• <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 ?

    互聯(lián)網(wǎng)軟件錯(cuò)誤日志聚類

    2018-07-05 07:29:02程世文王長(zhǎng)進(jìn)
    關(guān)鍵詞:特征詞特征向量日志

    程世文,裴 丹,王長(zhǎng)進(jìn)

    1(清華大學(xué) 計(jì)算機(jī)系,北京 100084)2(北京小桔科技(滴滴出行)有限公司,北京 100193)

    1 引 言

    互聯(lián)網(wǎng)服務(wù)已經(jīng)深入到用戶生活的方方面面,用戶對(duì)互聯(lián)網(wǎng)服務(wù)體驗(yàn)的要求越來越高,這正是互聯(lián)網(wǎng)內(nèi)容提供商所面臨著的巨大的挑戰(zhàn).互聯(lián)網(wǎng)內(nèi)容提供商在實(shí)際運(yùn)營(yíng)過程中,所維護(hù)的各項(xiàng)服務(wù)業(yè)務(wù)隨時(shí)可能會(huì)遇到各種各樣的問題,這就需要收集相應(yīng)的日志,并對(duì)錯(cuò)誤日志進(jìn)行分析和處理.因此,將問題對(duì)應(yīng)的錯(cuò)誤日志及時(shí)反饋給相應(yīng)的研發(fā)人員是排除問題的首要因素.

    在互聯(lián)網(wǎng)內(nèi)容提供商收集日志的過程中,即使采用采樣的方式,收集到的日志的數(shù)量也是十分巨大的,往往也是以TB甚至PB為單位.并且,很多錯(cuò)誤日志是完全相同或者相似的,錯(cuò)誤日志的不同種類僅占極少數(shù).僅以錯(cuò)誤日志舉例,本文研究的某互聯(lián)網(wǎng)公司每天采樣收集到的錯(cuò)誤日志量約10-20TB,但其中錯(cuò)誤日志的不同種類只占到了400-800種左右.將如此巨大數(shù)量的錯(cuò)誤日志直接反饋給研發(fā)人員進(jìn)行逐條人工排錯(cuò),顯然是不可行的.因此,對(duì)海量錯(cuò)誤日志進(jìn)行預(yù)先聚類則顯得非常重要.

    在實(shí)際收集的錯(cuò)誤日志中,往往具有如下挑戰(zhàn):

    1)日志數(shù)量巨大;

    2)格式不規(guī)范,變量較多,無法全部清洗;

    3)干擾數(shù)據(jù)較多,較難提取特征信息;

    4)聚類效果、性能要求較高,難度較大.

    在日志聚類方面,國(guó)內(nèi)外的一些研究學(xué)者也進(jìn)行了不少的研究與應(yīng)用.Xu[1]等人提出了對(duì)控制臺(tái)日志(Console logs)的預(yù)處理,但這些日志是形如“starting:xact (.*)is (.*)”的模板日志,非常規(guī)范且種類有限,通過相應(yīng)的正則表達(dá)式即可匹配識(shí)別.Qiu[2]等人設(shè)計(jì)并實(shí)現(xiàn)了SyslogDigest系統(tǒng),提出了對(duì)路由設(shè)備的syslog的壓縮和提取算法,通過進(jìn)行詞頻統(tǒng)計(jì)分析構(gòu)建出syslog的模板樹,模板樹中根節(jié)點(diǎn)到葉節(jié)點(diǎn)的所有路徑就是syslog的模板,也即所有syslog的種類.但syslog詞數(shù)有限、日志規(guī)范、易模板化,不適應(yīng)中文,且同一類型下不同形式的日志不能通過該算法區(qū)分.

    在特征提取方面,目前常用的方法是基于統(tǒng)計(jì)的特征選擇方法,包括信息增益方法(IG)、互信息方法(MI)、開方擬合檢驗(yàn)方法(CHI)、文檔頻率方法(DF)等[3,4].文檔頻率方法與其它方法比較,算法實(shí)現(xiàn)簡(jiǎn)單、復(fù)雜度低,且效果、性能相差不多[5].楊凱峰等[6]實(shí)驗(yàn)結(jié)果表明,在進(jìn)行特征選擇時(shí),高詞頻特征詞對(duì)類別的貢獻(xiàn)可提高傳統(tǒng)DF方法的分類性能.

    針對(duì)以上提到的問題,本文提出互聯(lián)網(wǎng)軟件錯(cuò)誤日志聚類方法.該方法通過引入日志模板提取、日志壓縮方法降低日志規(guī)模;通過引入計(jì)算文檔頻率提取特征詞方法提高聚類準(zhǔn)確性并降低數(shù)據(jù)維度;結(jié)合Canopy聚類和K-means聚類算法提升聚類效果.本文的聚類方法有效地解決了實(shí)際運(yùn)維中海量非規(guī)范日志的聚類問題,并在某互聯(lián)網(wǎng)公司中進(jìn)行了實(shí)際驗(yàn)證.

    2 錯(cuò)誤日志介紹

    互聯(lián)網(wǎng)公司運(yùn)維部門一般需要將從各個(gè)業(yè)務(wù)收集上來的海量錯(cuò)誤日志進(jìn)行聚類處理,將聚類結(jié)果及時(shí)反饋給相應(yīng)業(yè)務(wù)的研發(fā)人員,用于排除業(yè)務(wù)中存在的問題,從而及時(shí)止損.本文研究的公司為一個(gè)在中國(guó)領(lǐng)先的移動(dòng)出行公司,日訂單量1000萬以上.

    2.1 錯(cuò)誤日志信息

    該公司中的日志格式示例如下:

    [日志級(jí)別][時(shí)間戳][擴(kuò)展區(qū)域] 日志信息

    其中日志級(jí)別用于區(qū)分不同的日志類別(嚴(yán)重程度),包括FATAL、ERROR、WARNING、INFO、DEBUG,錯(cuò)誤日志則是日志級(jí)別為FATAL、ERROR或WARNING的日志.擴(kuò)展區(qū)域用于自定義,作為擴(kuò)展字段,可以打印一些用于調(diào)試的必要信息等.日志信息記錄了日志的具體信息,如運(yùn)行時(shí)信息、參數(shù)信息、狀態(tài)信息等.

    本文中,錯(cuò)誤日志的日志信息簡(jiǎn)稱為錯(cuò)誤日志信息,因此,對(duì)錯(cuò)誤日志聚類即是對(duì)錯(cuò)誤日志信息聚類.錯(cuò)誤日志信息舉例如表1所示.

