• <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 ?

    基于多任務(wù)聯(lián)合學(xué)習(xí)的入侵檢測方法

    2022-03-26 06:53:36劉勝全
    關(guān)鍵詞:多任務(wù)類別損失

    劉 源,劉勝全,劉 艷

    (新疆大學(xué)信息科學(xué)與工程學(xué)院,新疆 烏魯木齊 830046)

    0 引言

    近些年來,互聯(lián)網(wǎng)技術(shù)飛速發(fā)展且逐漸成熟,網(wǎng)絡(luò)所帶來的便利已經(jīng)滲透到了人們生產(chǎn)生活中的各個方面,隨之而來的是網(wǎng)絡(luò)攻擊的風(fēng)險也急劇增加.網(wǎng)絡(luò)攻擊的罪魁禍?zhǔn)字痪褪蔷W(wǎng)絡(luò)入侵,現(xiàn)有的入侵檢測技術(shù)基于模式匹配,準(zhǔn)確率高但卻需要人工建立特征庫,而基于深度學(xué)習(xí)的入侵檢測方法無須人工提取特征,但對于少數(shù)類攻擊檢測率低,因此如何提高少數(shù)類的識別率是目前網(wǎng)絡(luò)入侵檢測方法面臨的主要難題.

    在文本分類領(lǐng)域,TextCNN取得了非常好的分類效果[1],它采用一個主任務(wù)加兩個輔助任務(wù)完成整個分類模型的構(gòu)建,借助輔助任務(wù)來改善原任務(wù)模型的性能.

    相較于傳統(tǒng)機器學(xué)習(xí)方法,深度學(xué)習(xí)在特征提取方面有著更好的表現(xiàn),近年來隨著深度學(xué)習(xí)的逐漸成熟,入侵檢測方法也逐漸向深度學(xué)習(xí)靠攏.Javaid等[2]采用稀疏自編碼器做特征提取,取得了比傳統(tǒng)機器學(xué)習(xí)更好的結(jié)果;Tan等[3]將預(yù)訓(xùn)練深度置信網(wǎng)絡(luò)(DBN)引入入侵檢測,同時與傳統(tǒng)機器學(xué)習(xí)方法進行了對比;楊昆明等[4]在采用深度置信網(wǎng)絡(luò)的情況下,使用SVM代替SOFTMAX分類器,在二分類上取得了更好的結(jié)果;Deng等[5]將卷積神經(jīng)網(wǎng)絡(luò)(CNN)應(yīng)用于入侵檢測,將流量信息轉(zhuǎn)換為灰度圖再通過CNN提取特征,加強了模型的通用性,同時取得了較好的成果;Kim等[6]使用了長短時記憶網(wǎng)絡(luò)(LSTM),同時提出了一種神經(jīng)語言模型,將系統(tǒng)調(diào)用序列建模為一種自然語言,降低了誤報率;方圓等[7]提出了一種混合模型,將卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)串聯(lián)起來,先經(jīng)過CNN提取出網(wǎng)絡(luò)流量的空間特征,再通過LSTM對已經(jīng)時間序列化的數(shù)據(jù)進行訓(xùn)練最終得到結(jié)果.

    上述深度學(xué)習(xí)方法均采用單一任務(wù),即對模型只進行二分類或多分類訓(xùn)練,該方法雖然對常見類型能夠有較好的判別,但流量數(shù)據(jù)不平衡性導(dǎo)致少數(shù)類別召回率低的問題仍然存在.本文結(jié)合注意力混合模型與多任務(wù)學(xué)習(xí),對高維流量特征的權(quán)重進行初始化,從眾多信息中選擇出更關(guān)鍵的信息.再分別提取空間特征與時序特征,將兩部分特征進行融合,從而獲得更加全面的流量信息,通過輔助任務(wù)的加入,降低數(shù)據(jù)不平衡性的影響以提升分類準(zhǔn)確率和泛化性能.

    1 模型簡介

    1.1 多任務(wù)學(xué)習(xí)

    多任務(wù)學(xué)習(xí)的主要目標(biāo)是通過多個相關(guān)的不同任務(wù),來優(yōu)化共享網(wǎng)絡(luò)的參數(shù),多任務(wù)學(xué)習(xí)能夠更好地挖掘任務(wù)之間具有的聯(lián)系[8].

    多任務(wù)學(xué)習(xí)包括聯(lián)合學(xué)習(xí)、自主學(xué)習(xí)和帶輔助任務(wù)的學(xué)習(xí).其中帶輔助任務(wù)的學(xué)習(xí)方式通過劃分任務(wù)為主任務(wù)和輔助任務(wù),利用輔助任務(wù)的信息來改進主任務(wù)的學(xué)習(xí)性能,從而可以學(xué)習(xí)到多個任務(wù)上的統(tǒng)一表示,進而實現(xiàn)對輔助任務(wù)的注意力機制.因此通過多任務(wù)學(xué)習(xí),能夠改善樣本不平衡性帶來的分類誤差.多任務(wù)學(xué)習(xí)模型公式為

    (1)

    其中:wm為第m個任務(wù)的一列的權(quán)重,xm,j為第m個任務(wù)的第j個樣例,ym,j代表對應(yīng)的輸出,εm代表噪聲.式中多個任務(wù)的信息共享是通過共享特征與共享隱層神經(jīng)元實現(xiàn)的,所有任務(wù)都由某種結(jié)構(gòu)相連接,通過同時優(yōu)化多個損失函數(shù),使網(wǎng)絡(luò)的泛化能力更加強大.

