• <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 ?

    一種改進(jìn)的三層SOM入侵檢測(cè)方法

    2019-08-12 06:15:44周方祥萬(wàn)仁霞解道錦王瑋琪
    現(xiàn)代電子技術(shù) 2019年15期

    周方祥 萬(wàn)仁霞 解道錦 王瑋琪

    摘 ?要: 為有效偵查網(wǎng)絡(luò)入侵行為,提出一種改進(jìn)三層SOM神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)方法,旨在提高檢測(cè)率和降低檢測(cè)時(shí)間。該方法通過(guò)數(shù)據(jù)歸一化、網(wǎng)絡(luò)模型初始化、計(jì)算獲勝神經(jīng)元、權(quán)值調(diào)整等步驟訓(xùn)練模型,最后通過(guò)訓(xùn)練好的模型檢測(cè)待測(cè)樣本,以得到待測(cè)數(shù)據(jù)的分類結(jié)果。通過(guò)采用折中規(guī)則計(jì)算競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)優(yōu)化初始模型,以及增加自適應(yīng)停止訓(xùn)練機(jī)制克服原算法最大停止的缺點(diǎn)。實(shí)驗(yàn)結(jié)果表明,改進(jìn)算法可在確保檢測(cè)質(zhì)量的前提下有效提高未知樣本的檢測(cè)效率。

    關(guān)鍵詞: 網(wǎng)絡(luò)入侵; 自組織特征映射網(wǎng)絡(luò); 模型訓(xùn)練; 數(shù)據(jù)分類; 節(jié)點(diǎn)計(jì)算; 初始模型優(yōu)化

    中圖分類號(hào): TN915.08?34; TP391.9 ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼: A ? ? ? ? ? ? ? ? ? 文章編號(hào): 1004?373X(2019)15?0068?04

    Network intrusion detection method with improved 3?SOM

    ZHOU Fangxiang1, WAN Renxia2, XIE Daojin2, WANG Weiqi1

    (1. School of Computer Science and Engineering, North Minzu University, Yinchuan 750021, China;

    2. School of Mathematics and Information Science, North Minzu University, Yinchuan 750021, China)

    Abstract: ?In order to effectively detect network intrusion behavior, a neural network intrusion detection method with improved three?layer SOM is proposed in this paper to improve the detection rate and reduce the detection time. In the method, the model is trained according to the steps of data normalization, network model initialization, calculation of winning neurons, weight adjustment, etc. The samples under test are tested by the trained model to obtain the classification result of the data under test. The trade?off rules are adopted to calculate the number of competing layer nodes, so as to optimize the initial model, and add the adaptive stop training mechanism to overcome the maximum stop shortcoming of the original algorithm. The experimental results show that the improved algorithm can effectively improve the detection time efficiency of the unknown sample under the premise of ensuring the detection quality.

    Keywords: network intrusion; SOM; model training; data classification; node calculation; initial model optimization

    0 ?引 ?言

    隨著互聯(lián)網(wǎng)的高速發(fā)展,網(wǎng)絡(luò)入侵也頻繁出現(xiàn),網(wǎng)絡(luò)侵害行為已嚴(yán)重阻礙生產(chǎn)發(fā)展[1]。但要實(shí)時(shí)且全面地找出網(wǎng)絡(luò)系統(tǒng)中存在的真實(shí)入侵并不容易,因而檢測(cè)技術(shù)的有效性就顯得極其重要。

    文獻(xiàn)[2]提出一種改進(jìn)的SOM網(wǎng)絡(luò)入侵檢測(cè)模型(3?SOM),在典型二層SOM神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上增加一層輸出層,由無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)變?yōu)橛斜O(jiān)督的神經(jīng)網(wǎng)絡(luò)。但該方法中的隱層節(jié)點(diǎn)數(shù)和訓(xùn)練次數(shù)依靠經(jīng)驗(yàn)取得,一般認(rèn)為,增加隱層數(shù)可以降低網(wǎng)絡(luò)誤差,提高精度,但也使網(wǎng)絡(luò)復(fù)雜化,從而增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間和出現(xiàn)“過(guò)擬合”的傾向。另外,如果訓(xùn)練次數(shù)過(guò)多或過(guò)少,則會(huì)產(chǎn)生過(guò)擬合或欠擬合,這些情況都會(huì)影響檢測(cè)入侵?jǐn)?shù)據(jù)流的分類結(jié)果。

    本文在文獻(xiàn)[2]的基礎(chǔ)上,提出一種改進(jìn)的3?SOM(Improved 3?SOM,I3?SOM),引入競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)計(jì)算方法與自適應(yīng)停止訓(xùn)練機(jī)制,有效地克服傳統(tǒng)算法較長(zhǎng)的訓(xùn)練時(shí)間,提高了模型訓(xùn)練的效率。

