乱码| 免费黄色在线免费观看| 久久久久久久国产电影| av专区在线播放| 国产欧美亚洲国产| 你懂的网址亚洲精品在线观看| 久久国产乱子免费精品| 高清日韩中文字幕在线| 少妇裸体淫交视频免费看高清| 插阴视频在线观看视频| 妹子高潮喷水视频| 精品亚洲乱码少妇综合久久| 精品久久久噜噜| 性高湖久久久久久久久免费观看| 成人毛片60女人毛片免费| 蜜臀久久99精品久久宅男| 日本午夜av视频| 一边亲一边摸免费视频| 女人十人毛片免费观看3o分钟| 久久久久网色| 免费观看无遮挡的男女| 在线免费观看不下载黄p国产| 国产欧美日韩一区二区三区在线 | 久久6这里有精品| 毛片女人毛片| 久久久久久久国产电影| 成年免费大片在线观看| 欧美3d第一页| 热re99久久精品国产66热6| 直男gayav资源| 国产午夜精品一二区理论片| www.av在线官网国产| 久久人妻熟女aⅴ| 一区在线观看完整版| 多毛熟女@视频| 亚洲aⅴ乱码一区二区在线播放| 亚洲精品成人av观看孕妇| 丝袜喷水一区| 熟女av电影| 肉色欧美久久久久久久蜜桃| 亚洲美女黄色视频免费看| 亚洲欧洲日产国产| 久久6这里有精品| 久久99热6这里只有精品| 国产伦精品一区二区三区四那| 欧美最新免费一区二区三区| 街头女战士在线观看网站| 精品午夜福利在线看| 亚洲aⅴ乱码一区二区在线播放| 狂野欧美激情性bbbbbb| 亚洲国产毛片av蜜桃av| 国产成人一区二区在线| 亚洲av欧美aⅴ国产| 菩萨蛮人人尽说江南好唐韦庄| 天堂8中文在线网| 成年人午夜在线观看视频| 精品人妻一区二区三区麻豆| 人人妻人人爽人人添夜夜欢视频 | 国产淫片久久久久久久久| av线在线观看网站| 国产一区二区三区综合在线观看 | 亚洲国产av新网站| 18禁在线播放成人免费| 国产美女午夜福利| 国产乱人偷精品视频| 国产一区二区三区综合在线观看 | 一本—道久久a久久精品蜜桃钙片| 久久精品久久精品一区二区三区| 国产片特级美女逼逼视频| 中文在线观看免费www的网站| 亚洲久久久国产精品| 国产爱豆传媒在线观看| av又黄又爽大尺度在线免费看| 91在线精品国自产拍蜜月| 麻豆乱淫一区二区| 久久精品国产鲁丝片午夜精品| 国产在线视频一区二区| 亚洲精品自拍成人| 一边亲一边摸免费视频| 日韩欧美精品免费久久| 狠狠精品人妻久久久久久综合| 久久毛片免费看一区二区三区| 男的添女的下面高潮视频| 亚洲av成人精品一二三区| 久久97久久精品| 亚洲精品成人av观看孕妇| 80岁老熟妇乱子伦牲交| 亚洲欧美一区二区三区黑人 | 女性生殖器流出的白浆| 久久精品国产自在天天线| 久久久久人妻精品一区果冻| 色婷婷久久久亚洲欧美| av线在线观看网站| 久久久久久久久久久免费av| 国产亚洲5aaaaa淫片| 舔av片在线| 国产精品久久久久久精品电影小说 | 在线播放无遮挡| 在线天堂最新版资源| 国产精品av视频在线免费观看| 天美传媒精品一区二区| 国产亚洲一区二区精品| 久久久精品免费免费高清| av.在线天堂| 亚洲熟女精品中文字幕| 偷拍熟女少妇极品色| 久久精品夜色国产| 精品久久久噜噜| 插逼视频在线观看| 一级毛片 在线播放| av国产久精品久网站免费入址| 熟妇人妻不卡中文字幕| 久久久久久久久久久免费av| 美女主播在线视频| 中国国产av一级| 久久99热6这里只有精品| av专区在线播放| 交换朋友夫妻互换小说| 18禁裸乳无遮挡动漫免费视频| 午夜福利影视在线免费观看| 精品亚洲乱码少妇综合久久| 性高湖久久久久久久久免费观看| 精华霜和精华液先用哪个| 深爱激情五月婷婷| 91精品国产九色| 在线精品无人区一区二区三 | 久久精品国产亚洲网站| 小蜜桃在线观看免费完整版高清| 