    1.2 膠囊網(wǎng)絡(luò)

    傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在池化層會丟失大量的信息,這就導(dǎo)致網(wǎng)絡(luò)的輸入微小變化的敏感度降低,其輸出幾乎是不變的.但是我們希望網(wǎng)絡(luò)能夠保留更多的細節(jié)信息.Sabour等[9]提出了膠囊網(wǎng)絡(luò)結(jié)構(gòu)克服了這些缺點.膠囊網(wǎng)絡(luò)提供了一個實體間局部到全局的關(guān)系方法,在膠囊網(wǎng)絡(luò)里,細節(jié)的層次結(jié)構(gòu)信息會被網(wǎng)絡(luò)提取出來,由于提取的細節(jié)信息更多,所以膠囊網(wǎng)絡(luò)僅需少量的數(shù)據(jù)即可達到更好的效果.

    膠囊網(wǎng)絡(luò)由膠囊層組成,每一層都被劃分為一組稱為膠囊的神經(jīng)元,膠囊的輸入輸出均為向量形式.為使膠囊的輸出向量表示為某種概率,Hinton使用了壓縮函數(shù)(Squashing)對向量進行歸一化,保證向量的長度在0,1之間.

    圖1為膠囊網(wǎng)絡(luò)示意圖,其中squash函數(shù)的公式為

    (2)

    式中:vj為膠囊j的輸出,sj為膠囊j所有輸入向量的加權(quán)和,即前層膠囊的輸出向量,其公式為

    (3)

    其中cij為耦合系數(shù),由softmax函數(shù)計算求出,其初值為bij,cij的公式為

    (4)

    其中bij是膠囊i耦合到膠囊j的對數(shù)先驗概率,它依賴于兩個膠囊的位置和類型.通過計算上一層中每個膠囊的輸出vj與預(yù)測μij之間的一致性,重新確定耦合系數(shù).

    (5)

    通過動態(tài)路由算法,不斷迭代,最終計算出膠囊的輸出vj.

    圖1 膠囊網(wǎng)絡(luò)結(jié)構(gòu)

    1.3 簡單循環(huán)單元

    簡單循環(huán)單元(SRU)是由Tao等[10]于2017年提出.GRU網(wǎng)絡(luò)能夠很好地解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)誤差梯度隨著時間長度的增加而逐漸變小難以收斂的缺點,但是傳統(tǒng)RNN結(jié)構(gòu)如LSTM和GRU在計算當(dāng)前時間步狀態(tài)時需要上一個時間步的隱層輸出,這嚴(yán)重限制了RNN模型的并行計算能力,拖慢了整個序列的處理速度.而SRU對GRU的門結(jié)構(gòu)進行了修改,引入了Skip-Connection結(jié)構(gòu)[11].使當(dāng)前時間步計算不再依賴上一個時間步的隱層輸出,大大加強了并行計算能力.SRU的單元公式為

    (6)

    ft=s(Wfxt+bf);

    (7)

    rt=s(Wrxt+br);

    (8)

    (9)

    ht=rt·g(ct)+(1-rt)·xt.

    (10)

    1.4 聯(lián)合學(xué)習(xí)模型

    入侵檢測問題可以看作一個多分類問題,其問題可以形式化如下:存在一個流量空間X以及固定的類別集合L=(l1,l2,l3,…,lj),對于訓(xùn)練集D,D?X,每條流量可以表示為〈d,l〉?X×L,我們的目標(biāo)是訓(xùn)練一個分類器C:X→L,對于給定的d?X,確定C(d)?L.

    膠囊網(wǎng)絡(luò)沒法有效提取上下文數(shù)據(jù)長期的依賴關(guān)系,但卻能很好地提取局部層次結(jié)構(gòu)特征.SRU能夠提取數(shù)據(jù)間的時序依賴關(guān)系,但卻對局部層次特征表現(xiàn)較差.通過結(jié)合不同模型的特點,更加全面提取數(shù)據(jù)特征[12].而為了解決數(shù)據(jù)分布不平衡帶來的收斂速度慢、泛化性能差等影響,引入了輔助二分類任務(wù),通過二分類判斷流量是否為入侵流量,將單任務(wù)學(xué)習(xí)中難以提取的入侵特征引入作為輔助信息,通過與多分類任務(wù)學(xué)習(xí)相同的共享網(wǎng)絡(luò)結(jié)構(gòu),來調(diào)整共享隱層的權(quán)重,減小模型對多數(shù)類別的偏向,增強其泛化能力,聯(lián)合學(xué)習(xí)模型的工作流程如圖2所示.

    圖2 混合模型結(jié)構(gòu)

    (1) 對78維的流量數(shù)據(jù)進行歸一化,其中xmin,xmax分別代表X每個分量的最小和最大值.

    (11)

    (2) 將歸一化后的數(shù)據(jù)一份轉(zhuǎn)化為9*9的灰度圖輸入膠囊網(wǎng)絡(luò)模塊得到特征向量Hc,一份通過注意力層后輸入SRU模塊得到特征向量Hr.

    (3) 將Hc與Hr拼接,得到混合后的向量Hf.

    (4) 通過全連接層由softmax分類器分類.

