• <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1D-CNN-Densenet的惡意代碼檢測方法

    2022-07-20 02:29:08劉曉晨蘆天亮楊錦璈
    關鍵詞:調(diào)用個數(shù)卷積

    劉曉晨, 蘆天亮, 楊錦璈, 楊 明

    (1.中國人民公安大學信息網(wǎng)絡安全學院, 北京 100038; 2.中國人民公安大學公共安全行為科學實驗室, 北京 100038)

    0 引言

    網(wǎng)絡技術的日益發(fā)展帶來越來越多的網(wǎng)絡安全問題,惡意軟件如病毒、蠕蟲、后門、僵尸網(wǎng)絡和特洛伊木馬等成為當今影響世界網(wǎng)絡安全的一大威脅,其多種多樣的攻擊手段給人們的生活帶來了極為不利的影響。惡意代碼對互聯(lián)網(wǎng)的健康發(fā)展產(chǎn)生了嚴重的影響,甚至對重點行業(yè)的關鍵基礎設施造成威脅。McAfee發(fā)布報告稱,2020年第二季度新發(fā)現(xiàn)惡意軟件樣本數(shù)量增長了11.5%,平均每分鐘會出現(xiàn)419個新威脅[1]。

    隨著深度學習模型的發(fā)展,API調(diào)用序列作為特征處理惡意代碼檢測不再局限于數(shù)據(jù)挖掘和傳統(tǒng)的機器學習算法[2-3],基于深度學習的惡意代碼檢測模型中循環(huán)神經(jīng)網(wǎng)絡占多數(shù),這些模型比數(shù)據(jù)挖掘和傳統(tǒng)的機器學習方法具有更高的準確性。本文設計了一種1D-CNN-Densenet模型對惡意代碼進行檢測,主要工作如下:

    (1)通過Cuckoo Sandbox動態(tài)提取API序列,對獲取到的API原始序列轉(zhuǎn)化、去重,對每個API進行十進制編碼向量化表示。

    (2)統(tǒng)計所有API個數(shù)和每一個惡意程序的API個數(shù),通過剪裁和補齊,構(gòu)建輸入到檢測模型的矩陣。

    (3)設計基于一維卷積和稠密網(wǎng)絡結(jié)構(gòu)的1D-CNN-Densenet,提取和學習更深層次的惡意代碼特征,進一步提高惡意代碼檢測模型的準確率。

    1 相關工作

    1.1 惡意代碼分析技術

    靜態(tài)分析和動態(tài)分析是惡意代碼分析技術的兩種常見方法。靜態(tài)分析不對惡意樣本進行執(zhí)行操作,直接從二進制文件中提取特征,方法簡單,效率高,占用資源較少,從特征碼、文件完整性、反匯編等方面了解惡意軟件的代碼、邏輯結(jié)構(gòu)等。廖國輝等[4]從Windows可執(zhí)行PE文件中提取靜態(tài)特征分析惡意代碼;Natarajf等[5]將惡意代碼的二進制文件轉(zhuǎn)化為灰度圖像,利用神經(jīng)網(wǎng)絡分類惡意代碼;楊頻等[6]提取操作碼特征構(gòu)建檢測模型;Raff等[7]將惡意代碼原生字節(jié)序列作為輸入,將可執(zhí)行文件結(jié)構(gòu)通過神經(jīng)網(wǎng)絡學習軟件中具有判別力的特征信息;Zhao等[8]基于函數(shù)的調(diào)用圖對惡意代碼的變形進行分類檢測。靜態(tài)分析具有局限性,攻擊技術的加強,受混淆、壓縮、加殼等影響,靜態(tài)分析的泛化能力變?nèi)?,易出現(xiàn)漏報和誤報。

    動態(tài)分析是在隔離環(huán)境如沙箱中執(zhí)行惡意樣本,提取樣本的動態(tài)特征,對新型惡意代碼識別率較高。其中分析API調(diào)用序列最具代表性,Dahl等[9]根據(jù)置信度分析惡意代碼的動態(tài)API序列進行惡意代碼分類;Hyunjoo等[10]使用API調(diào)用序列和序列比對算法實現(xiàn)了惡意軟件的檢測和分類;Abdurrahman等[11]提取惡意代碼注冊表活動以及API序列等動態(tài)特征,構(gòu)建特征向量,對惡意軟件進行分類檢測。

    此外還有通過靜態(tài)分析技術提取惡意代碼特征,利用動態(tài)檢測方法識別惡意代碼的混合分析技術。Zhao等[12]結(jié)合動態(tài)和靜態(tài)特征基于機器學習算法對惡意代碼進行檢測;Kang[13]等基于word2vec以較少維度分析操作碼和API序列,使用分類器分類惡意軟件。

    綜上,無論是靜態(tài)分析還是動態(tài)分析都是通過分析樣本的內(nèi)容以及樣本間的關系提取惡意代碼的特征并對其進行分類。

    1.2 基于API調(diào)用序列的惡意代碼檢測技術

    傳統(tǒng)的基于特征碼的檢測受限于混淆、多態(tài)的代碼。許多研究使用機器學習算法進行惡意代碼分析如LR、DT、NNs等。Kolter等[14]使用字節(jié)序列N- Gram通過機器學習(如NB、SVM、DT等)構(gòu)建分類模型對惡意代碼進行檢測。Saxe等[15]使用神經(jīng)網(wǎng)絡算法對惡意代碼進行分類檢測。深度學習的卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡及其改進的算法在惡意代碼檢測領域中也有所應用。Kolosnjaji等[16]將提取的特征通過N- Gram和CNN模型將其轉(zhuǎn)換為LSTM模型的輸入進行分類。Tobiyama等[17]將API序列和API返回值輸入RNN模型中進行惡意代碼分類。