    2.2 錯(cuò)誤日志分類

    由于實(shí)際研發(fā)過程中并沒有完全統(tǒng)一日志信息規(guī)范,所以收集的日志信息形式可能千差萬別并且無法預(yù)期.由表1示例,錯(cuò)誤日志主要分為三類:

    1)常量型,如編號(hào)1、2、3;

    2)變量型,如編號(hào)4、5,含少數(shù)不重要的變量,比如進(jìn)程號(hào);

    3)任意型,如編號(hào)6、7、8、9,常為非規(guī)范的、無法預(yù)期的結(jié)構(gòu)形式.

    2.3 聚類挑戰(zhàn)

    由于公司業(yè)務(wù)的快速發(fā)展,帶來日志量急速增長(zhǎng),同時(shí)相應(yīng)的日志規(guī)范沒有跟上,以及研發(fā)人員素質(zhì)參差不齊,導(dǎo)致收集的錯(cuò)誤日志不規(guī)范、干擾數(shù)據(jù)較多.這些都給錯(cuò)誤日志聚類帶了巨大的挑戰(zhàn):

    1)日志數(shù)量巨大

    某互聯(lián)網(wǎng)公司某運(yùn)維場(chǎng)景下錯(cuò)誤日志的收集數(shù)量約為150萬條每分鐘,大小約3.3GB每分鐘;以此推算,相應(yīng)的數(shù)據(jù)為9000萬條每小時(shí),200GB每小時(shí);21.6億條每天,2.4TB每天.

    2)變量較多,無法全部清洗

    錯(cuò)誤日志信息中的變量名、變量名與變量間的格式無法預(yù)知,且變量較多,無法通過清洗變量來分析出所有的錯(cuò)誤日志模板.

    表1 某互聯(lián)網(wǎng)公司某運(yùn)維系統(tǒng)下的錯(cuò)誤日志信息示例Table 1 Error log message examples in an operation system of an Internet company

    3)干擾數(shù)據(jù)較多,難以提取特征信息

    錯(cuò)誤日志信息可能包含如token、id、key、ticket、等md5、base64編碼的干擾數(shù)據(jù),此外還有中文、Unicode等干擾,對(duì)提取錯(cuò)誤日志的特征信息造成了很大的難度.

    4)聚類效果、性能要求較高,難度較大

    對(duì)海量非規(guī)范的錯(cuò)誤日志進(jìn)行聚類,要達(dá)到聚類效果較好、性能較高,并且需要經(jīng)得起公司運(yùn)維系統(tǒng)的實(shí)際驗(yàn)證,難度較高.

    3 解決思路

    本文提出,對(duì)幾個(gè)不同時(shí)間段內(nèi)的錯(cuò)誤日志數(shù)據(jù)(每個(gè)時(shí)間段時(shí)間跨度約30分鐘,數(shù)量約4500萬條,大小約100GB),分別進(jìn)行聚類分析,對(duì)所有聚類結(jié)果計(jì)算平均頻度占比,可以得到如下結(jié)果:

    1)錯(cuò)誤類別總數(shù)約270個(gè);

    2)將錯(cuò)誤類別的頻度由高到低排序,前80個(gè)錯(cuò)誤類別的頻度較高,高于100,長(zhǎng)尾的是頻度較低的錯(cuò)誤類別;

    3)前5個(gè)錯(cuò)誤類別的平均占比總和約為57.1%,前10個(gè)錯(cuò)誤類別的平均占比總和約為68.5%,前15個(gè)錯(cuò)誤類別的平均占比總和約為74.2%,如圖1所示.

    因此,在短時(shí)間內(nèi)出現(xiàn)的錯(cuò)誤類別總數(shù)較少,同時(shí)容易出現(xiàn)大量相同類別的錯(cuò)誤日志,且頻度較高.

    針對(duì)前述挑戰(zhàn)和以上錯(cuò)誤日志特點(diǎn),本文提出解決思路如下:

    1)日志數(shù)量巨大

    由于錯(cuò)誤類別總數(shù)較少,可以將完全相同或較為相似的錯(cuò)誤日志進(jìn)行壓縮合并.常量型的日志可以直接壓縮合并,而變量型和任意型的日志則需要進(jìn)一步進(jìn)行清洗處理,提取出日志模板后才能繼續(xù)壓縮合并.

    圖1 前15個(gè)錯(cuò)誤類別平均頻度占比圖Fig.1 Average frequency ratio of the top 15 error categories

    2)變量較多,無法全部清洗

    通過對(duì)錯(cuò)誤日志中的變量進(jìn)行清洗替換處理,可以提取相應(yīng)的日志模板.提取模板可以大大減少變量對(duì)聚類的干擾,但模板中仍然可能存在著無法預(yù)期的變量,這個(gè)問題可以通過后續(xù)特征詞提取來減少甚至避免這類變量造成的聚類干擾.模板提取后再進(jìn)行日志壓縮,將會(huì)得到更好的壓縮效果.

    3)干擾數(shù)據(jù)較多,難以提取特征信息

    由于同種類別的錯(cuò)誤日志在某些特征信息上表現(xiàn)相同或者較為相似,而不同類別的錯(cuò)誤日志的特征信息則表現(xiàn)完全不同或者相差較大.因此,可以根據(jù)特征信息來對(duì)錯(cuò)誤日志進(jìn)行聚類.由于一條錯(cuò)誤日志中可能包含干擾的數(shù)據(jù)項(xiàng),如變量,它們并不能表征錯(cuò)誤日志的特征信息,所以不能采用日志的所有信息作為它的特征信息.

    本文采用基于文檔頻率的統(tǒng)計(jì)方法,來提取日志模板中的特征詞,并用特征詞來表征錯(cuò)誤日志的特征.其核心思想為:在所有日志中出現(xiàn)頻率越高的詞,越能表征該詞所在日志的類別特征;而在所有日志中出現(xiàn)頻率越低的詞,如變量,則表征日志的類別特征的可能性越低.

    然后使用提取的特征詞來建立向量空間模型(Vector Space Model,VSM)[7],從而確定特征向量,并用特征向量來表征錯(cuò)誤日志的特征.提取特征詞可以有效地減少建立向量空間模型的維度,從而降低計(jì)算復(fù)雜度.

    4)聚類效果、性能要求較高,難度較大

    通過日志模板提取、日志壓縮,可以大大減少日志的數(shù)據(jù)規(guī)模.通過文檔頻率的方法來提取日志模板的特征詞,建立特征向量,不但能很好地表征錯(cuò)誤日志的特征,而且降低了數(shù)據(jù)維度.