    對于多任務(wù)損失函數(shù)來說,X為輸入向量,Yi為第i個任務(wù)的標(biāo)簽,其總損失可以表示為

    (12)

    其中λi為損失Li的權(quán)重,是對于每個任務(wù)所做貢獻的衡量,手動調(diào)節(jié)λi十分耗時,本文引入動態(tài)權(quán)重搜索.

    (13)

    (14)

    首先計算相對下降率wk,即每個子任務(wù)與前一輪epoch損失的比值,然后除以超參T,T越大代表個任務(wù)間權(quán)重差異越小,最后進行exp映射后,計算各個損失所占比.

    為了提高少數(shù)類的召回率,額外引入一個二分類任務(wù),其中Lc為多分類損失、Lbc為二分類損失,其公式為

    Lmc=-α(1-softmax(H))γ·
    log(softmax(H));

    (15)

    Lbc=-α(1-D(H))γlog(D(H))+
    (1-α)D(H)γlog(1-D(H)).

    (16)

    該公式在原始交叉熵損失上加入平衡因子α和γ對損失函數(shù)進行約束,平衡因子α用來平衡正負樣本,當(dāng)α趨近1時,1-α趨近0,即負樣本比正樣本占比小.而平衡因子γ則對樣本易分程度進行了平衡,由于D(H)的輸出在(0,1)之間,因此當(dāng)γ>1時,D(H)γ增大而(1-D(H))γ減小,即置信度高則該樣本易分,其損失會降低,使模型更關(guān)注難分樣本.

    2 實驗方法與分析

    2.1 數(shù)據(jù)預(yù)處理

    大多數(shù)入侵檢測模型所采用的數(shù)據(jù)集KDD-99或NLS-KDD距今已有十多年[13].然而,對于當(dāng)前的網(wǎng)絡(luò)威脅環(huán)境,這些數(shù)據(jù)集并不能全面反映網(wǎng)絡(luò)流量和入侵攻擊,考慮到網(wǎng)絡(luò)數(shù)據(jù)集應(yīng)該具有時效性,本文采用了CICIDS2017數(shù)據(jù)集[14].該數(shù)據(jù)集由加拿大網(wǎng)絡(luò)安全研究所提供,其融合了真實的正常和攻擊流量.更適合模擬現(xiàn)有網(wǎng)絡(luò)環(huán)境.數(shù)據(jù)集中所包含攻擊類型見表1.其中KDD99與NSL-KDD數(shù)據(jù)集中并不包含Browser、Bdoor以及DNS攻擊類型,而CICIDS-2017包含了現(xiàn)在流行的大多數(shù)攻擊.因此采用該數(shù)據(jù)集訓(xùn)練的模型更加適應(yīng)現(xiàn)有的網(wǎng)絡(luò)環(huán)境.

    表1 數(shù)據(jù)集包含攻擊類型

    CICIDS2017數(shù)據(jù)集十分龐大.其包含3 119 345條數(shù)據(jù),15個類別標(biāo)簽(14個攻擊類型+1個正常類型).刪除缺失數(shù)據(jù)后仍有2 830 540條數(shù)據(jù).該數(shù)據(jù)集雖然包含了大多數(shù)攻擊場景,但是其缺點是數(shù)據(jù)分布不平衡.各類別的分布如表2 所示.

    表2 入侵類型分布

    可以看出BEGIN的占比為83.4%,HeartBleed的占比為0.000 39%,數(shù)據(jù)集非常不平衡將會對分類器的分類性能有嚴(yán)重影響,分類器會更加偏向?qū)颖九袆e為多數(shù)類,而忽視少數(shù)類別,因為這樣能夠更加輕易獲得較低的損失值.因此,在進行訓(xùn)練過程前,需要對數(shù)據(jù)集的不平衡性進行處理.最簡單的方法即為重新劃分類別,該數(shù)據(jù)集中正常類很難再細分,于是可以考慮將少數(shù)攻擊類合并為新的類別,調(diào)整后的類別分布如表3所示.

    從表3中可以看出攻擊類別的占比有著明顯的提升,從而大大降低了類別的不平衡性.由于類別的分布有著很大的不平衡性,正樣本是負樣本的數(shù)倍之多,故模型采用分層K折交叉驗證,即在每一折中都保持著原始數(shù)據(jù)中各個類別的比例關(guān)系.選取K為3,將2/3用于訓(xùn)練,1/3用于測試.訓(xùn)練3次,取其平均值.

    2.2 實驗設(shè)置

    本文在Ubuntu18.04環(huán)境上進行,采用Keras深度學(xué)習(xí)框架,后端實現(xiàn)為TensorFlow-ROCm,集成環(huán)境為Anaconda3.系統(tǒng)硬件配置如下:CPU為AMD ryzen 3600x,內(nèi)存為16 GB,GPU為AMD RX580.具體設(shè)置參數(shù)見表4和5.

    表4 膠囊網(wǎng)絡(luò)參數(shù)設(shè)置

    表5 SRU網(wǎng)絡(luò)參數(shù)設(shè)置

    聯(lián)合學(xué)習(xí)模型中,膠囊網(wǎng)絡(luò)和SRU單元的輸出向量均為64維,經(jīng)過拼接后為128維向量,該向量通過一層前饋全連接網(wǎng)絡(luò)后由softmax分類.層與層之間加入Layer Normalization對數(shù)據(jù)進行歸一化,使其分布一致,避免梯度消失,加快收斂速度.