    1 ?三層SOM神經(jīng)網(wǎng)絡(luò)模型

    典型的自組織特征映射網(wǎng)絡(luò)(簡(jiǎn)稱SOM)模型有兩層結(jié)構(gòu),即輸入層和競(jìng)爭(zhēng)層。SOM的基本思想是計(jì)算出各輸入樣本與互連競(jìng)爭(zhēng)神經(jīng)元的歐氏距離,最小的為獲勝神經(jīng)元。調(diào)整獲勝神經(jīng)元和與其相鄰的神經(jīng)元權(quán)值,使獲勝神經(jīng)元及周邊權(quán)值靠近輸入樣本。經(jīng)過(guò)反復(fù)多次訓(xùn)練,使得同類神經(jīng)元具有相近的權(quán)系數(shù)。在學(xué)習(xí)過(guò)程中,學(xué)習(xí)率、權(quán)值和神經(jīng)元鄰域不斷調(diào)整,異類神經(jīng)元逐步發(fā)散,同類神經(jīng)元相對(duì)逐步集中,從而達(dá)到聚類的效果。文獻(xiàn)[2]在典型的兩層SOM中增加了一層輸出層,輸出層的節(jié)點(diǎn)與測(cè)試數(shù)據(jù)的類別相同,使得無(wú)監(jiān)督變成了有監(jiān)督的全鏈接網(wǎng)絡(luò)模型,如圖1所示。相對(duì)兩層SOM,3?SOM在輸入層與競(jìng)爭(zhēng)層的學(xué)習(xí)率rate1和權(quán)值基礎(chǔ)上增加了競(jìng)爭(zhēng)層與輸出層之間的學(xué)習(xí)率rate2和權(quán)值。利用訓(xùn)練數(shù)據(jù)建立三層模型,檢驗(yàn)待測(cè)樣本的屬性,通過(guò)計(jì)算待測(cè)樣本與競(jìng)爭(zhēng)層的最短距離以得出獲勝神經(jīng)元,與獲勝神經(jīng)元連接權(quán)值最大的輸出層神經(jīng)元為待測(cè)樣本類別。

    圖1 ?三層SOM神經(jīng)網(wǎng)絡(luò)模型

    3?SOM與BP神經(jīng)網(wǎng)絡(luò)有著相似的結(jié)構(gòu),BP模型包含輸入層、隱層、輸出層。兩者都是通過(guò)調(diào)整權(quán)值以實(shí)現(xiàn)自適應(yīng)學(xué)習(xí),但兩者權(quán)值的調(diào)整方式各異。3?SOM是正向使得同類的神經(jīng)元具有相似的權(quán)系數(shù),不同類的權(quán)系數(shù)差異較大,最終實(shí)現(xiàn)數(shù)據(jù)分類[3]。在BP網(wǎng)絡(luò)中,樣本數(shù)據(jù)從輸入層經(jīng)隱層逐漸向后傳播,調(diào)整權(quán)值時(shí),則沿著減少誤差的方向,從輸出層經(jīng)過(guò)中間各層逐層修正網(wǎng)絡(luò)的連接權(quán)值,以實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練。

    2 ?改進(jìn)的三層SOM神經(jīng)模型

    針對(duì)3?SOM中存在競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)取值困難、訓(xùn)練次數(shù)不確定的問(wèn)題,本文提出以下兩點(diǎn)改進(jìn)。

    2.1 ?計(jì)算競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)

    3?SOM輸入層節(jié)點(diǎn)數(shù)一般為輸入樣本的維數(shù),輸出層節(jié)點(diǎn)數(shù)一般為輸入樣本的類別數(shù),因此,網(wǎng)絡(luò)模型的結(jié)構(gòu)難點(diǎn)在于競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)的選擇。競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)或多或少會(huì)導(dǎo)致過(guò)擬合或欠擬合,過(guò)擬合就是網(wǎng)絡(luò)模型把非一般的特性也學(xué)習(xí)到;欠擬合就是難以學(xué)習(xí)到一般規(guī)律。所以競(jìng)爭(zhēng)層的節(jié)點(diǎn)數(shù)影響著整個(gè)模型的結(jié)構(gòu),在很大程度上決定著三層SOM神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)速度和泛化能力。

    在BP神經(jīng)網(wǎng)絡(luò)中,同樣存在最佳隱層節(jié)點(diǎn)數(shù)難以確定的問(wèn)題,一般有如下三種基于經(jīng)驗(yàn)的近似計(jì)數(shù)法[4]:

    式中:[m1],[m2],[m3]為三種不同公式計(jì)算得出的競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù);[n]為輸入層節(jié)點(diǎn)數(shù);[l]為輸出層節(jié)點(diǎn)數(shù);[α]為1~10之間的常數(shù)。

    文獻(xiàn)[5]運(yùn)用“二分分割法”改進(jìn)BP隱層節(jié)點(diǎn)數(shù)的問(wèn)題,取[m1],[m2],[m3]中兩個(gè)數(shù)的平均值,剔除最大均值,剩下兩個(gè)較小的值作為節(jié)點(diǎn)數(shù)的取值范圍,以此類推,逐漸縮小范圍。文獻(xiàn)[6]通過(guò)三種經(jīng)驗(yàn)計(jì)數(shù)公式確定范圍后,逐個(gè)代入訓(xùn)練方法中,以訓(xùn)練的誤差繪制曲線圖,取曲線圖中最小值作為最優(yōu)節(jié)點(diǎn)數(shù)。上述兩種方法都是在實(shí)驗(yàn)中采用試湊法,這無(wú)疑增加了人工和模型的訓(xùn)練時(shí)間。

    在3?SOM神經(jīng)網(wǎng)絡(luò)中的競(jìng)爭(zhēng)層節(jié)點(diǎn)代表輸入數(shù)據(jù)潛在的分類類別,其節(jié)點(diǎn)數(shù)一般大大多于數(shù)據(jù)實(shí)際類別[4],本文引用上述計(jì)算BP網(wǎng)絡(luò)模型隱層節(jié)點(diǎn)數(shù)的三個(gè)公式,并采用折中規(guī)則計(jì)算新的競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù):

    這種方法根據(jù)節(jié)點(diǎn)數(shù)直接計(jì)算去掉了繁雜的人工試湊法過(guò)程,避免了過(guò)擬合或欠擬合兩種極端情況的發(fā)生,通過(guò)多種網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)的實(shí)驗(yàn),證明此方法的有效性。本文實(shí)驗(yàn)中[α]的取值為5。