    對(duì)特征向量進(jìn)行聚類,采用經(jīng)典的K-means聚類算法[8],其原理簡(jiǎn)單,計(jì)算時(shí)間短,速度快,聚類效果較好,但需要確定K值和K個(gè)初始質(zhì)心,這里事先采用Canopy聚類算法[9].Canopy聚類算法是無監(jiān)督的預(yù)聚類算法,通常用于K-means算法或?qū)哟尉垲愃惴ㄖ暗奶幚黼A段.相對(duì)于傳統(tǒng)的聚類算法,Canopy聚類算法不需要事先指定聚類的個(gè)數(shù)(如K-means的K值),并且在大規(guī)模的高維度數(shù)據(jù)上速度較快,在實(shí)際工程中有很大的價(jià)值及優(yōu)勢(shì).其缺點(diǎn)是聚類精度較低,準(zhǔn)確度不高.

    因此,可以使用Canopy聚類算法進(jìn)行粗聚類,得到的聚類數(shù)和聚類中心作為K-means的K值和初始質(zhì)心.這樣可以有效地確定合理的K值,同時(shí)可以避免K個(gè)初始質(zhì)心選擇的不合理導(dǎo)致對(duì)聚類結(jié)果產(chǎn)生較大的影響.

    通過上述方法,錯(cuò)誤日志聚類可以很好地達(dá)到聚類效果較好、性能較高的要求.

    4 系統(tǒng)架構(gòu)與實(shí)現(xiàn)

    4.1 系統(tǒng)架構(gòu)

    錯(cuò)誤日志聚類系統(tǒng)架構(gòu)如圖2所示.

    圖2 錯(cuò)誤日志聚類系統(tǒng)架構(gòu)圖Fig.2 System architecture of the error log clustering

    該系統(tǒng)架構(gòu)由錯(cuò)誤日志(數(shù)據(jù)輸入)、模板提取、日志壓縮、計(jì)算文檔頻率提取特征詞、建立特征向量、Canopy粗聚類、K-means細(xì)聚類、錯(cuò)誤類別(結(jié)果輸出)組成,各個(gè)功能如下:

    1)錯(cuò)誤日志:錯(cuò)誤日志數(shù)據(jù)輸入端,每條數(shù)據(jù)為一條錯(cuò)誤日志信息.

    2)模板提取:根據(jù)替換規(guī)則,清洗替換掉錯(cuò)誤日志中不相關(guān)、不重要的變量和干擾項(xiàng),進(jìn)而提取出日志模板.替換規(guī)則可由人工進(jìn)行配置.

    3)日志壓縮:對(duì)提取后的日志模板中大量完全相同的模板進(jìn)行去重壓縮,輸出相應(yīng)的日志模板條數(shù).

    4)計(jì)算文檔頻率提取特征詞:使用文檔頻率方法提取出每條錯(cuò)誤日志模板的一些特征詞,用來表征相應(yīng)錯(cuò)誤日志的特征信息.

    5)建立特征向量:將所有錯(cuò)誤日志模板提取出來的特征詞合并成一個(gè)集合,其中每一個(gè)元素構(gòu)成向量空間的一個(gè)維度,建立向量空間模型,從而每條錯(cuò)誤日志可以由提取出來的特征詞確定相應(yīng)的特征向量.

    6)Canopy粗聚類:使用Canopy聚類算法先對(duì)數(shù)據(jù)進(jìn)行粗聚類,得到聚類數(shù)和聚類中心后再使用K-means聚類算法進(jìn)行進(jìn)一步細(xì)聚類.

    7)K-means細(xì)聚類:取K=Canopy聚類數(shù),并且選擇Canopy粗聚類后的K個(gè)中心點(diǎn)作為K個(gè)初始質(zhì)心,使用K-means聚類算法進(jìn)行細(xì)聚類.

    8)錯(cuò)誤類別:錯(cuò)誤類別數(shù)據(jù)輸出端,每條數(shù)據(jù)為一種聚類類別,及其對(duì)應(yīng)的原錯(cuò)誤日志樣本和錯(cuò)誤日志數(shù)量.

    4.2 系統(tǒng)實(shí)現(xiàn)

    4.2.1 模板提取

    根據(jù)給定的替換規(guī)則,對(duì)錯(cuò)誤日志進(jìn)行清洗替換,提取出日志模板.替換規(guī)則越多,則提取后的錯(cuò)誤日志模板的質(zhì)量更好,干擾項(xiàng)數(shù)據(jù)更少.以下給出部分初始的替換規(guī)則,基于正則表達(dá)式進(jìn)行依次替換,如表2所示.

    表2 部分初始的替換規(guī)則Table 2 Part of the initial replacement rule

    例如,“the request url is http://example.com/test”提取的日志模板為“the request url is ”,“get passenger star request error,pid:3287215705920”提取的日志模板為“get passenger star request error pid”,而“incrShowNum:get order_num data:{″id″:″916931″,″strive_num″:″1″}”提取的日志模板則為“incrShowNum get order_num data id strive_num”.

    4.2.2 日志壓縮

    本文采用的壓縮條件為提取后的日志模板完全相同,日志壓縮的實(shí)現(xiàn)算法如下:

    算法1.日志壓縮算法

    輸入:提取后的日志模板列表LOGS

    輸出:壓縮后的日志、統(tǒng)計(jì)條數(shù)鍵值對(duì)MLOGS,其中每個(gè)條目為鍵值對(duì),num為相應(yīng)log的統(tǒng)計(jì)條數(shù)

    1)MLOGS= HashMap()

    2)for log in LOGS:

    3)if MLOGS has key log:

    4)MLOGS.set(log,MLOGS.get(log)+ 1)

    5)else:

    6)MLOGS.set(log,1)

    4.2.3 計(jì)算文檔頻率提取特征詞

    本文中,每條錯(cuò)誤日志模板都視作一篇文檔,每篇文檔進(jìn)行分詞后都會(huì)得到若干詞,其中一些詞可以表征類別特征,它們對(duì)聚類有貢獻(xiàn);另外一些詞,則不能表征類別特征,它們會(huì)干擾聚類.因此,應(yīng)對(duì)這些分詞根據(jù)一定特征進(jìn)行選擇,選擇的分詞作為特征詞來表征錯(cuò)誤日志的類別特征,即從原始的分詞中選取一個(gè)子集,將干擾大、表征信息少、不重要的分詞移除,從而得到特征詞集合.對(duì)一個(gè)特征詞,統(tǒng)計(jì)該詞的文檔頻率,即包含該詞的文檔數(shù),則文檔頻率越大,說明該詞越能表征某種類別特征.所以,出現(xiàn)的文檔數(shù)越多的分詞被留作特征詞的可能性越大.在文檔頻率方法中,將每篇文檔進(jìn)行分詞,根據(jù)分詞的文檔頻率對(duì)分詞進(jìn)行排序,保留文檔頻率高的前若干個(gè)分詞構(gòu)成特征詞集合.