    本文通過混淆矩陣(見表6)分別計算準(zhǔn)確率 (A),查準(zhǔn)率(P),查全率 (R),和F1值(F1)來評估模型的性能.

    (11)

    表6 混淆矩陣

    (12)

    (13)

    其中P是模型預(yù)測為正例中預(yù)測正確的比重,R是所有真實值是正例的結(jié)果中預(yù)測正確的比重,F(xiàn)1值是對查準(zhǔn)率和查全率進行了綜合考慮,F(xiàn)1值越高,說明模型越穩(wěn)健,性能越好.

    2.3 實驗結(jié)果與分析

    2.3.1 收斂性分析

    圖3和4展示了多任務(wù)聯(lián)合模型訓(xùn)練時的準(zhǔn)確率和損失值的變化趨勢,其中acc和loss分別代表代表準(zhǔn)確率和損失.在20次的迭代訓(xùn)練中,準(zhǔn)確率穩(wěn)定上升直至訓(xùn)練后期趨于平穩(wěn),同時損失值也平穩(wěn)地下降,10輪之后基本穩(wěn)定不再變化,表明本模型良好且能夠快速收斂.訓(xùn)練使用完整數(shù)據(jù)集,對比試驗也采用相同的數(shù)據(jù)集和測試集.

    圖3 多任務(wù)聯(lián)合模型的準(zhǔn)確率

    圖4 多任務(wù)聯(lián)合模型損失

    2.3.2 模型對比分析

    為了驗證本文模型對入侵檢測有著更好的效果,分別對比了文獻[5]中基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測方法,文獻[6]中基于長短時記憶網(wǎng)絡(luò)的方法以及文獻[7]中基于CNN+GRU混合模型的方法.同時也對比了本文模型添加輔助任務(wù)和不添加輔助任務(wù)的情況.通過對比各個模型的性能指標(biāo)來分析模型的優(yōu)缺點,實驗結(jié)果如表7所示.

    表7 不同模型的性能對比 %

    可以看出在單一模型中LSTM和CNN模型的性能基本相同,而由于CNN+GRU混合模型能夠提取更加豐富的特征,故所有類別的F1均高于單一模型.但是3個模型對Infiltration和WebAttack類的檢測上均表現(xiàn)較差,尤其是 Infiltration類,這3種方法均無法檢測出該類.對于不添加輔助函數(shù)的本文模型,性能與CNN+GRU模型類似,對Infiltration類別的判斷有所提高,而添加了輔助任務(wù)的多任務(wù)聯(lián)合學(xué)習(xí)模型不僅在P,R,F(xiàn)1值方面均優(yōu)于對比模型,同時能夠很好的檢測出Infiltration與WebAttack這樣的少數(shù)類別.這是因為數(shù)據(jù)集中惡意樣本數(shù)相對較少,而少數(shù)類別對神經(jīng)網(wǎng)絡(luò)的權(quán)重影響過于小,損失函數(shù)通過忽視少數(shù)類別能夠更簡單的降低損失值,因此本文方法引入一個二分類的輔助損失,通過該損失函數(shù)來調(diào)整網(wǎng)絡(luò)共享層的權(quán)重,使其能夠注意到少數(shù)的攻擊類別.

    2.3.3 輔助損失驗證分析

    在多任務(wù)聯(lián)合學(xué)習(xí)模型中,需要對每個任務(wù)的損失進行權(quán)重分配,必須保證輔助損失能夠微調(diào)模型權(quán)重參數(shù)但又不能主導(dǎo)整個模型的訓(xùn)練[15].通過使用動態(tài)損失權(quán)重和不使用動態(tài)損失權(quán)重進行模型訓(xùn)練來確定該方法是否有效,結(jié)果如表8所示.可以發(fā)現(xiàn)使用動態(tài)損失權(quán)重的模型F1值明顯優(yōu)于不使用該方法.其動態(tài)調(diào)整二分類損失的比重可以更好地調(diào)整模型參數(shù),提高少數(shù)類別的召回率.

    表8 動態(tài)損失權(quán)重 %

    3 結(jié)論

    本文提出的多任務(wù)聯(lián)合學(xué)習(xí)方法,很好地解決了流量數(shù)據(jù)中少數(shù)類別檢測難的問題,將CapsNet與SRU相結(jié)合提取更加全面的流量信息,最后結(jié)合輔助任務(wù)來提升少數(shù)類的召回率.通過對比不同方法的檢測結(jié)果,結(jié)果顯示本文方法在大幅提高少數(shù)類別召回率,同時查準(zhǔn)率也較其他方法有所提升.由于模型針對特定數(shù)據(jù)集訓(xùn)練,未考慮真實網(wǎng)絡(luò)環(huán)境下的流量數(shù)據(jù),所以下一步研究將著重于真實情況下的網(wǎng)絡(luò)入侵,建立一個泛化能力與抗干擾能力更強的入侵監(jiān)測系統(tǒng),來驗證多任務(wù)聯(lián)合學(xué)習(xí)方法的性能.