    2.2 ?自適應(yīng)停止訓(xùn)練機(jī)制

    目前的SOM網(wǎng)絡(luò)模型一般要達(dá)到預(yù)先設(shè)定的最大迭代次數(shù)才會(huì)停止訓(xùn)練,所以,它的收斂速度相對(duì)比較慢[7]。從訓(xùn)練過(guò)程中發(fā)現(xiàn)權(quán)值的變化是由學(xué)習(xí)率、迭代次數(shù)決定的,從一開(kāi)始給出的隨機(jī)矩陣向量,經(jīng)過(guò)網(wǎng)絡(luò)模型的不斷學(xué)習(xí),逐漸改變權(quán)值,使之接近輸出神經(jīng)元的聚類中心,達(dá)到預(yù)先設(shè)置的最大迭代次數(shù)則停止訓(xùn)練。最大的迭代次數(shù)則靠經(jīng)驗(yàn)設(shè)定,如果設(shè)置訓(xùn)練的次數(shù)過(guò)少或過(guò)多同樣存在欠擬合或過(guò)擬合的情況,次數(shù)過(guò)多還會(huì)延長(zhǎng)訓(xùn)練時(shí)間,對(duì)檢測(cè)海量的網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)產(chǎn)生不良后果。本文采用權(quán)值誤差機(jī)制自適應(yīng)停止訓(xùn)練: [Δw]為誤差因子,表示當(dāng)前權(quán)值向量與前一次權(quán)值向量之差的絕對(duì)值,即[Δw=wn-wn-1]。當(dāng)[Δw≤?] 時(shí)則停止訓(xùn)練,其中[?]表示誤差因子下限,訓(xùn)練過(guò)程中誤差因子[Δw]會(huì)不斷減小。當(dāng)[Δw]減小到0時(shí),當(dāng)前權(quán)值與前一次權(quán)值相等,所以[Δw]的值越小,越接近收斂。

    2.3 ?I3?SOM入侵檢測(cè)方法

    在I3?SOM神經(jīng)網(wǎng)絡(luò)模型中,輸入層和輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)分別與輸入數(shù)據(jù)的維度和類數(shù)相等,競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)采用折中規(guī)則計(jì)算,層與層之間通過(guò)權(quán)值全鏈接,在迭代訓(xùn)練的過(guò)程中權(quán)值不斷調(diào)整,從而實(shí)現(xiàn)對(duì)數(shù)據(jù)提取和預(yù)處理,據(jù)此建立預(yù)測(cè)模型,根據(jù)預(yù)測(cè)模型對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行分類檢測(cè)。步驟如下:

    1) 歸一化處理。為消除各維數(shù)據(jù)的量級(jí)差別,縮小量值的差異,減少處理時(shí)間,本文通過(guò)歸一化處理將輸入的樣本數(shù)據(jù)都轉(zhuǎn)化為[0,1]之間的數(shù)。歸一化函數(shù)如下:[y=x-xminxmax-xmin],[x,y]表示輸入樣本和歸一化后的結(jié)果,[xmax,xmin]分別是輸入樣本中的最大值和最小值。

    2) 初始化網(wǎng)絡(luò)模型。即對(duì)網(wǎng)絡(luò)模型初始化,設(shè)置輸入層、競(jìng)爭(zhēng)層、輸出層的節(jié)點(diǎn)數(shù)、初始學(xué)習(xí)率、隨機(jī)權(quán)值向量、初始節(jié)點(diǎn)鄰域半徑。設(shè)置初始學(xué)習(xí)率最值[8]rate1、rate2∈(0,1),鄰域半徑最值[rmax],[rmin],設(shè)置最大迭代訓(xùn)練次數(shù)[T]。根據(jù)折中規(guī)則計(jì)算競(jìng)爭(zhēng)層的層數(shù)[m]。

    3) 計(jì)算獲勝神經(jīng)元。利用歐氏距離[d=(xi-waij)2]選出獲勝神經(jīng)元,[xi,waij]表示輸入樣本、輸入層與競(jìng)爭(zhēng)層之間的初始權(quán)值,距離最短的即為獲勝神經(jīng)元。

    4) 調(diào)整學(xué)習(xí)率、鄰域半徑和權(quán)值。

    式(1)、式(2)表示輸入層與競(jìng)爭(zhēng)層、競(jìng)爭(zhēng)層與輸出層的學(xué)習(xí)率更新公式,其中,[k]表示從1開(kāi)始的當(dāng)前迭代次數(shù);式(3)表示獲勝神經(jīng)元的鄰域半徑更新公式;式(4)、式(5)分別表示輸入層與競(jìng)爭(zhēng)層、競(jìng)爭(zhēng)層與輸出層的權(quán)值更新公式;[xi,yi]分別表示輸入樣本和樣本類別。

    5) 自適應(yīng)停止機(jī)制,即判斷誤差因子[Δw]是否滿足條件。實(shí)驗(yàn)中?取值為0.005,如果[Δw≤0.005],則停止訓(xùn)練,否則轉(zhuǎn)向步驟3)。