    API調(diào)用序列可以反映惡意代碼的運行,可以作為惡意代碼檢測的特征進行分析。Chen等[18]從PE文件中提取API調(diào)用序列;Ravi等[19]將API調(diào)用序列用用數(shù)據(jù)挖掘算法進行惡意代碼檢測;Hansen等[20]利用RF根據(jù)API調(diào)用序列和API調(diào)用頻率對惡意軟件進行分類;Ding等[21]標記API序列,提取調(diào)用關系,挖掘行為依賴圖用于惡意代碼檢測。蘆效峰[22]基于序列數(shù)據(jù)的長短期記憶深度學習模型對API調(diào)用統(tǒng)計特征組合提出惡意樣本檢測框架。

    上述列舉的基于API調(diào)用序列的模型大多依賴于循環(huán)結(jié)構(gòu),循環(huán)結(jié)構(gòu)按順序處理長數(shù)據(jù),處理較長的輸入序列性能較低,需要消耗較長的時間和資源,影響惡意代碼檢測的性能。在這種情況下,本文設計了基于一維卷積和稠密結(jié)構(gòu)的1D-CNN-Densenet模型。

    2 模型設計與實現(xiàn)

    如圖1所示,本文設計了一種1D-CNN-Densenet針對惡意代碼進行檢測,在Cuckoo sandbox中運行程序動態(tài)提取正常軟件和惡意代碼的行為報告,經(jīng)過API序列數(shù)據(jù)預處理[23],將十進制編碼映射API序列對其進行補齊和裁剪,向量化輸入到1D-CNN-Densenet模型,通過稠密網(wǎng)絡式結(jié)構(gòu),挖掘和學習更深層次的特征,訓練和測試模型,從而判斷程序是良性還是惡意。

    圖1 實驗流程

    2.1 數(shù)據(jù)預處理

    2.1.1 惡意代碼行為表示

    每一個可執(zhí)行文件運行程序的行為都可以使用API調(diào)用序列來表示,API調(diào)用序列的提取可以通過沙箱動態(tài)執(zhí)行程序獲得。本文基于Cuckoo sandbox[24]搭建惡意代碼分析環(huán)境,使用隔離環(huán)境自動執(zhí)行不可信的惡意軟件,分析樣本提取出進程、網(wǎng)絡、文件等動態(tài)行為。主機通過Cuckoo sandbox分發(fā)惡意樣本至客戶機并執(zhí)行惡意代碼,Cuckoo sandbox生成多種形式的結(jié)果,由于Json格式的報告在跨平臺適用性方面較好,且格式規(guī)范統(tǒng)一,便于下一步對惡意代碼樣本行為進行批量處理,因此采用Json格式的報告提取API調(diào)用序列并轉(zhuǎn)化為txt文檔進行下一步數(shù)據(jù)處理。

    經(jīng)轉(zhuǎn)化,每一個txt文檔代表著一個程序所有的API調(diào)用,即一個程序的所有動態(tài)行為,其中一行由API類型和API名稱兩部分組成,表示一個API調(diào)用序列。

    2.1.2 向量化表示

    程序會連續(xù)執(zhí)行類似的操作,因此在分析API調(diào)用序列時發(fā)現(xiàn)無論正常還是惡意程序,同一個API函數(shù)通常被連續(xù)多次調(diào)用,為減少送入模型的序列的長度,對重復調(diào)用的API序列進行去重,刪除重復的API調(diào)用序列可以避免信息冗余。

    將txt文件去重后將每一串字符用十進制編碼成[n,m]的矩陣。n為每個程序中API的取值個數(shù),m為每個API的平均長度,本文3.4的預實驗中得出結(jié)論n的取值為平均個數(shù)時效率最高,因此n為每個程序的平均API個數(shù)。對每個API長度不足平均長度的補0,大于平均長度的裁剪,將所有API個數(shù)不足平均個數(shù)的補[1,m]的0矩陣至n,超過n的進行裁剪以保證每一個txt里面的矩陣為[n,m]。

    本次實驗最終網(wǎng)絡輸出為(N, 50,22),其中N代表輸入數(shù)據(jù)的批次,是一個由20行20列組成的矩陣;50代表經(jīng)過裁剪和補齊的行數(shù),即每一個txt里有50個API。22代表API編碼化后的平均列數(shù),即每一個API編碼化后的向量長度為22。

    2.2 1D-CNN-Densenet模型

    2.2.1 模型設計

    本文設計了一種融合一維卷積和稠密結(jié)構(gòu)的模型:1D-CNN-Densenet模型,此模型包含了兩部分:一維卷積和稠密結(jié)構(gòu),橫向進行一維卷積計算,縱向構(gòu)建稠密結(jié)構(gòu)網(wǎng)絡,每一層的輸入都是前面所有層輸出的相加。本文采用的基于深度學習的惡意代碼檢測程序能夠自主學習惡意代碼的深度特征,對測試集的惡意代碼樣本進行分類。

    (1)一維卷積網(wǎng)絡

    一維卷積在單方向上滑動窗口并相乘求和,常用于序列模型、自然語言處理領域,對本文惡意代碼序列預處理后的數(shù)據(jù)處理效果較好。將處理過的惡意代碼API序列向量表示為矩陣,輸入到模型中,如圖2對矩陣橫向做一維卷積,一個n×m的矩陣經(jīng)一維卷積計算為n×1的矩陣,惡意代碼特征數(shù)據(jù)在卷積層進行學習和訓練,同時數(shù)據(jù)經(jīng)轉(zhuǎn)置為(N,1,n)。