    實(shí)際聚類過程中,可能遇到一類詞,其出現(xiàn)次數(shù)較多,可能在一部分類別中都會(huì)出現(xiàn),但對(duì)聚類幾乎無貢獻(xiàn)、沒有較大的表征意義,如“a”“X”“2”等,其被稱作為停用詞(Stop Words)[10].在提取特征詞過程中,需要對(duì)停用詞進(jìn)行過濾.停用詞支持運(yùn)維人員調(diào)整修改,初始的停用詞為數(shù)詞和單字母詞.

    計(jì)算文檔頻率提取特征詞算法如下:

    算法2.計(jì)算文檔頻率提取特征詞

    輸入:壓縮后的日志、統(tǒng)計(jì)條數(shù)鍵值對(duì)MLOGS

    輸出:日志、特征詞鍵值對(duì)FWS,其中每個(gè)條目為鍵值對(duì),fws為相應(yīng)log的特征詞集合

    1)// 分詞、過濾停用詞

    2)SWS = HashMap()// Split Words

    3)for in MLOGS:

    4)words = split_words(log)

    5)words = unique(words)

    6)words = remove_stop_words(words)

    7)SWS.set(log,words)

    8)// 計(jì)算文檔頻率

    9)DF = HashMap()// Document Frequency

    10)for in MLOGS:

    11)words = SWS.get(log)

    12)for word in words:

    13)if DF has key word:

    14)DF.set(word,DF.get(word)+num)

    15)else:

    16)DF.set(word,num)

    17)// 提取特征詞

    18)FWS = HashMap()// Feature Words

    19)for in MLOGS:

    20)words = SWS.get(log)

    21)features = calc_top10_df_words(words)

    22)SWS.set(log,features)

    4.2.4 建立特征向量

    提取出所有錯(cuò)誤日志模板的特征詞后,設(shè)所有特征詞的集合為S={fw1,fw2,…,fwn},并依次構(gòu)成n維向量空間的各個(gè)維度,則對(duì)于錯(cuò)誤日志L及其特征詞集合FWL,其特征向量定義為

    VL=[v1,v2,…,vn],其中

    所有錯(cuò)誤日志的特征向量構(gòu)成特征向量集合D.

    4.2.5 Canopy聚類

    Canopy聚類算法需要首先設(shè)定兩個(gè)閾值T1(松散距離),T2(緊湊距離),要求T1 > T2;然后計(jì)算數(shù)據(jù)點(diǎn)之間的距離,會(huì)將距離相接近的數(shù)據(jù)點(diǎn)放入到一個(gè)子集中,這個(gè)子集被稱作Canopy;最后通過一系列計(jì)算得到若干個(gè)Canopy,Canopy之間可以重疊,但不會(huì)存在某個(gè)數(shù)據(jù)點(diǎn)不屬于任何Canopy的情況.

    使用Canopy算法聚類后,結(jié)果如圖3所示.

    圖3 Canopy聚類結(jié)果圖Fig.3 Result of Canopy clustering

    其中,T1過大,則會(huì)導(dǎo)致較多的迭代次數(shù),形成較多的Canopy;T1過小則效果相反.T2過大,則會(huì)導(dǎo)致一個(gè)Canopy中的數(shù)據(jù)較多;T2過小則相反.由于本文使用Canopy聚類算法僅進(jìn)行粗聚類,即計(jì)算出Canopy聚類數(shù),用作下游K-means聚類算法的K值,所以聚類精度要求不高,實(shí)際工程中設(shè)定T1=2*T2,T2初始值為2.

    4.2.6 K-means聚類

    K-means聚類算法需要首先設(shè)定K值,從數(shù)據(jù)集中選定K個(gè)點(diǎn)作為最初的質(zhì)心;然后將D中的每個(gè)數(shù)據(jù)劃分到離質(zhì)心最近的簇中,形成K個(gè)簇,并重新計(jì)算每個(gè)簇的質(zhì)心;重復(fù)上述過程,直到簇不發(fā)生變化.

    在K-means聚類算法中,取K=Canopy聚類數(shù),并且選擇Canopy粗聚類后的K個(gè)中心點(diǎn)作為K個(gè)初始質(zhì)心.

    5 評(píng) 估

    5.1 效果評(píng)估

    由于聚類沒有統(tǒng)一的評(píng)價(jià)指標(biāo),并且錯(cuò)誤日志數(shù)據(jù)量巨大,無法事先人工標(biāo)注,目前只能根據(jù)實(shí)際問題和場(chǎng)景,由相應(yīng)的領(lǐng)域?qū)<液凸こ處煂?duì)聚類之后的結(jié)果進(jìn)行確定和評(píng)價(jià).

    表3 聚類效果部分結(jié)果Table 3 Part results of clustering effect

    本文經(jīng)過一段時(shí)間對(duì)聚類類型和相應(yīng)的樣本進(jìn)行了評(píng)估,合作的領(lǐng)域?qū)<液凸こ處熣J(rèn)為聚類有效且達(dá)到比較理想的效果.某個(gè)時(shí)間段里聚類效果部分結(jié)果如表3所示.

    其中類別是聚類類別的編號(hào),總數(shù)是這一時(shí)間段中相應(yīng)的錯(cuò)誤日志總數(shù),日志模板即為提取的日志模板信息.例如,錯(cuò)誤類別11、日志模板為“stop pay fail ret_info errno errmsg”的一個(gè)日志樣例為“errno:80051 errmsg:stop pay fail | ret_info:{″e(cuò)rrno″:″80051″,″e(cuò)rrmsg″:″\u5173\u5355\u5931\u8d25″}”;錯(cuò)誤類別12、日志模板為“Warning getBillInfo empty orderId passengerId”的一個(gè)日志樣例為“Warning:getBillInfo empty|orderId:3267678|passengerId:159631166”.

    5.2 性能評(píng)估

    本地測(cè)試所用硬件環(huán)境為一臺(tái)雙核i5-3337U,1.80GHz,4GB內(nèi)存的筆記本電腦,操作系統(tǒng)為Windows 10,所使用的語(yǔ)言為Java和Python2.7.

    5.2.1 模板提取性能

    語(yǔ)言為Java,部分測(cè)試結(jié)果如表4所示,在幾個(gè)不同場(chǎng)景下的測(cè)試結(jié)果中,處理速度達(dá)到7.31-9.91萬條每秒.處理速度跟日志信息具體內(nèi)容有較大關(guān)系,每條日志信息越長(zhǎng)則處理速度較慢,每條日志信息越短則處理速度較快.

