• <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 ?

    一種端到端的加密流量多分類粗粒度融合算法*

    2023-01-16 15:05:40程永新卜君健廖竣鍇
    通信技術(shù) 2022年11期
    關(guān)鍵詞:粗粒度類別加密

    唐 晉,程永新,卜君健,廖竣鍇

    (1.中國電子科技集團(tuán)公司第三十研究所,四川 成都 610041;2.電子科技大學(xué),四川 成都 610054)

    0 引言

    隨著信息社會的發(fā)展,互聯(lián)網(wǎng)已經(jīng)成為社會生活不可或缺的基礎(chǔ)設(shè)施,網(wǎng)絡(luò)對人們社會生活的影響愈發(fā)深刻,人們對于網(wǎng)絡(luò)空間的安全也越來越重視。網(wǎng)絡(luò)流量分類是網(wǎng)絡(luò)行為分析、網(wǎng)絡(luò)異常檢測等重要任務(wù)的一個(gè)先決任務(wù)。近年來,為了保障網(wǎng)絡(luò)通信的機(jī)密性和保密性,各種流量加密技術(shù)在網(wǎng)絡(luò)應(yīng)用中被廣泛使用,經(jīng)過加密的流量數(shù)據(jù)的特征被掩蓋,給傳統(tǒng)的流量分類方法帶來了挑戰(zhàn)[1]。

    對于加密流量,使用傳統(tǒng)的基于深度包檢測和基于流量特征提取的機(jī)器學(xué)習(xí)算法等手段進(jìn)行分類時(shí),從解析后的加密流量數(shù)據(jù)中無法提取足夠有效的信息,準(zhǔn)確率大幅度下降[2]。深度學(xué)習(xí)采用端到端的學(xué)習(xí)技術(shù),可在學(xué)習(xí)過程中自動提取數(shù)據(jù)特征,是表征學(xué)習(xí)領(lǐng)域的代表性技術(shù)。流量數(shù)據(jù)作為一種字節(jié)流數(shù)據(jù)能被深度學(xué)習(xí)技術(shù)很好地接收處理,如Wang 等人[3]通過將流量的字節(jié)流轉(zhuǎn)化為可視化圖像數(shù)據(jù),利用卷積神經(jīng)網(wǎng)絡(luò)對加密流量數(shù)據(jù)實(shí)現(xiàn)了有效的分類。

    本文在流量數(shù)據(jù)可視化的基礎(chǔ)上,利用表征學(xué)習(xí)技術(shù),針對加密流量多分類問題,提出了一種端到端的粗粒度融合算法。本文提出的方法能很好地與現(xiàn)有的基于表征學(xué)習(xí)的多分類算法相結(jié)合,在保證運(yùn)行效率的情況下提升多分類效果。文章的其余部分組織如下:第1 節(jié)描述傳統(tǒng)的流量分類方法和利用深度學(xué)習(xí)方法進(jìn)行流量分類的相關(guān)工作;第2節(jié)詳細(xì)介紹本文提出的端到端的加密流量多分類粗粒度融合算法;第3 節(jié)描述在ISCX VPN-nonVPN公開流量數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)的細(xì)節(jié),并對實(shí)驗(yàn)結(jié)果進(jìn)行分析;第4 節(jié)對本文工作做出總結(jié)。

    1 相關(guān)工作

    1.1 基于傳統(tǒng)方法的流量分類

    傳統(tǒng)的流量分類方法主要使用的是機(jī)器學(xué)習(xí)算法,這些算法通常使用網(wǎng)絡(luò)流量的流特征和數(shù)據(jù)包特征,流特征包括流的持續(xù)時(shí)間、流的字節(jié)數(shù)等,數(shù)據(jù)包特征包含每個(gè)數(shù)據(jù)包的大小、數(shù)據(jù)包持續(xù)時(shí)間等。例如,Wang 等人[4]基于流特征使用C4.5 決策樹分類器對流量進(jìn)行了分類,Coull 等人[5]基于數(shù)據(jù)包特征利用樸素貝葉斯算法對流量進(jìn)行了分類。