    猜你喜歡
    多任務(wù)類別損失
    少問一句,損失千金
    胖胖損失了多少元
    基于中心化自動加權(quán)多任務(wù)學(xué)習(xí)的早期輕度認知障礙診斷
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    基于判別性局部聯(lián)合稀疏模型的多任務(wù)跟蹤
    基于多任務(wù)異步處理的電力系統(tǒng)序網(wǎng)絡(luò)拓撲分析
    電測與儀表(2016年5期)2016-04-22 01:13:46
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    一般自由碰撞的最大動能損失
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    国产亚洲午夜精品一区二区久久 | 国产91av在线免费观看| 国产成人一区二区在线| 寂寞人妻少妇视频99o| 国产精品福利在线免费观看| 亚洲av电影在线观看一区二区三区 | 18禁在线播放成人免费| 国产亚洲一区二区精品| 精品久久久久久久人妻蜜臀av| 色网站视频免费| av国产免费在线观看| 成人漫画全彩无遮挡| 水蜜桃什么品种好| 国产探花在线观看一区二区| 久久久亚洲精品成人影院| 日日撸夜夜添| 亚洲av免费高清在线观看| 尤物成人国产欧美一区二区三区| 在线天堂最新版资源| 亚洲欧美成人综合另类久久久| 综合色丁香网| 婷婷色av中文字幕| 99久久九九国产精品国产免费| 精品人妻视频免费看| 中文精品一卡2卡3卡4更新| 成人无遮挡网站| 国产精品伦人一区二区| 国产成人精品福利久久| 亚洲av.av天堂| 亚洲婷婷狠狠爱综合网| 国产亚洲av片在线观看秒播厂 | 深爱激情五月婷婷| 欧美3d第一页| 亚洲性久久影院| 日产精品乱码卡一卡2卡三| 久久久精品94久久精品| 日韩 亚洲 欧美在线| 亚洲三级黄色毛片| 男女边摸边吃奶| 国产黄a三级三级三级人| 久久国内精品自在自线图片| 国产淫语在线视频| 2022亚洲国产成人精品| 搡老妇女老女人老熟妇| 久久草成人影院| 免费人成在线观看视频色| 日本黄大片高清| 亚洲18禁久久av| 午夜福利视频1000在线观看| 成人一区二区视频在线观看| 国产极品天堂在线| 午夜亚洲福利在线播放| 亚洲图色成人| 天堂中文最新版在线下载 | 国产亚洲最大av| 熟女人妻精品中文字幕| 亚洲无线观看免费| 男女下面进入的视频免费午夜| 一区二区三区四区激情视频| 国产91av在线免费观看| 亚洲第一区二区三区不卡| 美女黄网站色视频| 97精品久久久久久久久久精品| 精品国内亚洲2022精品成人| 午夜福利在线在线| 日日摸夜夜添夜夜爱| 特大巨黑吊av在线直播| 色网站视频免费| 亚洲av.av天堂| 婷婷色综合www| 丝袜喷水一区| 日本-黄色视频高清免费观看| 亚洲一级一片aⅴ在线观看| 亚洲va在线va天堂va国产| 老女人水多毛片| 在线天堂最新版资源| 日韩三级伦理在线观看| 国产成人aa在线观看| 国产又色又爽无遮挡免| 精华霜和精华液先用哪个| 亚洲欧美日韩卡通动漫| 免费黄频网站在线观看国产| 中文天堂在线官网| 青青草视频在线视频观看| 免费看av在线观看网站| 夫妻性生交免费视频一级片| 久久人人爽人人爽人人片va| 亚洲精品成人av观看孕妇| 国产成人午夜福利电影在线观看| 亚洲成人中文字幕在线播放| 一个人观看的视频www高清免费观看| 九九爱精品视频在线观看| 国产精品1区2区在线观看.| 国产精品av视频在线免费观看| 亚洲精品影视一区二区三区av| 伊人久久国产一区二区| av网站免费在线观看视频 | videos熟女内射| 在线天堂最新版资源| 精品午夜福利在线看| 中文乱码字字幕精品一区二区三区 | 日韩精品有码人妻一区| 一级毛片我不卡| 国产精品麻豆人妻色哟哟久久 | 免费看av在线观看网站| 你懂的网址亚洲精品在线观看| 免费不卡的大黄色大毛片视频在线观看 | 国产成人精品福利久久| 又粗又硬又长又爽又黄的视频| 简卡轻食公司| 久久精品国产亚洲av涩爱| 日韩中字成人| 天天躁日日操中文字幕| 联通29元200g的流量卡| 亚洲成人中文字幕在线播放| 久久久色成人| 中国美白少妇内射xxxbb| 日本黄色片子视频| 亚洲色图av天堂| 亚洲综合色惰| 熟女人妻精品中文字幕| 99久久九九国产精品国产免费| 久久久久久久久大av| 亚洲四区av| 久久这里有精品视频免费| 亚洲精品,欧美精品| 国产黄片视频在线免费观看| 日本一本二区三区精品| 