    表4 模板提取性能Table 4 Performance of template extraction

    5.2.2 日志壓縮性能

    語(yǔ)言為Java,部分測(cè)試結(jié)果如表5所示,在幾個(gè)不同場(chǎng)景下的測(cè)試結(jié)果中,壓縮比達(dá)到342.1-1095.8,處理速度達(dá)到40.33-85.47萬條每秒.壓縮比跟日志條數(shù)大致呈現(xiàn)正相關(guān),即壓縮比隨著日志條數(shù)增加而增大.這表明在短時(shí)間內(nèi)錯(cuò)誤類別數(shù)量維持在一定水平,日志條數(shù)大幅增加不會(huì)使得錯(cuò)誤類別數(shù)量急劇上升.

    表5 日志壓縮性能Table 5 Performance of log compression

    5.2.3 Canopy粗聚類性能

    語(yǔ)言為Python2.7,部分測(cè)試結(jié)果如表6所示,其反映了不同壓縮條數(shù)和向量維度下Canopy的處理時(shí)間.壓縮條數(shù)越大、向量維度越高,處理時(shí)間越長(zhǎng).

    5.2.4 K-means細(xì)聚類性能

    語(yǔ)言為Python2.7,使用scikit-learn機(jī)器學(xué)習(xí)庫(kù)中的K-means聚類算法,部分測(cè)試結(jié)果如表7所示,其反映了不同壓縮條數(shù)和向量維度下K-means的處理時(shí)間.壓縮條數(shù)越大、向量維度越高,處理時(shí)間越長(zhǎng),但遠(yuǎn)遠(yuǎn)優(yōu)于Canopy粗聚類處理時(shí)間.

    表6 Canopy粗聚類性能Table 6 Performance of Canopy clustering

    表7 K-means細(xì)聚類性能Table 7 Performance of K-means clustering

    5.2.5 整體系統(tǒng)性能

    實(shí)際生產(chǎn)環(huán)境中的性能要遠(yuǎn)優(yōu)于本地單機(jī)硬件環(huán)境.在某互聯(lián)網(wǎng)公司某子系統(tǒng)下錯(cuò)誤日志量產(chǎn)生速度約為2萬條每秒,壓縮后處理時(shí)間完全滿足性能要求.

    6 結(jié) 語(yǔ)

    在互聯(lián)網(wǎng)公司對(duì)海量非規(guī)范的錯(cuò)誤日志進(jìn)行聚類的過程中,往往會(huì)遇到幾大挑戰(zhàn):

    1)日志數(shù)量巨大;

    2)變量較多,無法全部清洗;

    3)干擾數(shù)據(jù)較多,難以提取特征信息;

    4)聚類效果、性能要求較高,難度較大.

    針對(duì)上述挑戰(zhàn),本文提出了互聯(lián)網(wǎng)軟件錯(cuò)誤日志聚類方法,通過引入日志模板提取、日志壓縮方法降低日志規(guī)模;通過引入計(jì)算文檔頻率提取特征詞方法提高聚類準(zhǔn)確性并降低數(shù)據(jù)維度;結(jié)合Canopy聚類和K-means聚類算法提升聚類效果.通過在某互聯(lián)網(wǎng)公司運(yùn)維中實(shí)際系統(tǒng)的檢驗(yàn),本文提出的錯(cuò)誤日志聚類方法,不但具有比較理想的聚類效果,而且滿足生產(chǎn)環(huán)境中的性能要求.

    [1] Xu W,Huang L,Fox A,et al.Detecting large-scale system problems by mining console logs[C].Proceedings of the ACM SIGOPS 22nd Symposium on Operating Systems Principles,ACM,2009:117-132.

    [2] Qiu T,Ge Z,Pei D,et al.What happened in my network:mining network events from router syslogs[C].Proceedings of the 10th ACM SIGCOMM Conference on Internet Measurement,ACM,2010:472-484.

    [3] Galavotti L,Sebastiani F,Simi M.Experiments on the use of feature selection and negative evidence in automated text categorization[C].European Conference on Research and Advanced Technology for Digital Libraries,Springer-Verlag,2000:59-68.

    [5] Shan Song-wei,Feng Shi-cong,Li Xiao-ming.A comparative study on several typical feature selection methods for Chinese web page categorization [J].Computer Engineering and Applications,2003,39(22):146-148.

    [6] Yang Kai-feng,Zhang Yi-kun,Li Yan.Feature selection method based on document frequency[J].Computer Engineering,2010,36(17):33-35.

    [7] Salton G,Wong A,Yang C S.A vector space model for automatic indexing[J].Communications of the ACM,1975,18(11):613-620.

    [8] MacKay,David.Chapter 20.an example inference task:clustering[M].Information Theory,Inference and Learning Algorithms,Cambridge University Press,2003:284-292.

    [9] McCallum A,Nigam K,Ungar L H.Efficient clustering of high-dimensional data sets with application to reference matching[C].Proceedings of the Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,ACM,2000:169-178.

    [10] Rajaraman A,Ullman,J D.Data mining[M].Mining of Massive Datasets,2011:1-17.

    附中文參考文獻(xiàn):

    [5] 單松巍,馮是聰,李曉明.幾種典型特征選取方法在中文網(wǎng)頁(yè)分類上的效果比較[J].計(jì)算機(jī)工程與應(yīng)用,2003,39(22):146-148.

    [6] 楊凱峰,張毅坤,李 燕.基于文檔頻率的特征選擇方法[J].計(jì)算機(jī)工程,2010,36(17):33-35.