    6) 輸出分類預(yù)測(cè)結(jié)果。

    3 ?實(shí)驗(yàn)結(jié)果與分析

    為檢驗(yàn)I3?SOM在網(wǎng)絡(luò)入侵檢測(cè)中的有效性,實(shí)驗(yàn)參數(shù)設(shè)置如下:輸入層與競(jìng)爭(zhēng)層的rate1max=0.9,rate1min=0.01;競(jìng)爭(zhēng)層與輸出層的rate2max=0.5,rate2min=0.01;鄰域半徑最值[rmax=]1.5,[rmin=]0.3;最大迭代訓(xùn)練次數(shù)[T=]20 000。實(shí)驗(yàn)數(shù)據(jù)采用部分KDD99數(shù)據(jù)集和文獻(xiàn)[9]中實(shí)驗(yàn)的數(shù)據(jù)集,如表1所示。根據(jù)大量的訓(xùn)練數(shù)據(jù)建立模型,對(duì)測(cè)試數(shù)據(jù)進(jìn)行檢測(cè),以檢驗(yàn)理論的可行性。

    表1 ?實(shí)驗(yàn)數(shù)據(jù)集

    圖2 ?Dos檢測(cè)分類效果

    圖3 ?Probe檢測(cè)效果

    圖4 ?Breast cancer檢測(cè)效果

    圖5 ?Yeast檢測(cè)效果

    圖6 ?Image_dataset檢測(cè)效果

    從表2中可以看出,I3?SOM的分類準(zhǔn)確率均在90%以上,I3?SOM基本保持了3?SOM分類質(zhì)量,在個(gè)別測(cè)試數(shù)據(jù)集上I3?SOM分類質(zhì)量?jī)?yōu)于3?SOM。表明I3?SOM具有較高的分類質(zhì)量。這是因?yàn)??SOM算法訓(xùn)練和收斂的時(shí)間是迭代訓(xùn)練次數(shù)閾值設(shè)定決定的,為得到一個(gè)較理想的分類效果,迭代訓(xùn)練次數(shù)閾值的設(shè)置必須足夠大(本文實(shí)驗(yàn)設(shè)置為20 000),而I3?SOM采用權(quán)值誤差機(jī)制自適應(yīng)停止訓(xùn)練機(jī)制和訓(xùn)練次數(shù)閾值以邏輯或條件的形式來(lái)控制算法收斂,從表2中可以看出,I3?SOM實(shí)際收斂迭代次數(shù)遠(yuǎn)小于預(yù)設(shè)訓(xùn)練次數(shù)閾值。同時(shí),I3?SOM采用折中規(guī)則計(jì)算網(wǎng)絡(luò)競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù),避免了復(fù)雜的人工試湊法,也降低了訓(xùn)練模型的時(shí)間。

    表2 ?實(shí)驗(yàn)結(jié)果對(duì)比

    4 ?結(jié) ?語(yǔ)

    I3?SOM實(shí)現(xiàn)了對(duì)入侵?jǐn)?shù)據(jù)的有效檢測(cè),引入折中規(guī)則計(jì)算競(jìng)爭(zhēng)層節(jié)點(diǎn)數(shù)以及自適應(yīng)停止訓(xùn)練機(jī)制,降低了網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間,提高了檢測(cè)效率。但誤差因子下限的設(shè)置目前還是根據(jù)經(jīng)驗(yàn)設(shè)定,過(guò)大會(huì)導(dǎo)致模型的泛化能力低下,加大檢測(cè)結(jié)果的誤差;過(guò)小又會(huì)增加迭代次數(shù),導(dǎo)致時(shí)間開(kāi)銷增大。部分測(cè)試集預(yù)測(cè)效果的準(zhǔn)確率不高,原因是自適應(yīng)訓(xùn)練的次數(shù)較少,因此誤差因子下限的尋優(yōu)問(wèn)題將是下一步的工作的重點(diǎn)。

    參考文獻(xiàn)

    [1] SFAR ArbiaRiahi, NATALIZIO Enrico, Yacine CHALLAL, et al. A road?map for security challenges in Internet of Things [J]. Digital communications and networks, 2017, 3(4): 1?2.

    [2] 李昆侖,董寧,關(guān)立偉,等.一種改進(jìn)Kohonen網(wǎng)絡(luò)的Dos攻擊檢測(cè)算法[J].小型微型計(jì)算機(jī)系統(tǒng),2017(3):450?454.

    LI Kunlun, DONG Ning, GUAN Liwei, et al. An improved Dos attack detection algorithm for Kohonen networks [J]. Journal of Chinese computer systems, 2017(3): 450?454.

    [3] 王小川,史峰,郁磊,等.Matlab神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2013:336?343.

    WANG Xiaochuan, SHI Feng, YU Lei,et al. Analysis of 43 cases of Matlab neural network [M]. Beijing: Beijing Aerospace University Press, 2013: 336?343.

    [4] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學(xué)出版社,2006:73?74.

    HAN Liqun. Artificial neural network tutorial [M]. Beijing: Beijing University of Posts and Telecommunications Press, 2006: 73?74.

    [5] 阮翔.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)庫(kù)存預(yù)測(cè)模型及其應(yīng)用研究[D].南昌:南昌航空大學(xué),2016:17?25.

    RUAN Xiang. Extremely applied research on inventory prediction model based on improved BP neural network [D]. Nanchang: Nanchang Hangkong University, 2016: 17?25.

    [6] 陶剛,閆永剛,劉俊,等.基于改進(jìn)的SOM聚類連續(xù)屬性離散化算法[J].計(jì)算機(jī)應(yīng)用,2015,35(z1):89?92.

    TAO Gang, YAN Yonggang, LIU Jun,et al.Distinct algorithm of continuous attributes based on improved SOM clustering [J]. Journal of computer applications, 2015, 35(s1): 89?92.