久久99精品国语久久久| 午夜福利在线观看吧| 99热这里只有是精品50| 日产精品乱码卡一卡2卡三| 久久精品久久精品一区二区三区| 成人美女网站在线观看视频| 亚洲自拍偷在线| 男女视频在线观看网站免费| 啦啦啦韩国在线观看视频| 神马国产精品三级电影在线观看| 一个人观看的视频www高清免费观看| 最近最新中文字幕大全电影3| 国产爱豆传媒在线观看| 女人十人毛片免费观看3o分钟| 色尼玛亚洲综合影院| 国产精品一区二区性色av| 精品一区在线观看国产| 久久久久久久久久久丰满| 人妻夜夜爽99麻豆av| 综合色av麻豆| 久久久久久久大尺度免费视频| 老司机影院毛片| 国产男人的电影天堂91| 免费看日本二区| 亚洲成人av在线免费| 国产一区亚洲一区在线观看| 少妇熟女欧美另类| 在线a可以看的网站| 久久久国产一区二区| 亚洲一区高清亚洲精品| 精品熟女少妇av免费看| 日本av手机在线免费观看| 日韩欧美国产在线观看| 日韩欧美精品v在线| 一个人观看的视频www高清免费观看| 国产日韩欧美在线精品| 亚洲精品成人久久久久久| 日韩欧美精品免费久久| 欧美高清成人免费视频www| 少妇被粗大猛烈的视频| 精品一区二区三区视频在线| 国产白丝娇喘喷水9色精品| 亚洲18禁久久av| 久久99热6这里只有精品| 免费av不卡在线播放| 精品午夜福利在线看| 久久人人爽人人片av| 国内精品一区二区在线观看| 亚州av有码| 国产精品国产三级国产专区5o| 女人久久www免费人成看片| 爱豆传媒免费全集在线观看| 亚洲精品456在线播放app| 国产熟女欧美一区二区| 久久久精品94久久精品| 国产 一区 欧美 日韩| 国内少妇人妻偷人精品xxx网站| 亚洲av一区综合| 高清在线视频一区二区三区| 亚洲欧美精品专区久久| 久久久久网色| 黄色配什么色好看| 亚洲国产欧美人成| videos熟女内射| 午夜福利在线在线| 一本一本综合久久| 99久久九九国产精品国产免费| 九色成人免费人妻av| 免费在线观看成人毛片| 亚洲经典国产精华液单| 欧美一区二区亚洲| 国产探花在线观看一区二区| 精品一区二区免费观看| 午夜激情欧美在线| 欧美最新免费一区二区三区| 欧美性感艳星| 联通29元200g的流量卡| 亚洲av.av天堂| 国产精品一二三区在线看| 成人亚洲欧美一区二区av| 国产视频首页在线观看| 国产色爽女视频免费观看| 日本与韩国留学比较| 亚洲国产最新在线播放| 亚洲在久久综合| 国产精品一区二区三区四区久久| 亚洲av电影不卡..在线观看| 免费高清在线观看视频在线观看| 在线 av 中文字幕| 黄色日韩在线| 久久综合国产亚洲精品| 80岁老熟妇乱子伦牲交| 热99在线观看视频| 国产一级毛片在线| 麻豆久久精品国产亚洲av| 欧美一区二区亚洲| 亚洲在线观看片| av免费观看日本| 久久久久网色| 夜夜看夜夜爽夜夜摸| 国产精品女同一区二区软件| 黄色欧美视频在线观看| 国产成人91sexporn| 建设人人有责人人尽责人人享有的 | 精品一区二区三区视频在线| 插逼视频在线观看| 青青草视频在线视频观看| 免费少妇av软件| 精华霜和精华液先用哪个| 亚洲欧美中文字幕日韩二区| 肉色欧美久久久久久久蜜桃 | 欧美 日韩 精品 国产| 国产有黄有色有爽视频| 视频中文字幕在线观看| 国产精品人妻久久久久久| 最近最新中文字幕免费大全7| 国产单亲对白刺激| 纵有疾风起免费观看全集完整版 | 91精品一卡2卡3卡4卡| 色吧在线观看| 欧美高清性xxxxhd video| 亚洲av中文av极速乱| 春色校园在线视频观看| 免费无遮挡裸体视频| 一级毛片电影观看| 亚洲人成网站高清观看| 国产成人91sexporn| 又爽又黄无遮挡网站| 成人毛片60女人毛片免费| 亚洲欧美日韩卡通动漫| 国产精品99久久久久久久久| 男女国产视频网站| av专区在线播放| 日韩制服骚丝袜av| 特大巨黑吊av在线直播| 国产精品无大码| 成人av在线播放网站| 欧美不卡视频在线免费观看| 视频中文字幕在线观看| 日日摸夜夜添夜夜添av毛片| 亚洲欧洲日产国产| 日韩视频在线欧美| 亚洲精品色激情综合| 午夜福利成人在线免费观看| 黄片无遮挡物在线观看| 免费黄色在线免费观看| 亚洲在线观看片| 亚洲欧洲国产日韩| 午夜福利成人在线免费观看| 久久99精品国语久久久| 一级黄片播放器| 我的老师免费观看完整版| 国产精品久久久久久av不卡| 少妇熟女aⅴ在线视频| 久久精品综合一区二区三区| 日韩视频在线欧美| 国产精品一区二区三区四区久久| 久久久a久久爽久久v久久| 男人舔女人下体高潮全视频| 欧美日韩亚洲高清精品| av播播在线观看一区| 