    猜你喜歡
    特征詞特征向量日志
    二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
    克羅內(nèi)克積的特征向量
    一名老黨員的工作日志
    扶貧日志
    心聲歌刊(2020年4期)2020-09-07 06:37:14
    基于改進(jìn)TFIDF算法的郵件分類技術(shù)
    一類特殊矩陣特征向量的求法
    產(chǎn)品評(píng)論文本中特征詞提取及其關(guān)聯(lián)模型構(gòu)建與應(yīng)用
    游學(xué)日志
    EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
    面向文本分類的特征詞選取方法研究與改進(jìn)
    午夜福利成人在线免费观看| 精品人妻视频免费看| 少妇人妻精品综合一区二区 | 久久久色成人| 日韩欧美三级三区| a级一级毛片免费在线观看| 男人的好看免费观看在线视频| 日韩成人在线观看一区二区三区| 99热精品在线国产| 99riav亚洲国产免费| 97碰自拍视频| netflix在线观看网站| 亚洲精品久久国产高清桃花| 国产乱人视频| 啦啦啦韩国在线观看视频| 一边摸一边抽搐一进一小说| 99久久精品热视频| 波野结衣二区三区在线| 在线播放国产精品三级| 国产精品自产拍在线观看55亚洲| 亚洲国产高清在线一区二区三| 乱码一卡2卡4卡精品| www.www免费av| 日韩欧美三级三区| 一区二区三区高清视频在线| 久久久久久久久中文| 国产视频内射| 岛国在线免费视频观看| 精品午夜福利在线看| 深夜a级毛片| 亚洲人成网站在线播放欧美日韩| 亚洲在线观看片| 日本黄色片子视频| 亚洲精品影视一区二区三区av| www.999成人在线观看| 一级a爱片免费观看的视频| 国产精品亚洲一级av第二区| 亚洲欧美日韩高清在线视频| 蜜桃亚洲精品一区二区三区| 男插女下体视频免费在线播放| 十八禁网站免费在线| 亚洲成人精品中文字幕电影| 伊人久久精品亚洲午夜| 高潮久久久久久久久久久不卡| 18禁黄网站禁片午夜丰满| 一区二区三区四区激情视频 | 欧美日本视频| 久久午夜亚洲精品久久| 亚洲最大成人av| 五月伊人婷婷丁香| 成人特级黄色片久久久久久久| 人妻丰满熟妇av一区二区三区| 简卡轻食公司| 性插视频无遮挡在线免费观看| 色综合站精品国产| 我的女老师完整版在线观看| 亚洲真实伦在线观看| 免费av不卡在线播放| 赤兔流量卡办理| 人妻久久中文字幕网| bbb黄色大片| 亚洲精华国产精华精| 国产高清视频在线观看网站| 亚洲自拍偷在线| 国产一级毛片七仙女欲春2| 亚洲国产精品合色在线| 中文字幕人成人乱码亚洲影| 日本成人三级电影网站| 久久久久免费精品人妻一区二区| 国产在视频线在精品| 亚洲成人久久爱视频| 69av精品久久久久久| 丰满乱子伦码专区| 免费av毛片视频| 男女床上黄色一级片免费看| 男女下面进入的视频免费午夜| 麻豆久久精品国产亚洲av| 日本熟妇午夜| 成人欧美大片| 黄色丝袜av网址大全| 18禁黄网站禁片午夜丰满| 欧美xxxx黑人xx丫x性爽| 国产高清视频在线观看网站| 久久国产乱子伦精品免费另类| 9191精品国产免费久久| 99热这里只有是精品在线观看 | 欧美潮喷喷水| 99久国产av精品| 1024手机看黄色片| 极品教师在线免费播放| 久久婷婷人人爽人人干人人爱| 婷婷亚洲欧美| 久久草成人影院| 99国产精品一区二区蜜桃av| 麻豆成人av在线观看| 精品乱码久久久久久99久播| 精品国内亚洲2022精品成人| www.999成人在线观看| 超碰av人人做人人爽久久| 欧美三级亚洲精品| 午夜久久久久精精品| 一区二区三区四区激情视频 | 亚洲人成伊人成综合网2020| 欧美黄色片欧美黄色片| 日本熟妇午夜| 在线播放国产精品三级| 18禁裸乳无遮挡免费网站照片| 国产精品av视频在线免费观看| 久久久久久久久久成人| 首页视频小说图片口味搜索| 欧美日韩中文字幕国产精品一区二区三区| 变态另类成人亚洲欧美熟女| av在线老鸭窝| 国产精品嫩草影院av在线观看 | 在线观看午夜福利视频| 久久中文看片网| 一个人看视频在线观看www免费| 欧美成人免费av一区二区三区| 欧美zozozo另类| 人人妻人人澡欧美一区二区| 国产免费男女视频| 午夜免费激情av| 色噜噜av男人的天堂激情| 成人一区二区视频在线观看| 国产精品美女特级片免费视频播放器| 精华霜和精华液先用哪个| 国产激情偷乱视频一区二区| 51国产日韩欧美| 欧美zozozo另类| 在线观看一区二区三区| 日韩国内少妇激情av| 亚洲欧美精品综合久久99| 久久午夜福利片| 日本 av在线| 黄色配什么色好看| 亚洲男人的天堂狠狠| 色播亚洲综合网| 亚洲成人精品中文字幕电影| 午夜日韩欧美国产| 男人狂女人下面高潮的视频| 嫩草影院新地址| 色噜噜av男人的天堂激情| 国产精品影院久久| 国产视频一区二区在线看| 国产aⅴ精品一区二区三区波| 久久久色成人| 亚洲av美国av| 国内精品美女久久久久久| 怎么达到女性高潮| 国产伦在线观看视频一区| 亚洲av不卡在线观看| 国产成人影院久久av| 色哟哟·www| 无遮挡黄片免费观看| 婷婷精品国产亚洲av| 免费在线观看日本一区| 99精品久久久久人妻精品| 久99久视频精品免费| 日本 欧美在线| 成人特级av手机在线观看| 午夜福利欧美成人| 91字幕亚洲| 国产探花极品一区二区| 国产成人啪精品午夜网站| 亚洲欧美日韩高清专用| 免费搜索国产男女视频| 国产精品三级大全| 日本 av在线| 黄色女人牲交| 日韩精品青青久久久久久| 成年女人看的毛片在线观看| 国产亚洲精品av在线| 99热这里只有精品一区| 麻豆成人午夜福利视频| 综合色av麻豆| 国产野战对白在线观看| 国语自产精品视频在线第100页| 99精品在免费线老司机午夜| 最新在线观看一区二区三区| 亚洲最大成人手机在线| 噜噜噜噜噜久久久久久91| 久久婷婷人人爽人人干人人爱| 一区二区三区高清视频在线| 永久网站在线| 色5月婷婷丁香| 成人永久免费在线观看视频| 最近最新中文字幕大全电影3| 久久99热6这里只有精品| a在线观看视频网站| 欧美在线一区亚洲| АⅤ资源中文在线天堂| 国产精品av视频在线免费观看| 日本五十路高清| 搡女人真爽免费视频火全软件 | 欧美日韩亚洲国产一区二区在线观看| 日韩欧美精品免费久久 | av视频在线观看入口| 色综合亚洲欧美另类图片| 国产高清视频在线播放一区| 看十八女毛片水多多多| 国产在线男女| av黄色大香蕉| 国产日本99.