    [7] 張歡韻,李益才,藍(lán)章禮.一種自適應(yīng)停止的SOM神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].計(jì)算機(jī)時(shí)代,2014(4):9?11.

    ZHANG Huanyun, LI Yicai, LAN Zhangli. An adaptive stopping SOM neural network and its application [J]. Computer Era, 2014(4): 9?11.

    [8] 周志華.機(jī)器學(xué)習(xí)[M].北京:清華大學(xué)出版社,2016:97?99.

    ZHOU Zhihua. Machine learning [M]. Beijing: Tsinghua University Press, 2016: 97?99.

    [9] 王積麗.基于改進(jìn)的模糊SOM算法確定最佳聚類數(shù)目方法的研究[D].廣州:華南理工大學(xué),2016:26?27.

    WANG Jili. Research on the method of ?deter?mining the optimal number of clusters base?don improved fuzzy SOM algorithm [D]. Guangzhou: South China University of Technology, 2016: 26?27.

    考比视频在线观看| 最新的欧美精品一区二区| 亚洲五月婷婷丁香| 久久影院123| 不卡av一区二区三区| 老熟女久久久| 视频区欧美日本亚洲| 免费观看a级毛片全部| 久久久精品94久久精品| 欧美精品啪啪一区二区三区| 久久精品国产a三级三级三级| 一本一本久久a久久精品综合妖精| 亚洲国产精品一区二区三区在线| 成年女人毛片免费观看观看9 | 亚洲国产欧美网| 免费在线观看影片大全网站| 美女高潮到喷水免费观看| 黄片大片在线免费观看| 黄片播放在线免费| 亚洲精品国产区一区二| 国产精品二区激情视频| 操出白浆在线播放| 9191精品国产免费久久| 欧美+亚洲+日韩+国产| 国产在线视频一区二区| 国产国语露脸激情在线看| 看免费av毛片| 欧美+亚洲+日韩+国产| 岛国毛片在线播放| 久久久国产成人免费| 精品一区二区三区av网在线观看 | 日韩欧美免费精品| 大码成人一级视频| 色播在线永久视频| 亚洲美女黄片视频| 女性生殖器流出的白浆| 无人区码免费观看不卡 | 狠狠婷婷综合久久久久久88av| bbb黄色大片| 窝窝影院91人妻| 老汉色∧v一级毛片| 亚洲第一青青草原| 日本av免费视频播放| 久久午夜综合久久蜜桃| 少妇 在线观看| 久久久精品免费免费高清| 在线看a的网站| 十分钟在线观看高清视频www| 99久久99久久久精品蜜桃| 18禁观看日本| 日韩视频一区二区在线观看| 可以免费在线观看a视频的电影网站| 亚洲专区字幕在线| 国产主播在线观看一区二区| 1024视频免费在线观看| 人人妻人人添人人爽欧美一区卜| 老熟妇仑乱视频hdxx| 国产91精品成人一区二区三区 | 蜜桃国产av成人99| 我要看黄色一级片免费的| 美国免费a级毛片| 女人高潮潮喷娇喘18禁视频| 亚洲男人天堂网一区| 国产黄色免费在线视频| 高潮久久久久久久久久久不卡| 精品国产亚洲在线| 十八禁网站免费在线| 久久精品亚洲av国产电影网| 精品少妇内射三级| 亚洲伊人色综图| 99精国产麻豆久久婷婷| av网站在线播放免费| a级毛片黄视频| 国产日韩欧美亚洲二区| 男女床上黄色一级片免费看| 精品国产一区二区久久| 欧美大码av| 岛国在线观看网站| 18禁国产床啪视频网站| 香蕉国产在线看| 看免费av毛片| 女人高潮潮喷娇喘18禁视频| 人成视频在线观看免费观看| 久久人妻av系列| 日本黄色视频三级网站网址 | 如日韩欧美国产精品一区二区三区| 9色porny在线观看| 亚洲全国av大片| 一个人免费在线观看的高清视频| av网站在线播放免费| 水蜜桃什么品种好| 一进一出好大好爽视频| 国产欧美日韩综合在线一区二区| 免费在线观看视频国产中文字幕亚洲| 久久精品aⅴ一区二区三区四区| 国产精品 国内视频| 国产片内射在线| 天堂俺去俺来也www色官网| 亚洲久久久国产精品| 午夜精品久久久久久毛片777| 99精品在免费线老司机午夜| 天天躁狠狠躁夜夜躁狠狠躁| 男女边摸边吃奶| 国产精品一区二区在线不卡| 99久久人妻综合| 国产精品av久久久久免费| 久久久久久亚洲精品国产蜜桃av| 国产老妇伦熟女老妇高清| 国产av一区二区精品久久| 黄片大片在线免费观看| 亚洲欧美一区二区三区久久| 80岁老熟妇乱子伦牲交| 最黄视频免费看| 亚洲成人手机| 一区福利在线观看| 国产精品成人在线| 亚洲欧美一区二区三区久久| 久久久欧美国产精品| 中文欧美无线码| 黄色怎么调成土黄色| 亚洲全国av大片| 免费观看人在逋| 熟女少妇亚洲综合色aaa.