国产成人aa在线观看| 欧美三级亚洲精品| 午夜免费激情av| 白带黄色成豆腐渣| 91久久精品国产一区二区成人| 欧美高清成人免费视频www| 欧美精品国产亚洲| 免费黄频网站在线观看国产| 国产精品一及| 高清在线视频一区二区三区| 久久99热这里只有精品18| 极品教师在线视频| 日韩欧美精品v在线| 97精品久久久久久久久久精品| 国内精品美女久久久久久| 欧美成人一区二区免费高清观看| 麻豆成人av视频| 一级毛片电影观看| 赤兔流量卡办理| 日韩三级伦理在线观看| 亚洲人成网站高清观看| 亚洲精品色激情综合| 伊人久久国产一区二区| 亚洲伊人久久精品综合| 亚洲不卡免费看| 亚洲精品日韩av片在线观看| 免费看av在线观看网站| 国产真实伦视频高清在线观看| 日韩 亚洲 欧美在线| 日本黄大片高清| 嫩草影院入口| 欧美不卡视频在线免费观看| 在线观看免费高清a一片| 尾随美女入室| 美女xxoo啪啪120秒动态图| 久久这里有精品视频免费| 777米奇影视久久| 在线观看人妻少妇| 一级毛片 在线播放| 亚洲美女搞黄在线观看| 亚洲欧洲国产日韩| 国产在线一区二区三区精| 日韩伦理黄色片| 亚洲精品456在线播放app| 国产三级在线视频| 成人二区视频| 婷婷色综合大香蕉| 中文字幕亚洲精品专区| eeuss影院久久| 嘟嘟电影网在线观看| av播播在线观看一区| 少妇熟女欧美另类| 人人妻人人澡欧美一区二区| 麻豆精品久久久久久蜜桃| 午夜福利高清视频| 熟女人妻精品中文字幕| ponron亚洲| 在线免费十八禁| 欧美xxⅹ黑人| 一本一本综合久久| 男的添女的下面高潮视频| 麻豆成人午夜福利视频| 久久久亚洲精品成人影院| 亚洲国产精品成人久久小说| 久久久亚洲精品成人影院| 人妻少妇偷人精品九色| 男女边摸边吃奶| 亚洲欧美一区二区三区国产| 午夜福利在线在线| 免费看av在线观看网站| 3wmmmm亚洲av在线观看| 狠狠精品人妻久久久久久综合| 国产精品福利在线免费观看| 嘟嘟电影网在线观看| 国产 一区精品| 久久99热6这里只有精品| 久久99精品国语久久久| 久久草成人影院| 日本色播在线视频| 亚洲精品456在线播放app| 亚洲熟女精品中文字幕| 99热这里只有精品一区| 九九久久精品国产亚洲av麻豆| 色尼玛亚洲综合影院| 精品一区二区免费观看| 久久久久久久亚洲中文字幕| 国产成人精品婷婷| 亚洲丝袜综合中文字幕| 夫妻午夜视频| 亚洲国产日韩欧美精品在线观看| 日韩成人av中文字幕在线观看| 特级一级黄色大片| 色播亚洲综合网| 少妇高潮的动态图| 能在线免费看毛片的网站| .国产精品久久| 大片免费播放器 马上看| 国产男女超爽视频在线观看| 国产亚洲精品久久久com| 寂寞人妻少妇视频99o| 日韩亚洲欧美综合| 亚洲精品视频女| 99热全是精品| 日韩欧美精品v在线| 国产v大片淫在线免费观看| eeuss影院久久| 亚洲不卡免费看| 美女国产视频在线观看| 99热这里只有是精品50| 久久精品综合一区二区三区| 国产伦在线观看视频一区| 最近视频中文字幕2019在线8| 97超碰精品成人国产| 狂野欧美激情性xxxx在线观看| 国产又色又爽无遮挡免| 日本爱情动作片www.在线观看| 国产成人精品福利久久| 插阴视频在线观看视频| 纵有疾风起免费观看全集完整版 | 免费观看在线日韩| 亚洲国产精品成人久久小说| 亚洲真实伦在线观看| 亚洲精品中文字幕在线视频 | 国产视频内射| 97人妻精品一区二区三区麻豆| 午夜精品国产一区二区电影 | 激情五月婷婷亚洲| 亚洲,欧美,日韩| 嫩草影院新地址| 成年版毛片免费区| 亚洲综合精品二区| 精品人妻偷拍中文字幕| 建设人人有责人人尽责人人享有的 | 久久久久久久久久久丰满| 一级毛片 在线播放| 国产免费又黄又爽又色| 搡老乐熟女国产| 国产伦一二天堂av在线观看| 男女视频在线观看网站免费| 永久网站在线| 久久精品国产亚洲网站| 少妇丰满av| videos熟女内射| 国产亚洲91精品色在线| 国产又色又爽无遮挡免| 国精品久久久久久国模美| 看十八女毛片水多多多| 国产精品熟女久久久久浪| 日韩欧美 国产精品| 久久久久性生活片| 日韩精品有码人妻一区| 成人美女网站在线观看视频| 久久久精品欧美日韩精品| 国产成人freesex在线| 亚洲国产精品成人综合色| 在线a可以看的网站| 日韩亚洲欧美综合| 只有这里有精品99| 欧美成人午夜免费资源| 国产一区亚洲一区在线观看| 国产精品人妻久久久久久| 69人妻影院| 老司机影院毛片| 中文乱码字字幕精品一区二区三区 | 男插女下体视频免费在线播放| 91久久精品电影网| 亚洲精品456在线播放app| 