    圖2 一維卷積網(wǎng)絡

    (2)稠密結(jié)構(gòu)

    卷積層的加深可以提高分類模型準確性,但隨著卷積層增多、計算量增加,梯度消失等問題隨之而來,準確率反而會受到影響,因此引入跳躍連接嵌套稠密卷積網(wǎng)絡的稠密結(jié)構(gòu),稠密網(wǎng)絡[25]的結(jié)構(gòu)每個層都會接受其前面所有層作為其額外的輸入,能很好地學習惡意代碼更深層次的特征如式(1),通過加深網(wǎng)絡層數(shù)提高分類準確性的同時,跳躍連接[26]即式(2)對于解決梯度消失、改善梯度反向傳播、加快訓練過程效果較好。

    xl=Hl([x0,x1,…,xl-1])

    (1)

    y=H(x,WH)+X

    (2)

    以上的優(yōu)點融合有效地提高了分類檢測的準確性。一維稠密網(wǎng)絡的輸入(1,n),特征通過包含17層卷積層和1層全連接層的18層稠密結(jié)構(gòu)網(wǎng)絡,稠密結(jié)構(gòu)的稠密塊使用跳躍連接使得網(wǎng)絡層數(shù)加深也不會出現(xiàn)梯度消失問題,卷積層能夠向更深發(fā)展,提取和學習更深層次的特征,提高惡意代碼檢測的準確性,1D-CNN-Densenet的稠密結(jié)構(gòu)及其內(nèi)部的卷積塊如圖3所示。

    圖3 稠密結(jié)構(gòu)

    2.2.2 模型優(yōu)化及訓練

    本文設計的1D-CNN-Densenet模型在選取激活函數(shù)時考慮到ReLU函數(shù)可以增加神經(jīng)網(wǎng)絡模型的非線性,提升分類的準確性。且該激活函數(shù)計算簡便,沒有復雜運算,消耗資源少,收斂速度快,提高檢測效率,于是選取此函數(shù)作為激活函數(shù)。ReLU函數(shù)契合神經(jīng)網(wǎng)絡激活機制,貼近深度學習模型,能更好地挖掘惡意代碼特征,擬合訓練數(shù)據(jù),取得更好的效果,公式如(3)。

    ReLU(x)=max(0,x)

    (3)

    神經(jīng)網(wǎng)絡模型參數(shù)的優(yōu)化需要優(yōu)化器來調(diào)整,模型學習和訓練參數(shù)在優(yōu)化器的優(yōu)化下得到更新,這充分地挖掘模型的潛力,使分類檢測取得更好的效果。本文為了提升模型的準確性,通過對超參數(shù)進行對比實驗選擇Adam優(yōu)化器[27]優(yōu)化模型參數(shù)。該優(yōu)化器可對學習率的動態(tài)調(diào)整且實現(xiàn)簡單,計算效率卻很高。Adam優(yōu)化器每次迭代的學習率都有確定范圍,因此參數(shù)比較平穩(wěn),不需要調(diào)整,對大批量數(shù)據(jù)的優(yōu)化優(yōu)勢明顯。

    根據(jù)訓練模型的經(jīng)驗,本文采用的稠密結(jié)構(gòu)包含了17個卷積層和1個全連接層。每個卷積層的各單元之間共享訓練參數(shù)。使用dropout避免過擬合問題[28],dropout設置為0.7,為了更好地估計模型在新數(shù)據(jù)集上的錯誤率,采用十折交叉法驗證線性核函數(shù)的分類準確率,每次留一份數(shù)據(jù)作為測試集,其余數(shù)據(jù)用于訓練模型。模型的參數(shù)對于大批量的惡意代碼檢測能發(fā)揮其優(yōu)越性。

    3 實驗結(jié)果與分析

    3.1 數(shù)據(jù)集

    實驗數(shù)據(jù)中Windows平臺惡意代碼樣本的收集使用網(wǎng)站http:∥virusshare.com[29]以及http:∥www.malware-traffic-analysis.net[30],正常樣本的收集是Windows操作系統(tǒng)中的正常應用程序,且經(jīng)VirusTotal[31]檢測掃描確認無惡意。將分類錯誤的惡意樣本和正確樣本剔除,以保證樣本的純凈。實驗數(shù)據(jù)通過在虛擬環(huán)境Cuckoo Sandbox中模擬運行正常和惡意的樣本,獲取分析報告,提取其API調(diào)用序列。為保證正負樣本比例近似為1∶1,惡意樣本取5 000,正常樣本取4 975,其中70%的樣本用于模型訓練,30%的樣本用于測試,篩選后的數(shù)據(jù)集樣本分布如表1所示。

    表1 數(shù)據(jù)集樣本分布

    3.2 實驗環(huán)境

    本實驗環(huán)境為Ubuntu 16.04 LTS,依托編程語言Python實現(xiàn),運行環(huán)境為PyCharm,算法的實現(xiàn)由TensorFlow深度學習框架完成。其中Cuckoo Sandbox提取API序列運行環(huán)境為Ubuntu 16.10,虛擬機環(huán)境為Windows 7。