成人毛片60女人毛片免费| 中文精品一卡2卡3卡4更新| 2021少妇久久久久久久久久久| 欧美成人午夜免费资源| 亚洲经典国产精华液单| 亚洲天堂av无毛| 偷拍熟女少妇极品色| 日本黄色片子视频| 不卡视频在线观看欧美| 亚洲精品,欧美精品| 欧美性感艳星| 久久精品久久久久久久性| 欧美老熟妇乱子伦牲交| 亚洲欧美精品专区久久| 偷拍熟女少妇极品色| 亚洲精品中文字幕在线视频 | 极品教师在线视频| 人人妻人人爽人人添夜夜欢视频 | 三级经典国产精品| 亚洲欧美精品专区久久| 成人18禁高潮啪啪吃奶动态图 | 3wmmmm亚洲av在线观看| 久久97久久精品| 国产精品国产三级国产专区5o| 在线观看人妻少妇| 亚洲电影在线观看av| 777米奇影视久久| 在现免费观看毛片| 成人美女网站在线观看视频| 国产av码专区亚洲av| 七月丁香在线播放| 卡戴珊不雅视频在线播放| 成年av动漫网址| 国产精品一区二区三区四区免费观看| 视频区图区小说| 18禁裸乳无遮挡免费网站照片| av在线老鸭窝| 成人毛片60女人毛片免费| 国产精品女同一区二区软件| 久久久国产一区二区| 男男h啪啪无遮挡| 久久久久久人妻| 九草在线视频观看| 免费播放大片免费观看视频在线观看| 少妇裸体淫交视频免费看高清| 成年免费大片在线观看| 国产探花极品一区二区| 国产午夜精品久久久久久一区二区三区| 亚洲欧洲日产国产| 日本黄色片子视频| 欧美区成人在线视频| 欧美另类一区| 亚洲不卡免费看| 蜜桃久久精品国产亚洲av| 美女中出高潮动态图| 亚洲av国产av综合av卡| 午夜福利视频精品| 久久精品国产亚洲av天美| 夜夜看夜夜爽夜夜摸| 亚洲av福利一区| 国产成人aa在线观看| 日本欧美视频一区| 免费高清在线观看视频在线观看| 欧美日韩视频高清一区二区三区二| 蜜桃亚洲精品一区二区三区| 成人亚洲精品一区在线观看 | 欧美xxxx黑人xx丫x性爽| 精品亚洲成a人片在线观看 | 女性被躁到高潮视频| 国产成人午夜福利电影在线观看| 哪个播放器可以免费观看大片| 久久6这里有精品| 精品久久久噜噜| 欧美精品一区二区免费开放| 一级毛片我不卡| 欧美一级a爱片免费观看看| 国产极品天堂在线| 在线观看免费高清a一片| 观看免费一级毛片| 欧美精品人与动牲交sv欧美| 97在线视频观看| 在线免费观看不下载黄p国产| 亚洲在久久综合| 最新中文字幕久久久久| 一区二区三区免费毛片| 国产乱人偷精品视频| 亚洲成人av在线免费| 国产男女内射视频| 国产精品国产三级国产专区5o| 欧美激情极品国产一区二区三区 | videossex国产| 国产免费又黄又爽又色| 中文字幕av成人在线电影| 成人漫画全彩无遮挡| 晚上一个人看的免费电影| av天堂中文字幕网| 噜噜噜噜噜久久久久久91| 91精品国产九色| 国产免费福利视频在线观看| 舔av片在线| 精品人妻一区二区三区麻豆| 午夜福利在线在线| 日本欧美国产在线视频| 身体一侧抽搐| 日本欧美国产在线视频| av在线蜜桃| 国语对白做爰xxxⅹ性视频网站| 欧美激情极品国产一区二区三区 | 99视频精品全部免费 在线| 欧美成人a在线观看| 九草在线视频观看| 女人十人毛片免费观看3o分钟| 欧美激情国产日韩精品一区| 日本av手机在线免费观看| 亚洲性久久影院| a级毛片免费高清观看在线播放| 精品久久久噜噜| 丰满人妻一区二区三区视频av| 九九爱精品视频在线观看| 免费观看a级毛片全部| 干丝袜人妻中文字幕| 亚洲精品自拍成人| 国产精品一二三区在线看| 2022亚洲国产成人精品| 秋霞在线观看毛片| 国产精品成人在线| 妹子高潮喷水视频| 精品久久久久久久久亚洲| 性色av一级| 在线观看免费日韩欧美大片 | 丝袜脚勾引网站| 