亚洲怡红院男人天堂| 欧美一级a爱片免费观看看| 91久久精品国产一区二区三区| 高清视频免费观看一区二区 | 国产免费一级a男人的天堂| 亚洲人与动物交配视频| 亚洲精品日韩av片在线观看| 国产综合懂色| or卡值多少钱| 网址你懂的国产日韩在线| 美女cb高潮喷水在线观看| 91午夜精品亚洲一区二区三区| 国产单亲对白刺激| 成人美女网站在线观看视频| 搡老乐熟女国产| 黄色一级大片看看| 亚洲精华国产精华液的使用体验| 在线观看美女被高潮喷水网站| 三级经典国产精品| 日韩亚洲欧美综合| av播播在线观看一区| 国产久久久一区二区三区| 国产欧美另类精品又又久久亚洲欧美| 日韩在线高清观看一区二区三区| 欧美成人a在线观看| 人妻夜夜爽99麻豆av| 天堂俺去俺来也www色官网 | 亚洲精品456在线播放app| 亚洲伊人久久精品综合| 亚洲av中文字字幕乱码综合| 丝袜美腿在线中文| 亚洲欧美一区二区三区黑人 | 亚洲美女视频黄频| 欧美一级a爱片免费观看看| 中国国产av一级| 三级经典国产精品| 成人性生交大片免费视频hd| 91aial.com中文字幕在线观看| 日本三级黄在线观看| 一级片'在线观看视频| 伦精品一区二区三区| 最后的刺客免费高清国语| 中文字幕av成人在线电影| 特大巨黑吊av在线直播| 亚洲国产欧美在线一区| av在线亚洲专区| 精品久久久久久久末码| 亚洲激情五月婷婷啪啪| 九九爱精品视频在线观看| 国产黄a三级三级三级人| 日本熟妇午夜| 99久久精品国产国产毛片| 亚洲av国产av综合av卡| 蜜桃久久精品国产亚洲av| 日韩av免费高清视频| 欧美人与善性xxx| 亚洲精品国产av成人精品| 日韩av在线免费看完整版不卡| 午夜精品国产一区二区电影 | 欧美日韩视频高清一区二区三区二| 精品不卡国产一区二区三区| 韩国av在线不卡| 亚洲av成人精品一二三区| 国产欧美日韩精品一区二区| 国产黄片视频在线免费观看| 身体一侧抽搐| 久热久热在线精品观看| 亚洲av成人av| 不卡视频在线观看欧美| 五月天丁香电影| 国产午夜精品久久久久久一区二区三区| 亚洲av在线观看美女高潮| 久久久久久国产a免费观看| 白带黄色成豆腐渣| 国产美女午夜福利| 亚洲欧洲国产日韩| 欧美变态另类bdsm刘玥| 一区二区三区免费毛片| 午夜日本视频在线| 精品亚洲乱码少妇综合久久| 激情 狠狠 欧美| 人体艺术视频欧美日本| 日本黄色片子视频| 亚洲自偷自拍三级| 少妇熟女aⅴ在线视频| 中文乱码字字幕精品一区二区三区 | 一区二区三区乱码不卡18| 午夜日本视频在线| 天堂影院成人在线观看| 一级二级三级毛片免费看| 国产精品久久久久久久电影| 国产视频内射| 久久久久久久久久黄片| 麻豆成人av视频| 国内精品宾馆在线| 亚洲国产精品sss在线观看| 午夜精品一区二区三区免费看| 91在线精品国自产拍蜜月| 亚洲精品aⅴ在线观看| 国产91av在线免费观看| 一级毛片电影观看| 久久久久久久久久人人人人人人| 一级黄片播放器| av免费在线看不卡| 99re6热这里在线精品视频| 五月天丁香电影| 日韩伦理黄色片| 欧美变态另类bdsm刘玥| 最后的刺客免费高清国语| 亚洲欧美精品专区久久| 夜夜爽夜夜爽视频| 丝袜美腿在线中文| 婷婷色麻豆天堂久久| 国产 一区 欧美 日韩| 国产黄色小视频在线观看| 人妻夜夜爽99麻豆av| 精品久久久久久成人av| 久久久久久久午夜电影| 99视频精品全部免费 在线| 超碰97精品在线观看| 天堂√8在线中文| 大香蕉久久网| 少妇熟女欧美另类| 国产欧美另类精品又又久久亚洲欧美| 成人高潮视频无遮挡免费网站| 能在线免费观看的黄片| 日韩制服骚丝袜av| 国产伦一二天堂av在线观看| 精品一区二区三区视频在线| 亚洲怡红院男人天堂| 久久久久免费精品人妻一区二区| 99久国产av精品国产电影| 26uuu在线亚洲综合色| 欧美变态另类bdsm刘玥| 午夜免费激情av| 美女主播在线视频| 久久久久久久久中文| 成人无遮挡网站| 亚洲熟女精品中文字幕| 国产激情偷乱视频一区二区| 久久午夜福利片| 亚洲国产精品sss在线观看| 日韩一区二区视频免费看| 精品久久久久久久末码| 国产午夜精品久久久久久一区二区三区| 青春草视频在线免费观看| 天天躁日日操中文字幕| 久久99蜜桃精品久久| 亚洲在线观看片| 国产精品久久久久久av不卡| 国产黄频视频在线观看| 又爽又黄a免费视频| 久久精品久久精品一区二区三区| 亚洲激情五月婷婷啪啪| 亚洲人成网站高清观看| 毛片一级片免费看久久久久| 蜜臀久久99精品久久宅男| 午夜精品一区二区三区免费看| 美女内射精品一级片tv|