免费观看| bbb黄色大片| 国产亚洲精品久久久com| 91久久精品国产一区二区成人| 色综合站精品国产| 97超视频在线观看视频| 欧美在线黄色| 神马国产精品三级电影在线观看| 999久久久精品免费观看国产| 真人做人爱边吃奶动态| 国产精品野战在线观看| 中文在线观看免费www的网站| 久久久国产成人精品二区| 亚洲国产精品成人综合色| 露出奶头的视频| 香蕉av资源在线| 日本与韩国留学比较| 精品一区二区三区人妻视频| 亚洲,欧美,日韩| 成人欧美大片| 日韩欧美在线乱码| 脱女人内裤的视频| 国产单亲对白刺激| 国产淫片久久久久久久久 | avwww免费| 99国产综合亚洲精品| 长腿黑丝高跟| 亚洲av.av天堂| 欧美在线黄色| eeuss影院久久| 日本与韩国留学比较| 欧美一区二区精品小视频在线| 亚洲自拍偷在线| 深夜a级毛片| 亚洲自偷自拍三级| 国产一区二区在线av高清观看| 国产伦人伦偷精品视频| 波多野结衣高清作品| 国产高清激情床上av| 丁香欧美五月| 亚洲专区中文字幕在线| 黄色日韩在线| 亚洲 欧美 日韩 在线 免费| 三级男女做爰猛烈吃奶摸视频| 国产成+人综合+亚洲专区| 国产熟女xx| 可以在线观看毛片的网站| 午夜福利成人在线免费观看| 免费看日本二区| 欧美日韩亚洲国产一区二区在线观看| 国产美女午夜福利| 无人区码免费观看不卡| 亚洲成av人片免费观看| 99久久精品国产亚洲精品| 给我免费播放毛片高清在线观看| 99riav亚洲国产免费| 精品久久久久久久末码| 18美女黄网站色大片免费观看| 欧美性猛交╳xxx乱大交人| 国产av不卡久久| 在线观看美女被高潮喷水网站 | www日本黄色视频网| 亚洲国产精品sss在线观看| 精品一区二区三区视频在线观看免费| 国产精品98久久久久久宅男小说| 色5月婷婷丁香| 日日摸夜夜添夜夜添小说| 色综合婷婷激情| 亚洲av五月六月丁香网| 国产乱人伦免费视频| 亚洲一区二区三区色噜噜| 91久久精品电影网| 国产男靠女视频免费网站| 国产午夜精品久久久久久一区二区三区 | 美女 人体艺术 gogo| 毛片一级片免费看久久久久 | 日本一二三区视频观看| 搡老妇女老女人老熟妇| 久久久久久大精品| 国产三级黄色录像| 精品久久久久久久末码| 最近最新免费中文字幕在线| 午夜福利在线观看吧| 性色av乱码一区二区三区2| 国产av不卡久久| 精品久久久久久久久av| 国产黄a三级三级三级人| 亚洲av电影在线进入| 给我免费播放毛片高清在线观看| 日日干狠狠操夜夜爽| 观看美女的网站| 成人特级av手机在线观看| 一区二区三区激情视频| 免费高清视频大片| 首页视频小说图片口味搜索| 赤兔流量卡办理| 91麻豆av在线| 欧美黄色淫秽网站| 99热这里只有精品一区| 精品国内亚洲2022精品成人| 午夜日韩欧美国产| 成人国产综合亚洲| 少妇人妻一区二区三区视频| 精品一区二区免费观看| 日本精品一区二区三区蜜桃| 免费高清视频大片| 五月玫瑰六月丁香| 一区二区三区免费毛片| 简卡轻食公司| 国产精品久久久久久久久免 | 很黄的视频免费| 欧美中文日本在线观看视频| 色尼玛亚洲综合影院| 成人国产综合亚洲| 每晚都被弄得嗷嗷叫到高潮| 自拍偷自拍亚洲精品老妇| 国内揄拍国产精品人妻在线| 综合色av麻豆| 国产欧美日韩一区二区精品| 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 | 琪琪午夜伦伦电影理论片6080| 亚洲最大成人手机在线| 久久精品国产亚洲av天美| 免费看光身美女| 国产午夜精品久久久久久一区二区三区 | 免费看光身美女| 最好的美女福利视频网| 国产精品久久视频播放| 一级av片app| 好看av亚洲va欧美ⅴa在| 日本 av在线| 国模一区二区三区四区视频| 成人亚洲精品av一区二区| 国产午夜福利久久久久久| 高清日韩中文字幕在线| 欧美成人性av电影在线观看| 久久久久久久亚洲中文字幕 | 我的女老师完整版在线观看| 亚洲成a人片在线一区二区| 亚洲va日本ⅴa欧美va伊人久久| 五月伊人婷婷丁香| 国产欧美日韩一区二区精品| 男女那种视频在线观看| av福利片在线观看| 最新中文字幕久久久久| 国产精品久久视频播放| 国产探花极品一区二区| 日本 av在线| 欧美成狂野欧美在线观看| 国产白丝娇喘喷水9色精品| 色综合亚洲欧美另类图片| 欧美日韩福利视频一区二区| 乱码一卡2卡4卡精品| 三级国产精品欧美在线观看| 欧美成人一区二区免费高清观看| 欧美最黄视频在线播放免费| 亚洲精品亚洲一区二区| 日韩亚洲欧美综合| 99久久99久久久精品蜜桃| 免费电影在线观看免费观看| 97热精品久久久久久| 亚洲在线自拍视频| 熟女电影av网| 国产伦人伦偷精品视频| 亚洲欧美激情综合另类| 日韩av在线大香蕉| 国内精品久久久久久久电影| 国产亚洲精品综合一区在线观看| 五月玫瑰六月丁香| 亚洲成a人片在线一区二区| 久久久久免费精品人妻一区二区| 久久精品久久久久久噜噜老黄 | 成人鲁丝片一二三区免费| 国产熟女xx| 日本五十路高清| 毛片女人毛片| 麻豆一二三区av精品| 久久久成人免费电影| a在线观看视频网站| 真实男女啪啪啪动态图| 亚洲精品一区av在线观看| 天美传媒精品一区二区| 亚洲一区高清亚洲精品| 动漫黄色视频在线观看| 国产一区二区在线av高清观看| 亚洲人成电影免费在线| 欧美激情久久久久久爽电影| a级毛片免费高清观看在线播放| 国产综合懂色| 在线免费观看的www视频| 国产单亲对白刺激| 欧美在线黄色| 中出人妻视频一区二区| 少妇丰满av| x7x7x7水蜜桃| 国产午夜福利久久久久久| 