1000部很黄的大片| 国产黄色视频一区二区在线观看| 久久久亚洲精品成人影院| 色婷婷久久久亚洲欧美| 欧美精品人与动牲交sv欧美| 在线免费观看不下载黄p国产| 中文字幕av成人在线电影| a 毛片基地| 1000部很黄的大片| 久久久久国产精品人妻一区二区| 亚洲av中文av极速乱| 午夜激情福利司机影院| 国产精品成人在线| 亚洲av不卡在线观看| 少妇人妻一区二区三区视频| 中文字幕制服av| 久久国产乱子免费精品| 熟妇人妻不卡中文字幕| 美女国产视频在线观看| 精品亚洲成国产av| 国产亚洲欧美精品永久| 久久这里有精品视频免费| 国产男女内射视频| 欧美高清成人免费视频www| 激情 狠狠 欧美| 尾随美女入室| 黄色怎么调成土黄色| 国产探花极品一区二区| 91精品国产国语对白视频| 亚洲色图av天堂| 亚洲婷婷狠狠爱综合网| 久久人妻熟女aⅴ| 国产精品熟女久久久久浪| 亚洲av日韩在线播放| 国产精品熟女久久久久浪| 国产免费一级a男人的天堂| 麻豆成人午夜福利视频| 日日啪夜夜撸| 如何舔出高潮| 美女cb高潮喷水在线观看| 97超碰精品成人国产| 青春草亚洲视频在线观看| 亚洲性久久影院| 嫩草影院新地址| 日韩国内少妇激情av| 亚洲精品久久午夜乱码| 女性生殖器流出的白浆| 日本一二三区视频观看| 国产精品一区二区性色av| a 毛片基地| 亚洲一区二区三区欧美精品| 国产精品一二三区在线看| 91aial.com中文字幕在线观看| 亚洲av综合色区一区| 久久国产乱子免费精品| av线在线观看网站| 五月玫瑰六月丁香| 人人妻人人看人人澡| 免费大片18禁| 人人妻人人澡人人爽人人夜夜| 亚洲高清免费不卡视频| 国产免费福利视频在线观看| 99热6这里只有精品| 亚洲真实伦在线观看| 免费看av在线观看网站| 欧美bdsm另类| 国产色爽女视频免费观看| 2018国产大陆天天弄谢| 国产伦理片在线播放av一区| 在线观看免费高清a一片| 九九在线视频观看精品| 女性被躁到高潮视频| 男女啪啪激烈高潮av片| 美女高潮的动态| 26uuu在线亚洲综合色| 新久久久久国产一级毛片| 丰满人妻一区二区三区视频av| 男人添女人高潮全过程视频| 亚洲精品国产成人久久av| 国产精品99久久久久久久久| 国产免费视频播放在线视频| 欧美三级亚洲精品| 亚洲欧美日韩另类电影网站 | 51国产日韩欧美| 久久久午夜欧美精品| 韩国高清视频一区二区三区| 精品国产三级普通话版| 尤物成人国产欧美一区二区三区| 在线观看三级黄色| 午夜免费男女啪啪视频观看| 精品少妇久久久久久888优播| 久久久久久久久久久免费av| 老司机影院成人| 日韩av不卡免费在线播放| 国产无遮挡羞羞视频在线观看| 成人国产麻豆网| 中文在线观看免费www的网站| 高清av免费在线| 日韩成人伦理影院| 亚洲高清免费不卡视频| 婷婷色av中文字幕| 国产午夜精品久久久久久一区二区三区| 国产欧美日韩一区二区三区在线 | 日韩伦理黄色片| 直男gayav资源| xxx大片免费视频| 国产成人午夜福利电影在线观看| 久久99热这里只频精品6学生| 国产白丝娇喘喷水9色精品| 99久久精品国产国产毛片| 91午夜精品亚洲一区二区三区| 免费看日本二区| 一区二区三区精品91| 国产乱来视频区| 亚洲av欧美aⅴ国产| 天天躁日日操中文字幕| 欧美激情国产日韩精品一区| 伦理电影免费视频| 99久久精品一区二区三区| 精品午夜福利在线看| 国产精品蜜桃在线观看| 免费高清在线观看视频在线观看| 国产片特级美女逼逼视频| 肉色欧美久久久久久久蜜桃| 亚洲国产最新在线播放| 高清视频免费观看一区二区| 日韩av免费高清视频| 免费少妇av软件| 日韩中文字幕视频在线看片 | 