    3.3 評價指標

    為分析該模型的惡意代碼檢測效果,本實驗使用以下評價指標來評價模型的效果:準確率(accuracy)、精確率(precision)、召回率(recall)。

    本實驗解決樣本基于深度學習模型的二分類問題,因此實驗結(jié)果會出現(xiàn)以下4種情況:

    TP:正常樣本被算法分類為正常樣本;

    TN:惡意樣本被算法分類為惡意樣本;

    FP:惡意樣本被算法分類為正常樣本;

    FN:正常樣本被算法分類為惡意樣本。

    其混淆矩陣如表2:

    表2 混淆矩陣

    準確率是指輸入到所設計的分類模型中所有數(shù)據(jù)中分類正確的數(shù)據(jù)個數(shù):

    (4)

    精確率是指輸入到所設計的分類模型中分類為正常樣本的數(shù)據(jù)個數(shù)中分類正確的數(shù)據(jù)個數(shù):

    (5)

    召回率是指輸入到所設計的分類模型中真實為正常樣本的數(shù)據(jù)個數(shù)中分類正確的數(shù)據(jù)個數(shù):

    (6)

    3.4 實驗結(jié)果與分析

    為評估設計的模型對惡意代碼檢測任務的有效性以及所提出的設計和設置的影響,包括API序列預處理方法、超參數(shù)設置以及評估所提出模型的性能。

    首先,為在數(shù)據(jù)預處理階段選取更好的網(wǎng)絡輸入矩陣進行預實驗,以此決定編碼后的每個程序中API的個數(shù),以評估所提出的數(shù)據(jù)預處理的效果。經(jīng)統(tǒng)計,每個程序API個數(shù)的平均值為50,去重后的API個數(shù)最大為156。預實驗階段,取不同的API數(shù)據(jù)長度進行實驗,分別取30、50、70、90、120、150,通過準確性評估訓練后的模型。結(jié)果如圖4。

    圖4 API個數(shù)取值對準確率的影響

    由圖4可知,當API的個數(shù)取到50及以上實驗結(jié)果趨于平緩,且API個數(shù)為50時預實驗效果最好,這表明當每一個程序里的API個數(shù)取到50時,模型能學習到更多的特征,可以有效地提高此模型的性能,同時保證了模型效率。因此,在以下所有實驗選取50個API個數(shù)作為模型輸入。

    進行實驗以選擇模型的超參數(shù)值,控制其他變量,通過準確率、每個epoch的用時來評估不同的設置,其中對于重要性較低的超參數(shù)不做討論,結(jié)果如表3所示。

    表3 不同超參數(shù)的影響

    作為深度學習模型中的重要超參數(shù)之一,學習率(lr)對目標函數(shù)收斂到最小值起決定作用。合適時間收斂到局部最小值是選取學習率的標準。如表3所示,當lr取0.001時模型收斂到局部最小值的時間和準確率最佳。batch_size表示模型模塊能夠接受作為輸入的長度,序列越長,分裂越少,但訓練成本卻會增加。如表3所示,尺寸增大至128效果最好。在優(yōu)化器的選擇上Adam的效果和效率均比SGD要高。

    為驗證本文所提1D-CNN-Densenet模型對于惡意代碼檢測的有效性,本文還進行了不同模型的對比實驗,選取SVM、DT、RF 3種傳統(tǒng)的基于機器學習的惡意代碼檢測方法,CNN、LSTM、LSTM- ATT、Ghostnet 4種深度學習算法的惡意代碼檢測方法在不改變運行環(huán)境的基礎上,使用同樣的數(shù)據(jù)集對它們進行控制變量的對比試驗,實驗所得的結(jié)果如表4所示。

    表4 不同模型對模型的評價

    上表列出上述模型的檢測準確率、精確率和召回率。模型1~3是基于傳統(tǒng)機器學習算法對文本特征進行分類,模型4~7是基于現(xiàn)有熱門的深度學習算法對文本輸入進行分類的,通過兩組模型對比可以得出結(jié)論,在機器學習算法中隨機森林在3種評價指標中的結(jié)果較穩(wěn)定,但召回率較低,在現(xiàn)有的熱門深度學習算法中添加注意力機制的LSTM模型和Ghostnet模型在3種評價指標中的結(jié)果較穩(wěn)定,但同樣召回率較低,同時可知當使用API調(diào)用序列作為文本特征輸入時,深度學習模型的性能優(yōu)于傳統(tǒng)的機器學習模型。模型8結(jié)果與模型4~7的對比表明了本文設計的模型帶來了可觀的性能改進。從以上結(jié)果可以得出結(jié)論,1D-CNN-Densenet模型具有最高的準確率、精確率、召回率,因此其性能優(yōu)于表中的其他模型。

    4 結(jié)語

    本文針對依賴于循環(huán)神經(jīng)網(wǎng)絡的基于API調(diào)用序列進行惡意代碼檢測存在按序處理長數(shù)據(jù)性能低、消耗時間長,影響檢測效果等問題,提出了一種基于API序列和卷積神經(jīng)網(wǎng)絡的惡意代碼檢測方法,設計了基于1D-CNN-Densenet的網(wǎng)絡模型,通過沙箱動態(tài)提取的惡意代碼特征,編碼處理動態(tài)API調(diào)用序列,輸入到基于1D-CNN-Densenet的網(wǎng)絡模型,學習惡意代碼更深層次的特征,從而進行模型的訓練和測試。從實驗結(jié)果可知,對比傳統(tǒng)的神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡和圖像分類網(wǎng)絡等,在相同惡意代碼數(shù)據(jù)集情況下,1D-CNN-Densenet模型在惡意代碼檢測方面有更高的準確率和效率,性能更好。