| 一级a爱视频在线免费观看| 欧美老熟妇乱子伦牲交| 在线观看免费午夜福利视频| 757午夜福利合集在线观看| 精品人妻在线不人妻| 汤姆久久久久久久影院中文字幕| 国产成人精品久久二区二区免费| 一区二区日韩欧美中文字幕| 日本一区二区免费在线视频| 欧美精品啪啪一区二区三区| 亚洲精品美女久久av网站| 午夜老司机福利片| a级毛片黄视频| 国产精品免费一区二区三区在线 | 麻豆国产av国片精品| 午夜福利视频精品| 国产主播在线观看一区二区| 久久性视频一级片| 精品国内亚洲2022精品成人 | 亚洲国产看品久久| 中文欧美无线码| 精品少妇久久久久久888优播| 久久久久久久国产电影| 国产成人精品久久二区二区91| 亚洲欧洲精品一区二区精品久久久| 久久久精品区二区三区| 国产成人精品在线电影| 亚洲精品国产色婷婷电影| 老司机靠b影院| 国产男女超爽视频在线观看| 欧美大码av| 伊人久久大香线蕉亚洲五| 久久人妻熟女aⅴ| av一本久久久久| 12—13女人毛片做爰片一| 欧美日韩亚洲综合一区二区三区_| 女人精品久久久久毛片| 热re99久久精品国产66热6| 国产成人精品在线电影| 制服人妻中文乱码| 新久久久久国产一级毛片| 大型av网站在线播放| 黄片播放在线免费| av在线播放免费不卡| 欧美精品一区二区免费开放| 亚洲午夜理论影院| 亚洲成人国产一区在线观看| 老司机午夜福利在线观看视频 | 久久99一区二区三区| 最近最新中文字幕大全电影3 | 久久精品91无色码中文字幕| 亚洲午夜理论影院| 亚洲av美国av| 成人三级做爰电影| 老熟妇仑乱视频hdxx| 51午夜福利影视在线观看| 欧美精品av麻豆av| 亚洲 国产 在线| 久久精品国产亚洲av高清一级| 久久国产精品人妻蜜桃| 欧美在线黄色| 国产成人一区二区三区免费视频网站| 美女国产高潮福利片在线看| 亚洲熟妇熟女久久| √禁漫天堂资源中文www| 每晚都被弄得嗷嗷叫到高潮| 男女下面插进去视频免费观看| 9色porny在线观看| 日本欧美视频一区| 视频区图区小说| a级毛片黄视频| 99在线人妻在线中文字幕 | 欧美人与性动交α欧美软件| 亚洲精品美女久久久久99蜜臀| 免费不卡黄色视频| 国产亚洲一区二区精品| 大陆偷拍与自拍| 欧美国产精品一级二级三级| 女人高潮潮喷娇喘18禁视频| 99精品久久久久人妻精品| 亚洲av成人一区二区三| 午夜福利乱码中文字幕| 国产成人免费观看mmmm| 亚洲成人免费电影在线观看| 51午夜福利影视在线观看| 色视频在线一区二区三区| 一个人免费看片子| 操出白浆在线播放| 国产亚洲一区二区精品| 久久亚洲真实| 午夜福利影视在线免费观看| 亚洲精品国产精品久久久不卡| 亚洲精品国产一区二区精华液| 国产高清视频在线播放一区| 一级,二级,三级黄色视频| 美女福利国产在线| 男女床上黄色一级片免费看| 丰满人妻熟妇乱又伦精品不卡| www.自偷自拍.com| 午夜福利在线观看吧| 精品卡一卡二卡四卡免费| 国产欧美日韩一区二区三| 国产一区二区在线观看av| 侵犯人妻中文字幕一二三四区| 日韩熟女老妇一区二区性免费视频| 大片电影免费在线观看免费| 天天躁夜夜躁狠狠躁躁| 国产成人影院久久av| 咕卡用的链子| 国产一区二区三区综合在线观看| 丰满人妻熟妇乱又伦精品不卡| 亚洲伊人色综图| 国产成人影院久久av| 夜夜骑夜夜射夜夜干| 国产精品二区激情视频| av一本久久久久| 精品亚洲成a人片在线观看| 大香蕉久久成人网| 97人妻天天添夜夜摸| 99国产精品免费福利视频| 欧美一级毛片孕妇| 亚洲少妇的诱惑av| 国产欧美日韩综合在线一区二区| 国产无遮挡羞羞视频在线观看| 狠狠狠狠99中文字幕| 亚洲精品av麻豆狂野| 国产av一区二区精品久久| 操美女的视频在线观看| 亚洲全国av大片| 日韩大码丰满熟妇| www日本在线高清视频| 在线天堂中文资源库| www.熟女人妻精品国产| 午夜福利欧美成人| aaaaa片日本免费| 女同久久另类99精品国产91| 精品福利永久在线观看| 午夜福利影视在线免费观看| 国产男女超爽视频在线观看| 精品午夜福利视频在线观看一区 | 国产日韩欧美在线精品| 精品一区二区三区四区五区乱码| 中文字幕制服av| 这个男人来自地球电影免费观看| 97人妻天天添夜夜摸| 国产精品av久久久久免费| 国产99久久九九免费精品| 国产精品久久久人人做人人爽| 免费不卡黄色视频| 亚洲av成人不卡在线观看播放网| 亚洲一卡2卡3卡4卡5卡精品中文| 天堂俺去俺来也www色官网| 国产成人精品无人区| 色播在线永久视频| 欧美日韩中文字幕国产精品一区二区三区 | 午夜福利影视在线免费观看| 一个人免费在线观看的高清视频| 