真人一进一出gif抽搐免费| 好看av亚洲va欧美ⅴa在| 午夜亚洲福利在线播放| 日日夜夜操网爽| 精品久久久久久久久av| 亚洲av成人精品一区久久| 亚洲av成人av| 国内精品久久久久精免费| 国产三级在线视频| 精品午夜福利视频在线观看一区| 午夜影院日韩av| 成年女人毛片免费观看观看9| 在线观看av片永久免费下载| 中文字幕精品亚洲无线码一区| 亚洲成人免费电影在线观看| 一夜夜www| 99久久九九国产精品国产免费| 极品教师在线免费播放| 国产毛片a区久久久久| 国产精品自产拍在线观看55亚洲| 免费人成在线观看视频色| 久久久久久久午夜电影| av在线老鸭窝| 波多野结衣高清作品| 99热这里只有精品一区| 精品人妻视频免费看| 午夜精品久久久久久毛片777| av福利片在线观看| 久久九九热精品免费| 在线观看66精品国产| 亚洲av免费高清在线观看| 变态另类成人亚洲欧美熟女| 国产精品嫩草影院av在线观看 | 国产精品一区二区三区四区免费观看 | 日韩 亚洲 欧美在线| 午夜免费成人在线视频| 桃色一区二区三区在线观看| 五月伊人婷婷丁香| 特大巨黑吊av在线直播| 国产伦精品一区二区三区视频9| 亚洲第一欧美日韩一区二区三区| 国内揄拍国产精品人妻在线| 中文字幕免费在线视频6| 精品一区二区免费观看| 欧美国产日韩亚洲一区| 亚州av有码| 国产aⅴ精品一区二区三区波| 一二三四社区在线视频社区8| 亚洲在线自拍视频| 久久久久久国产a免费观看| 亚洲欧美日韩高清在线视频| 欧美性猛交黑人性爽| 欧美潮喷喷水| 一级毛片久久久久久久久女| 99久久99久久久精品蜜桃| 九九久久精品国产亚洲av麻豆| 熟女人妻精品中文字幕| 日韩欧美国产一区二区入口| 少妇人妻精品综合一区二区 | 亚洲精品色激情综合| 狂野欧美白嫩少妇大欣赏| 久久人人精品亚洲av| 三级毛片av免费| 亚洲精品日韩av片在线观看| 一级av片app| 精品一区二区免费观看| 国产v大片淫在线免费观看| 男人舔女人下体高潮全视频| 一卡2卡三卡四卡精品乱码亚洲| www.色视频.com| 亚洲男人的天堂狠狠| 亚州av有码| 黄色丝袜av网址大全| 国产av不卡久久| 国产色婷婷99| 美女xxoo啪啪120秒动态图 | 一个人观看的视频www高清免费观看| 国产免费男女视频| 高清毛片免费观看视频网站| 三级男女做爰猛烈吃奶摸视频| 99在线视频只有这里精品首页| 日韩中文字幕欧美一区二区| 18禁黄网站禁片午夜丰满| 欧美日韩黄片免| 在线看三级毛片| 国产乱人视频| 欧美极品一区二区三区四区| 日本 av在线| 老司机福利观看| 美女黄网站色视频| 欧美一级a爱片免费观看看| 我要看日韩黄色一级片| 91狼人影院| 欧美xxxx黑人xx丫x性爽| 欧美最新免费一区二区三区 | 久久伊人香网站| 丁香欧美五月| 亚洲在线观看片| 久久婷婷人人爽人人干人人爱| 脱女人内裤的视频| 国产欧美日韩一区二区三| 看免费av毛片| 亚洲激情在线av| 国产在线男女| 亚洲18禁久久av| 色5月婷婷丁香| 国模一区二区三区四区视频| 亚洲电影在线观看av| 国产美女午夜福利| 久久人人精品亚洲av| 天堂影院成人在线观看| 99热只有精品国产| 国产伦在线观看视频一区| 国产黄a三级三级三级人| av专区在线播放| 97人妻精品一区二区三区麻豆| 精品人妻偷拍中文字幕| 国产黄a三级三级三级人| 一本精品99久久精品77| 精品人妻视频免费看| 久久久国产成人免费| 好男人电影高清在线观看| 亚洲五月婷婷丁香| 亚洲成av人片在线播放无| 美女xxoo啪啪120秒动态图 | 亚洲av二区三区四区| 日本 欧美在线| 内射极品少妇av片p| 一区二区三区四区激情视频 | 中出人妻视频一区二区| 白带黄色成豆腐渣| 在线观看av片永久免费下载| 色精品久久人妻99蜜桃| 国产亚洲精品综合一区在线观看| av中文乱码字幕在线| 免费在线观看亚洲国产| 亚洲天堂国产精品一区在线| 91字幕亚洲| 99热只有精品国产| 欧美高清性xxxxhd video| 亚洲成人久久性| 国产精品久久久久久人妻精品电影| 国产高清三级在线| 色噜噜av男人的天堂激情| 日本三级黄在线观看| www日本黄色视频网| 如何舔出高潮| 波多野结衣高清无吗| avwww免费| 精品欧美国产一区二区三| 一进一出抽搐gif免费好疼| 久久午夜福利片| 婷婷精品国产亚洲av| 久久久久九九精品影院| 一个人看视频在线观看www免费| 啪啪无遮挡十八禁网站| 国产激情偷乱视频一区二区| 日本 av在线| 老女人水多毛片| 精品久久久久久久久亚洲 | av视频在线观看入口| 免费看光身美女| 成人特级av手机在线观看| 欧美日韩亚洲国产一区二区在线观看| 国产爱豆传媒在线观看| 夜夜爽天天搞| 变态另类成人亚洲欧美熟女| 深爱激情五月婷婷| 天堂网av新在线| 国产精品一区二区三区四区久久| 免费看日本二区| 老熟妇仑乱视频hdxx| 中文字幕精品亚洲无线码一区| 婷婷精品国产亚洲av| 国产精华一区二区三区| 国产精品亚洲一级av第二区| 一个人免费在线观看电影| 网址你懂的国产日韩在线| 制服丝袜大香蕉在线| 成年版毛片免费区| 最近中文字幕高清免费大全6 | av中文乱码字幕在线| 中亚洲国语对白在线视频| 国产伦在线观看视频一区| 亚洲av免费高清在线观看| 日韩国内少妇激情av| 啪啪无遮挡十八禁网站| 中文亚洲av片在线观看爽| 偷拍熟女少妇极品色| 中文资源天堂在线| 国产亚洲精品久久久com| 精品人妻视频免费看| 高清在线国产一区| 国产精品自产拍在线观看55亚洲| 91狼人影院| 一级作爱视频免费观看| 日本与韩国留学比较| 免费观看精品视频网站| 床上黄色一级片| 久久国产精品影院| 午夜老司机福利剧场| 91av网一区二区| 成人一区二区视频在线观看| 亚洲最大成人av| 永久网站在线| 99久久精品国产亚洲精品| 亚洲国产欧洲综合997久久,| 午夜视频国产福利| 男插女下体视频免费在线播放| 熟女电影av网| 老司机福利观看| 噜噜噜噜噜久久久久久91| 看十八女毛片水多多多| 桃色一区二区三区在线观看| 最新中文字幕久久久久| 亚洲无线观看免费| 免费人成视频x8x8入口观看|