    猜你喜歡
    調(diào)用個數(shù)卷積
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    怎樣數(shù)出小正方體的個數(shù)
    核電項目物項調(diào)用管理的應用研究
    等腰三角形個數(shù)探索
    怎樣數(shù)出小木塊的個數(shù)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    LabWindows/CVI下基于ActiveX技術的Excel調(diào)用
    測控技術(2018年5期)2018-12-09 09:04:46
    怎樣數(shù)出小正方體的個數(shù)
    基于傅里葉域卷積表示的目標跟蹤算法
    基于系統(tǒng)調(diào)用的惡意軟件檢測技術研究
    桃花免费在线播放| 亚洲av电影在线观看一区二区三区| 真人做人爱边吃奶动态| 男人舔女人的私密视频| 熟女av电影| 欧美xxⅹ黑人| 国产精品人妻久久久影院| 91精品伊人久久大香线蕉| 狂野欧美激情性bbbbbb| 80岁老熟妇乱子伦牲交| 国产黄色免费在线视频| 亚洲欧洲精品一区二区精品久久久| 老司机亚洲免费影院| 欧美+亚洲+日韩+国产| 日韩,欧美,国产一区二区三区| 欧美亚洲 丝袜 人妻 在线| 啦啦啦在线观看免费高清www| 美国免费a级毛片| 日本91视频免费播放| 在线天堂中文资源库| 中文欧美无线码| 国产精品一区二区在线不卡| 五月天丁香电影| 国产野战对白在线观看| 成年美女黄网站色视频大全免费| 国产精品人妻久久久影院| 人妻人人澡人人爽人人| 乱人伦中国视频| 国产精品九九99| 美女主播在线视频| 日日夜夜操网爽| 国产无遮挡羞羞视频在线观看| 成人午夜精彩视频在线观看| 18在线观看网站| 午夜久久久在线观看| 欧美国产精品va在线观看不卡| 国产亚洲精品第一综合不卡| 亚洲一码二码三码区别大吗| 男女边吃奶边做爰视频| 建设人人有责人人尽责人人享有的| 午夜免费观看性视频| 亚洲七黄色美女视频| 狂野欧美激情性xxxx| 欧美乱码精品一区二区三区| 在线观看一区二区三区激情| 久久人妻福利社区极品人妻图片 | 日韩 亚洲 欧美在线| 国产真人三级小视频在线观看| 中文字幕人妻丝袜制服| av网站在线播放免费| 欧美精品啪啪一区二区三区 | 两个人免费观看高清视频| 天天操日日干夜夜撸| av网站在线播放免费| 成年人午夜在线观看视频| 亚洲国产毛片av蜜桃av| 久久久亚洲精品成人影院| 国产成人啪精品午夜网站| 男人爽女人下面视频在线观看| 国产在线观看jvid| 亚洲欧美精品自产自拍| 欧美另类一区| 亚洲五月色婷婷综合| av视频免费观看在线观看| 交换朋友夫妻互换小说| 国产精品欧美亚洲77777| 777久久人妻少妇嫩草av网站| 欧美黑人精品巨大| 久久精品亚洲av国产电影网| 啦啦啦在线免费观看视频4| 亚洲精品中文字幕在线视频| 日韩熟女老妇一区二区性免费视频| 欧美日韩一级在线毛片| 久久99热这里只频精品6学生| 啦啦啦啦在线视频资源| 老汉色av国产亚洲站长工具| 精品久久久久久电影网| 亚洲中文日韩欧美视频| 亚洲第一av免费看| 亚洲欧美一区二区三区黑人| 日韩大片免费观看网站| 亚洲一区中文字幕在线| 国产在线观看jvid| 99国产精品一区二区蜜桃av | 少妇被粗大的猛进出69影院| 中文欧美无线码| 精品少妇久久久久久888优播| 成年人午夜在线观看视频| avwww免费| 老鸭窝网址在线观看| 激情五月婷婷亚洲| 咕卡用的链子| 91九色精品人成在线观看| 久久精品久久久久久噜噜老黄| 18禁黄网站禁片午夜丰满| 国产高清国产精品国产三级| 欧美日韩国产mv在线观看视频| a 毛片基地| 伊人久久大香线蕉亚洲五| av欧美777| 99精国产麻豆久久婷婷| 两性夫妻黄色片| xxx大片免费视频| 午夜福利视频精品| 99热全是精品| 欧美变态另类bdsm刘玥| 麻豆乱淫一区二区| 亚洲成人免费电影在线观看 | 亚洲av国产av综合av卡| 久久久久久亚洲精品国产蜜桃av| 国产1区2区3区精品| 9191精品国产免费久久| 久久久久久免费高清国产稀缺| av欧美777| 肉色欧美久久久久久久蜜桃| 最黄视频免费看| 夫妻午夜视频| 亚洲欧洲精品一区二区精品久久久| 777久久人妻少妇嫩草av网站| 国产亚洲精品第一综合不卡| 亚洲国产日韩一区二区| 国产又色又爽无遮挡免| 99国产精品免费福利视频| 1024香蕉在线观看| 亚洲av欧美aⅴ国产| 少妇的丰满在线观看| 黑人猛操日本美女一级片| 最近手机中文字幕大全| 欧美 日韩 精品 