国产精品电影一区二区三区 | 99riav亚洲国产免费| 99国产精品一区二区三区| 久久精品人人爽人人爽视色| 国产精品电影一区二区三区 | 久久精品亚洲av国产电影网| 国产精品亚洲一级av第二区| 国产成人精品无人区| 亚洲欧美一区二区三区久久| 老汉色av国产亚洲站长工具| 黄片播放在线免费| 另类亚洲欧美激情| 亚洲欧洲日产国产| 国产不卡一卡二| 久久久久久亚洲精品国产蜜桃av| 97在线人人人人妻| 色婷婷av一区二区三区视频| 99久久人妻综合| 亚洲一卡2卡3卡4卡5卡精品中文| 999精品在线视频| 国产黄色免费在线视频| 又紧又爽又黄一区二区| 久久亚洲真实| 欧美激情久久久久久爽电影 | 少妇 在线观看| 最近最新中文字幕大全免费视频| 欧美国产精品va在线观看不卡| 天天添夜夜摸| 一区二区三区国产精品乱码| 国产亚洲欧美在线一区二区| 日日爽夜夜爽网站| 亚洲精品粉嫩美女一区| 亚洲精品av麻豆狂野| 99精品欧美一区二区三区四区| svipshipincom国产片| 丝袜喷水一区| 精品久久蜜臀av无| 国产日韩欧美亚洲二区| 日韩大片免费观看网站| 一个人免费看片子| 精品久久蜜臀av无| 99re在线观看精品视频| 亚洲avbb在线观看| 久久久国产欧美日韩av| 桃花免费在线播放| 在线观看人妻少妇| 国产成人免费观看mmmm| 老熟女久久久| 亚洲成a人片在线一区二区| 久久久久久久国产电影| 黄色片一级片一级黄色片| 亚洲精品中文字幕在线视频| 后天国语完整版免费观看| 黄网站色视频无遮挡免费观看| a级毛片在线看网站| 亚洲午夜精品一区,二区,三区| 性色av乱码一区二区三区2| 99九九在线精品视频| 女人久久www免费人成看片| 我的亚洲天堂| 成年人免费黄色播放视频| 50天的宝宝边吃奶边哭怎么回事| www.999成人在线观看| 色尼玛亚洲综合影院| 精品一区二区三卡| 大片电影免费在线观看免费| 亚洲精品久久成人aⅴ小说| 人妻久久中文字幕网| 少妇精品久久久久久久| 欧美黄色淫秽网站| 少妇精品久久久久久久| 亚洲综合色网址| 精品亚洲成a人片在线观看| 极品人妻少妇av视频| 国产一区二区三区视频了| 久久精品亚洲av国产电影网| 国产成人欧美| 一区在线观看完整版| 热re99久久精品国产66热6| 在线观看免费日韩欧美大片| 999久久久精品免费观看国产| 一级,二级,三级黄色视频| 午夜激情av网站| 亚洲黑人精品在线| 女性被躁到高潮视频| 男女之事视频高清在线观看| 欧美性长视频在线观看| 天天操日日干夜夜撸| 中文字幕精品免费在线观看视频| 久久99一区二区三区| 在线 av 中文字幕| 国产精品久久久久久人妻精品电影 | 成年人免费黄色播放视频| 免费在线观看日本一区| 国产精品.久久久| 真人做人爱边吃奶动态| 99精国产麻豆久久婷婷| 搡老熟女国产l中国老女人| 露出奶头的视频| 精品国产国语对白av| 大陆偷拍与自拍| 精品久久久精品久久久| 亚洲av第一区精品v没综合| 国产成+人综合+亚洲专区| 俄罗斯特黄特色一大片| 色婷婷久久久亚洲欧美| 欧美精品人与动牲交sv欧美| 中文亚洲av片在线观看爽 | 最新美女视频免费是黄的| 国产精品久久久人人做人人爽| 伦理电影免费视频| 欧美黑人欧美精品刺激| 免费一级毛片在线播放高清视频 | 国产精品熟女久久久久浪| 亚洲av日韩在线播放| 色婷婷久久久亚洲欧美| 久久精品91无色码中文字幕| 另类精品久久| 69精品国产乱码久久久| 人人妻,人人澡人人爽秒播| 夜夜夜夜夜久久久久| 久久久国产欧美日韩av| 国产激情久久老熟女| 久久毛片免费看一区二区三区| √禁漫天堂资源中文www| 热99久久久久精品小说推荐| 天堂8中文在线网| 捣出白浆h1v1| 亚洲欧美一区二区三区久久| 最近最新中文字幕大全免费视频| 在线观看66精品国产| 18在线观看网站| 妹子高潮喷水视频| 欧美日韩一级在线毛片| 亚洲精品在线观看二区| 亚洲综合色网址| 考比视频在线观看| 黄色怎么调成土黄色| 久久中文看片网| 精品少妇久久久久久888优播| 亚洲精品国产精品久久久不卡| 美女福利国产在线| 国产亚洲精品久久久久5区| 成年人午夜在线观看视频| 日韩人妻精品一区2区三区| 一边摸一边做爽爽视频免费| 99精品久久久久人妻精品| 日韩欧美国产一区二区入口| 精品欧美一区二区三区在线| 日韩精品免费视频一区二区三区| 国产日韩一区二区三区精品不卡| av有码第一页| 我要看黄色一级片免费的| 人成视频在线观看免费观看| 精品国产亚洲在线| 国产精品秋霞免费鲁丝片| 十八禁高潮呻吟视频| 亚洲成国产人片在线观看| 国产精品香港三级国产av潘金莲| 精品第一国产精品| 90打野战视频偷拍视频| 欧美性长视频在线观看| 欧美日韩一级在线毛片| 久久人人97超碰香蕉20202| 久久久久久亚洲精品国产蜜桃av| 国产高清激情床上av| 