亚洲综合色惰| 欧美成人午夜免费资源| av免费观看日本| 色视频www国产| 亚洲精品视频女| av女优亚洲男人天堂| 高清黄色对白视频在线免费看 | 欧美3d第一页| 99热网站在线观看| 少妇的逼水好多| 久久青草综合色| 亚洲国产高清在线一区二区三| 熟女人妻精品中文字幕| 国产 一区精品| 最近最新中文字幕大全电影3| 丰满乱子伦码专区| 亚洲最大成人中文| 日本欧美国产在线视频| 亚洲美女黄色视频免费看| 又爽又黄a免费视频| 丰满乱子伦码专区| 三级经典国产精品| 黄色视频在线播放观看不卡| 黄片wwwwww| 夜夜爽夜夜爽视频| 精品少妇久久久久久888优播| 一级毛片黄色毛片免费观看视频| 日韩一区二区三区影片| 亚洲国产精品专区欧美| 国产午夜精品一二区理论片| av卡一久久| 在线观看av片永久免费下载| 欧美极品一区二区三区四区| 一级片'在线观看视频| 一个人看视频在线观看www免费| 婷婷色综合www| 亚洲精品日韩在线中文字幕| 99久久人妻综合| 一级毛片电影观看| 国产精品一区二区三区四区免费观看| av女优亚洲男人天堂| 美女主播在线视频| 大又大粗又爽又黄少妇毛片口| 精品少妇久久久久久888优播| 久久人妻熟女aⅴ| 欧美丝袜亚洲另类| 五月伊人婷婷丁香| 中文字幕久久专区| av在线播放精品| 1000部很黄的大片| 纯流量卡能插随身wifi吗| 国产一区亚洲一区在线观看| 国产成人一区二区在线| 国产在视频线精品| 91aial.com中文字幕在线观看| 老女人水多毛片| 深爱激情五月婷婷| 午夜福利在线观看免费完整高清在| 干丝袜人妻中文字幕| 亚州av有码| 人妻一区二区av| 免费观看的影片在线观看| 国产精品无大码| 亚洲第一av免费看| 天美传媒精品一区二区| 人妻夜夜爽99麻豆av| 国产一级毛片在线| 777米奇影视久久| 久久鲁丝午夜福利片| 色婷婷久久久亚洲欧美| 久久精品国产自在天天线| av专区在线播放| 亚洲成人手机| 免费高清在线观看视频在线观看| 丝袜喷水一区| 啦啦啦中文免费视频观看日本| 日本-黄色视频高清免费观看| 美女视频免费永久观看网站| 高清av免费在线| 三级经典国产精品| 日韩一区二区三区影片| 爱豆传媒免费全集在线观看| 国产成人freesex在线| 国产精品久久久久久精品电影小说 | 高清欧美精品videossex| 精品人妻视频免费看| 男女无遮挡免费网站观看| 午夜福利视频精品| 2022亚洲国产成人精品| 少妇精品久久久久久久| 啦啦啦中文免费视频观看日本| 国产爱豆传媒在线观看| 高清在线视频一区二区三区| 久久人人爽av亚洲精品天堂 | 久久99热6这里只有精品| 久久久久视频综合| 黄色一级大片看看| 国产成人aa在线观看| 色婷婷av一区二区三区视频| 国产伦在线观看视频一区| 国产精品久久久久成人av| 3wmmmm亚洲av在线观看| 亚洲人成网站在线观看播放| 婷婷色综合www| 3wmmmm亚洲av在线观看| 另类亚洲欧美激情| 美女cb高潮喷水在线观看| 3wmmmm亚洲av在线观看| 人人妻人人看人人澡| 我要看黄色一级片免费的| 国产一区二区在线观看日韩| 人人妻人人看人人澡| 99久久精品国产国产毛片| 欧美bdsm另类| 在线播放无遮挡| 日韩亚洲欧美综合| 男女下面进入的视频免费午夜| 免费看不卡的av| 国产在视频线精品| 看非洲黑人一级黄片| 欧美zozozo另类| 免费高清在线观看视频在线观看| 免费少妇av软件| 大片免费播放器 马上看| 亚洲美女黄色视频免费看| 秋霞伦理黄片| 亚洲欧美清纯卡通| 久久精品久久久久久噜噜老黄| 亚洲人成网站在线观看播放| 春色校园在线视频观看| 99热国产这里只有精品6| 国产伦理片在线播放av一区|