国产| 曰老女人黄片| 国产片特级美女逼逼视频| av线在线观看网站| 大香蕉久久网| 十八禁人妻一区二区| 久久久国产一区二区| 日本欧美国产在线视频| 国产成人系列免费观看| 男女之事视频高清在线观看 | 亚洲欧美一区二区三区国产| 日韩制服丝袜自拍偷拍| 亚洲国产日韩一区二区| 国产精品一国产av| 国产成人av激情在线播放| 下体分泌物呈黄色| videos熟女内射| 国产成人一区二区在线| 欧美激情高清一区二区三区| 少妇人妻久久综合中文| 亚洲av片天天在线观看| 中文字幕亚洲精品专区| 美女中出高潮动态图| 久久女婷五月综合色啪小说| 嫁个100分男人电影在线观看 | 久久精品国产a三级三级三级| 国产精品二区激情视频| 美女大奶头黄色视频| 18禁裸乳无遮挡动漫免费视频| 啦啦啦视频在线资源免费观看| 一区二区三区激情视频| 午夜免费观看性视频| 在线看a的网站| 菩萨蛮人人尽说江南好唐韦庄| 看免费av毛片| 99热全是精品| 国产欧美日韩一区二区三 | 免费观看a级毛片全部| 亚洲精品自拍成人| 日本色播在线视频| 国产男女内射视频| 精品福利观看| 新久久久久国产一级毛片| 91麻豆精品激情在线观看国产 | 高清视频免费观看一区二区| 天堂中文最新版在线下载| 成人国产av品久久久| 久久精品国产亚洲av涩爱| 后天国语完整版免费观看| 精品第一国产精品| 久久久久久免费高清国产稀缺| 亚洲精品美女久久av网站| 免费高清在线观看视频在线观看| 国产激情久久老熟女| 777久久人妻少妇嫩草av网站| 国产亚洲av片在线观看秒播厂| 色94色欧美一区二区| 电影成人av| 观看av在线不卡| 久久ye,这里只有精品| 日韩免费高清中文字幕av| 亚洲国产欧美日韩在线播放| 国产成人系列免费观看| 国产欧美亚洲国产| 大香蕉久久成人网| 国产人伦9x9x在线观看| 亚洲欧美中文字幕日韩二区| 久久国产精品男人的天堂亚洲| 欧美日韩综合久久久久久| 日韩伦理黄色片| www.熟女人妻精品国产| 少妇的丰满在线观看| 99国产精品99久久久久| 一级黄片播放器| av视频免费观看在线观看| 日本a在线网址| 国产成人av教育| 人人妻人人添人人爽欧美一区卜| 老司机靠b影院| 色94色欧美一区二区| 午夜激情久久久久久久| 一级黄片播放器| 亚洲国产精品999| 精品熟女少妇八av免费久了| 黄色毛片三级朝国网站| 99久久人妻综合| 人妻一区二区av| 国产精品秋霞免费鲁丝片| 精品少妇久久久久久888优播| av在线app专区| 亚洲欧美一区二区三区黑人| 伦理电影免费视频| 手机成人av网站| 日韩视频在线欧美| 在线看a的网站| 国产男人的电影天堂91| netflix在线观看网站| 国产爽快片一区二区三区| 日韩熟女老妇一区二区性免费视频| 可以免费在线观看a视频的电影网站| 最近手机中文字幕大全| 久久精品aⅴ一区二区三区四区| 免费人妻精品一区二区三区视频| 欧美国产精品一级二级三级| 亚洲精品成人av观看孕妇| 黄色视频不卡| 性少妇av在线| 水蜜桃什么品种好| 精品少妇黑人巨大在线播放| 婷婷色综合大香蕉| 欧美 亚洲 国产 日韩一| 日韩精品免费视频一区二区三区| 人体艺术视频欧美日本| √禁漫天堂资源中文www| 亚洲熟女毛片儿| 国产av一区二区精品久久| 国产精品一国产av| 午夜日韩欧美国产| 乱人伦中国视频| 黄频高清免费视频| 中国国产av一级| 天天躁夜夜躁狠狠躁躁| 少妇裸体淫交视频免费看高清 | 国产女主播在线喷水免费视频网站| 精品国产一区二区三区久久久樱花| 免费观看a级毛片全部| 国产片内射在线| 亚洲国产欧美日韩在线播放| 最近中文字幕2019免费版| 国产亚洲午夜精品一区二区久久| 麻豆乱淫一区二区| 美女高潮到喷水免费观看| 女人精品久久久久毛片| 久久久久网色| 亚洲,欧美精品.| 日本av免费视频播放| 婷婷色综合www| 国产精品久久久人人做人人爽| 最黄视频免费看| 一本久久精品| 久久久久久久大尺度免费视频| 人人妻人人爽人人添夜夜欢视频| 日韩一本色道免费dvd| 成人三级做爰电影| 性色av一级| 亚洲中文av在线| 国产一区亚洲一区在线观看| 女性被躁到高潮视频| 亚洲第一青青草原| av福利片在线| 中文字幕精品免费在线观看视频| 精品一品国产午夜福利视频| 最新的欧美精品一区二区| 久久国产亚洲av麻豆专区| 波多野结衣av一区二区av| 男女下面插进去视频免费观看| 久久久精品94久久精品| 久久 成人 亚洲| 欧美成人午夜精品| 黄片小视频在线播放| 久9热在线精品视频| 黄色毛片三级朝国网站| 丁香六月天网| 1024视频免费在线观看| 丰满人妻熟妇乱又伦精品不卡| 久久久久久免费高清国产稀缺| 黄色视频不卡| 