丰满迷人的少妇在线观看| 欧美激情极品国产一区二区三区| 夜夜骑夜夜射夜夜干| 老鸭窝网址在线观看| 在线观看www视频免费| 18禁黄网站禁片午夜丰满| videos熟女内射| 大片电影免费在线观看免费| 亚洲男人天堂网一区| 国产1区2区3区精品| 久久人妻福利社区极品人妻图片| 黄色视频在线播放观看不卡| 波多野结衣一区麻豆| 亚洲av成人不卡在线观看播放网| 色综合欧美亚洲国产小说| 1024香蕉在线观看| 美女福利国产在线| 男女下面插进去视频免费观看| 亚洲欧美激情在线| 国产麻豆69| 搡老岳熟女国产| 国产高清国产精品国产三级| 亚洲av日韩精品久久久久久密| 中文字幕精品免费在线观看视频| 久久久久国内视频| 久久人人97超碰香蕉20202| 精品久久蜜臀av无| 国产伦理片在线播放av一区| 大片免费播放器 马上看| 久久99一区二区三区| 日本黄色视频三级网站网址 | 亚洲av片天天在线观看| 纵有疾风起免费观看全集完整版| 不卡一级毛片| 夜夜夜夜夜久久久久| 国产av一区二区精品久久| xxxhd国产人妻xxx| 国产有黄有色有爽视频| 一边摸一边做爽爽视频免费| 久久久精品国产亚洲av高清涩受| 在线观看免费视频网站a站| 人人澡人人妻人| 国产精品一区二区在线观看99| 色老头精品视频在线观看| 国产色视频综合| 亚洲少妇的诱惑av| 伦理电影免费视频| 人人妻人人澡人人爽人人夜夜| 色老头精品视频在线观看| 久久九九热精品免费| 韩国精品一区二区三区| www.精华液| 久久久水蜜桃国产精品网| 老司机深夜福利视频在线观看| 汤姆久久久久久久影院中文字幕| 久久精品国产a三级三级三级| 午夜久久久在线观看| 亚洲精品美女久久av网站| 高清欧美精品videossex| 国产黄色免费在线视频| 亚洲精品在线观看二区| 久久久久精品国产欧美久久久| 亚洲精品国产精品久久久不卡| 热99国产精品久久久久久7| 亚洲五月婷婷丁香| 91成人精品电影| 搡老乐熟女国产| 人人妻人人澡人人爽人人夜夜| 欧美日韩精品网址| 18禁黄网站禁片午夜丰满| 精品视频人人做人人爽| 日日爽夜夜爽网站| 亚洲黑人精品在线| 999久久久国产精品视频| 国产亚洲欧美精品永久| 国产精品二区激情视频| 老司机深夜福利视频在线观看| 91国产中文字幕| 新久久久久国产一级毛片| 成人影院久久| 黑丝袜美女国产一区| 又紧又爽又黄一区二区| 日韩一卡2卡3卡4卡2021年| 一区福利在线观看| 91精品国产国语对白视频| 满18在线观看网站| 成人av一区二区三区在线看| 婷婷丁香在线五月| 亚洲精品美女久久av网站| 757午夜福利合集在线观看| 国产欧美日韩一区二区精品| 巨乳人妻的诱惑在线观看| 我的亚洲天堂| 最近最新中文字幕大全免费视频| 午夜视频精品福利| 法律面前人人平等表现在哪些方面| 国产精品九九99| 黄色视频在线播放观看不卡| 日本wwww免费看| 无遮挡黄片免费观看| 国产在线精品亚洲第一网站| 精品免费久久久久久久清纯 | 老汉色av国产亚洲站长工具| 色老头精品视频在线观看| 在线观看免费午夜福利视频| 一区二区日韩欧美中文字幕| 亚洲av片天天在线观看| 高清毛片免费观看视频网站 | 一区二区三区乱码不卡18| 高清毛片免费观看视频网站 | 无限看片的www在线观看| 两性夫妻黄色片| 国产又爽黄色视频| 一级毛片精品| 一级,二级,三级黄色视频| 人人妻,人人澡人人爽秒播| 欧美大码av| 中文字幕人妻丝袜制服| 国产一区二区三区视频了| 老司机福利观看| 国产亚洲欧美在线一区二区| 麻豆成人av在线观看| 亚洲免费av在线视频| 人妻一区二区av| 不卡av一区二区三区| 99香蕉大伊视频| 一区福利在线观看| 午夜日韩欧美国产| 黄片大片在线免费观看| 国产又爽黄色视频| 99国产精品99久久久久| 中国美女看黄片| 亚洲成人免费av在线播放| 精品少妇久久久久久888优播| cao死你这个sao货| 91字幕亚洲| 91大片在线观看| 成在线人永久免费视频| 超碰97精品在线观看| av网站在线播放免费| 午夜福利免费观看在线| 一区二区三区激情视频| 久久久久国产一级毛片高清牌| 大香蕉久久网| 国产视频一区二区在线看| 一本色道久久久久久精品综合| 十八禁网站免费在线| 欧美日韩精品网址| 国产成人免费观看mmmm| 久久久久精品人妻al黑| 国产精品99久久99久久久不卡| av片东京热男人的天堂| 99国产精品免费福利视频| 日韩有码中文字幕| 亚洲第一av免费看| 久久国产亚洲av麻豆专区| 国产成人影院久久av| 免费少妇av软件| 中文字幕高清在线视频| 国产精品偷伦视频观看了| 男女无遮挡免费网站观看| 黑人操中国人逼视频| tocl精华| 两个人免费观看高清视频| 国产1区2区3区精品| 高清毛片免费观看视频网站 | 五月天丁香电影| 极品人妻少妇av视频| 国产欧美日韩精品亚洲av|