久久久久视频综合| 黄色视频在线播放观看不卡| 久久av网站| 精品熟女少妇八av免费久了| 一本大道久久a久久精品| kizo精华| 精品久久久久久电影网| 不卡av一区二区三区| 久久久久久久国产电影| 99国产精品一区二区三区| av在线老鸭窝| 51午夜福利影视在线观看| 精品欧美一区二区三区在线| 一二三四在线观看免费中文在| 久久久欧美国产精品| 成在线人永久免费视频| 国产精品人妻久久久影院| 亚洲精品成人av观看孕妇| 在线观看免费视频网站a站| 午夜精品国产一区二区电影| www.av在线官网国产| 极品人妻少妇av视频| 亚洲午夜精品一区,二区,三区| 午夜福利乱码中文字幕| 国产黄频视频在线观看| 精品高清国产在线一区| 乱人伦中国视频| 51午夜福利影视在线观看| 丰满迷人的少妇在线观看| 一级黄色大片毛片| netflix在线观看网站| 天天影视国产精品| 久久精品成人免费网站| 国产免费视频播放在线视频| 国产欧美日韩一区二区三区在线| 亚洲九九香蕉| 免费av中文字幕在线| 在线观看www视频免费| 亚洲成色77777| 久久久国产一区二区| 国产精品国产三级国产专区5o| 美女高潮到喷水免费观看| 一级毛片 在线播放| 中文字幕最新亚洲高清| 日韩伦理黄色片| 欧美日韩精品网址| videosex国产| 日韩大片免费观看网站| 超碰97精品在线观看| 你懂的网址亚洲精品在线观看| 国产精品一区二区免费欧美 | 97人妻天天添夜夜摸| 亚洲av电影在线进入| 欧美大码av| 精品亚洲乱码少妇综合久久| 亚洲精品久久久久久婷婷小说| 看免费av毛片| 午夜精品国产一区二区电影| 欧美精品人与动牲交sv欧美| 国精品久久久久久国模美| 国产日韩欧美在线精品| 亚洲一码二码三码区别大吗| 久久影院123| 丁香六月天网| 国产三级黄色录像| 丝袜美腿诱惑在线| 十分钟在线观看高清视频www| 侵犯人妻中文字幕一二三四区| 亚洲精品美女久久av网站| 桃花免费在线播放| 9热在线视频观看99| 熟女av电影| 人人妻人人澡人人看| 丝袜脚勾引网站| 日韩熟女老妇一区二区性免费视频| 日韩中文字幕视频在线看片| 亚洲精品第二区| 国产男女超爽视频在线观看| 久久久久精品国产欧美久久久 | 欧美亚洲日本最大视频资源| 宅男免费午夜| 亚洲av国产av综合av卡| 欧美另类一区| 水蜜桃什么品种好| 国产主播在线观看一区二区 | 日日夜夜操网爽| 在线观看www视频免费| 午夜免费男女啪啪视频观看| 色婷婷av一区二区三区视频| 国产无遮挡羞羞视频在线观看| 国产女主播在线喷水免费视频网站| 国产精品一区二区在线不卡| 国产免费又黄又爽又色| 亚洲国产av新网站| 婷婷成人精品国产| 亚洲黑人精品在线| 99久久综合免费| 国产av一区二区精品久久| 亚洲国产av新网站| 黄色a级毛片大全视频| 91成人精品电影| 又大又爽又粗| 国语对白做爰xxxⅹ性视频网站| 午夜免费观看性视频| 国产麻豆69| 国产精品国产三级国产专区5o| cao死你这个sao货| 秋霞在线观看毛片| 日本色播在线视频| 黑人巨大精品欧美一区二区蜜桃| 国产精品亚洲av一区麻豆| tube8黄色片| 七月丁香在线播放| 日韩电影二区| 亚洲国产精品一区三区| 看免费成人av毛片| 99久久99久久久精品蜜桃| 叶爱在线成人免费视频播放| 免费在线观看视频国产中文字幕亚洲 | av在线app专区| 一本—道久久a久久精品蜜桃钙片| 国产在线观看jvid| 日韩伦理黄色片| 天堂俺去俺来也www色官网| 啦啦啦 在线观看视频| 一本一本久久a久久精品综合妖精| 一区二区av电影网| 亚洲午夜精品一区,二区,三区| 国产一区二区激情短视频 | 久久久久国产一级毛片高清牌| 日韩中文字幕欧美一区二区 | 久久影院123| 男女无遮挡免费网站观看| 国产精品秋霞免费鲁丝片| 秋霞在线观看毛片| 高清黄色对白视频在线免费看| 国产成人精品久久二区二区免费| 日韩,欧美,国产一区二区三区| 国产精品一区二区在线不卡| 亚洲欧美色中文字幕在线| 麻豆国产av国片精品| 国产视频一区二区在线看| 日韩人妻精品一区2区三区| 女人爽到高潮嗷嗷叫在线视频| 女人久久www免费人成看片| 男女高潮啪啪啪动态图| 国产亚洲精品第一综合不卡| 亚洲欧洲国产日韩| 亚洲欧美激情在线| 丝袜美腿诱惑在线| 午夜激情久久久久久久| 丰满饥渴人妻一区二区三| 亚洲av电影在线进入| 在线观看免费高清a一片| 韩国高清视频一区二区三区| 男人爽女人下面视频在线观看| 国产亚洲欧美在线一区二区| 成人18禁高潮啪啪吃奶动态图| 成年动漫av网址| 99热网站在线观看| 妹子高潮喷水视频| 十八禁人妻一区二区| 水蜜桃什么品种好| 国产成人精品久久久久久| 午夜91福利影院| 黄色一级大片看看| 久久人人爽av亚洲精品天堂| 考比视频在线观看| 成人国语在线视频| 欧美 日韩 精品 国产| 中国美女看黄片| 国产精品熟女久久久久浪| 国产一区二区三区综合在线观看| 可以免费在线观看a视频的电影网站| 美女国产高潮福利片在线看| 亚洲欧美中文字幕日韩二区| 色94色欧美一区二区| 在线观看国产h片| 久久精品aⅴ一区二区三区四区| 国产一区二区在线观看av| 九色亚洲精品在线播放| 黄频高清免费视频| 美女福利国产在线| 一二三四社区在线视频社区8| 丰满人妻熟妇乱又伦精品不卡| 国产免费又黄又爽又色| 国产成人免费观看mmmm| 国产精品免费视频内射| 男女免费视频国产| 午夜91福利影院| 国产精品一区二区在线观看99| 我的亚洲天堂| 国产不卡av网站在线观看| 国产三级黄色录像| 精品国产乱码久久久久久小说| 亚洲午夜精品一区,二区,三区| 亚洲av电影在线进入| 91精品国产国语对白视频| 亚洲,欧美精品.| 国产一区亚洲一区在线观看| 在线亚洲精品国产二区图片欧美| 十八禁人妻一区二区| 国产精品免费视频内射| 亚洲一码二码三码区别大吗| 一本久久精品| 99国产综合亚洲精品| 久久精品国产综合久久久| 看免费成人av毛片| 亚洲精品久久午夜乱码| 国产一卡二卡三卡精品| 亚洲欧洲精品一区二区精品久久久| 日韩电影二区| 欧美人与性动交α欧美精品济南到| 亚洲精品国产av成人精品| 亚洲成色77777| 久久国产亚洲av麻豆专区| 日韩,欧美,国产一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 亚洲av美国av| 国产精品一区二区在线不卡| 91麻豆精品激情在线观看国产 | 婷婷色麻豆天堂久久| 伊人久久大香线蕉亚洲五| 亚洲成国产人片在线观看| 国产一卡二卡三卡精品| 99九九在线精品视频| 亚洲精品自拍成人| 亚洲av在线观看美女高潮| 亚洲国产中文字幕在线视频| 久久久久精品人妻al黑| 五月天丁香电影| 一区在线观看完整版| 国产日韩欧美在线精品| xxxhd国产人妻xxx| 国产福利在线免费观看视频| 欧美日韩亚洲高清精品| 国产亚洲欧美精品永久| 亚洲国产日韩一区二区| 女性被躁到高潮视频| 免费观看a级毛片全部| 欧美亚洲日本最大视频资源| 精品欧美一区二区三区在线| 国产欧美日韩精品亚洲av| 欧美人与性动交α欧美软件| 成年人黄色毛片网站| 国产亚洲av片在线观看秒播厂| 青春草亚洲视频在线观看| 人体艺术视频欧美日本| 国产亚洲一区二区精品| 18禁裸乳无遮挡动漫免费视频| 亚洲男人天堂网一区| 我要看黄色一级片免费的| 嫁个100分男人电影在线观看 | 男女高潮啪啪啪动态图| 亚洲人成77777在线视频| 亚洲欧美日韩另类电影网站| 操美女的视频在线观看| 免费在线观看完整版高清| 无限看片的www在线观看| 只有这里有精品99| 亚洲成人免费av在线播放| 久久热在线av| 欧美xxⅹ黑人| 在线亚洲精品国产二区图片欧美| 爱豆传媒免费全集在线观看| 免费在线观看完整版高清| 我要看黄色一级片免费的| 午夜av观看不卡| 巨乳人妻的诱惑在线观看| av在线播放精品| 国产成人精品久久二区二区91| 丝袜在线中文字幕| 亚洲国产中文字幕在线视频| 久久女婷五月综合色啪小说| 麻豆乱淫一区二区| 可以免费在线观看a视频的电影网站| 亚洲精品美女久久久久99蜜臀 | 久久免费观看电影| 亚洲图色成人| 黑人猛操日本美女一级片| 国产男女超爽视频在线观看| 麻豆乱淫一区二区| 国产一区亚洲一区在线观看| 19禁男女啪啪无遮挡网站| 亚洲欧美一区二区三区国产| 99热网站在线观看| 99re6热这里在线精品视频| 2021少妇久久久久久久久久久| 亚洲一卡2卡3卡4卡5卡精品中文| 午夜免费观看性视频| 中文字幕av电影在线播放| 国产精品久久久久久人妻精品电影 | 亚洲激情五月婷婷啪啪| 熟女少妇亚洲综合色aaa.| 久久久久久免费高清国产稀缺| 观看av在线不卡| 黑人巨大精品欧美一区二区蜜桃| 亚洲国产av影院在线观看| 久久久国产欧美日韩av| 国产激情久久老熟女| 亚洲,欧美精品.| 一区二区三区四区激情视频| www.999成人在线观看| 久久国产亚洲av麻豆专区| 国产av精品麻豆| 下体分泌物呈黄色| 免费人妻精品一区二区三区视频| 中文字幕亚洲精品专区| 最新在线观看一区二区三区 | 国产一区二区激情短视频 | 超碰成人久久| 国产成人影院久久av| 丝瓜视频免费看黄片| 亚洲综合色网址| 亚洲国产精品999| 男男h啪啪无遮挡| 香蕉丝袜av| 亚洲午夜精品一区,二区,三区| 在线观看免费日韩欧美大片| 日韩制服丝袜自拍偷拍|