    傳統(tǒng)流量分類方法發(fā)展面臨的一個(gè)問題是面對不斷復(fù)雜化的網(wǎng)絡(luò)流量數(shù)據(jù),如何提取新的流量特征來對流量數(shù)據(jù)進(jìn)行有效分類。Draper-Gil 等人[6]使用流量的時(shí)間特征來對加密流量進(jìn)行了分類,并發(fā)布了ISCX VPN-nonVPN 數(shù)據(jù)集。Yamansavascilar等人[7]針對J48、隨機(jī)森林、K 最近鄰(K-Nearest Neighbour,KNN)和貝葉斯網(wǎng)絡(luò)4 個(gè)算法,選用了111 個(gè)流量特征對加密流量進(jìn)行了分類。Muliukha等人[8]對虛擬連接產(chǎn)生的流量和協(xié)議加密流進(jìn)行了分類,具體考慮了流量的IP 地址、數(shù)據(jù)包總數(shù)、端口等特征,并使用隨機(jī)森林算法進(jìn)行了流量分類。Obaidy 等人[9]對Skype、WhatsApp 等社交媒體應(yīng)用程序的流量進(jìn)行了識別分類,使用Wireshark 從最終用戶機(jī)器收集數(shù)據(jù),以生成社交媒體應(yīng)用程序的流量,然后基于Wireshark 工具的特征選擇來選擇14 個(gè)雙向流量,以獲得更好的分類精度。

    然而,隨著流量加密技術(shù)的廣泛使用,加密流量特征提取越發(fā)困難,并且傳統(tǒng)機(jī)器學(xué)習(xí)算法對于復(fù)雜模式的學(xué)習(xí)能力過分依賴于特征的提取,其分類性能逐漸無法滿足需求。

    1.2 基于深度學(xué)習(xí)的流量分類

    深度學(xué)習(xí)是表征學(xué)習(xí)領(lǐng)域的代表性技術(shù)。隨著流量加密技術(shù)的廣泛使用,由于深度學(xué)習(xí)具有自動提取特征的特性,基于深度學(xué)習(xí)的加密流量分類技術(shù)逐漸成為研究熱點(diǎn)。基于深度學(xué)習(xí)的流量分類技術(shù)可分為基于數(shù)據(jù)特征的深度學(xué)習(xí)分類算法和基于特征自學(xué)習(xí)的深度學(xué)習(xí)分類算法。

    基于數(shù)據(jù)特征的方法在輸入網(wǎng)絡(luò)前仍需要手動提取特征,不是端到端的方法。Wang 等人[10]首次將深度學(xué)習(xí)技術(shù)應(yīng)用于流量分類領(lǐng)域,他們設(shè)計(jì)了一種人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)模型,可識別25 種協(xié)議類型,并且精度和召回率都達(dá)到90%以上。Dong 等人[11]提出了基于流量分析和統(tǒng)計(jì)特征的綜合分析方法,同時(shí)實(shí)現(xiàn)了高精度和魯棒的泛化性能。

    基于特征自學(xué)習(xí)的方法很好地利用了深度學(xué)習(xí)自動提取特征的特性,是一種端到端的流量分類方法,近年來成為研究熱點(diǎn)。Wang 等人[3]第一次將端到端的方法應(yīng)用到加密流量分類領(lǐng)域,具體是將流量數(shù)據(jù)可視化后輸入卷積神經(jīng)網(wǎng)絡(luò),無須手動提取特征,是特征自學(xué)習(xí)算法的典型代表。張曉航等人[12]在徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn),引入了一種梯度懲罰機(jī)制,在提高了分類的準(zhǔn)確性的同時(shí),能夠?qū)Σ豢梢娏髁繑?shù)據(jù)進(jìn)行有效的分類。Lotfollahi 等人[13]使用堆疊自編碼器(Stacked Autoencoder,SAE)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)兩種深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來對網(wǎng)絡(luò)流量進(jìn)行分類,在應(yīng)用流量識別的任務(wù)中達(dá)到了98%的召回率,在流量分類任務(wù)中達(dá)到了94%的召回率。薛文龍等人[14]提出了一種用于端到端加密流量分類的輕量級網(wǎng)絡(luò),采用特征融合的方法,在顯著提高分類結(jié)果準(zhǔn)確性的同時(shí),大大降低了網(wǎng)絡(luò)計(jì)算復(fù)雜度。Izadi 等人[15]設(shè)計(jì)了一種一維卷積神經(jīng)網(wǎng)絡(luò),通過隱層自動提取流量特征,使用蟻群優(yōu)化實(shí)現(xiàn)高效特征選擇,提高了分類精度,在ISCX VPN-nonVPN 數(shù)據(jù)集上達(dá)到了98%的準(zhǔn)確率。

    基于深度學(xué)習(xí)的流量分類方法在數(shù)據(jù)處理上不同于傳統(tǒng)的流量分類方法,一般是將二進(jìn)制可視化為圖像輸入CNN 卷積神經(jīng)網(wǎng)絡(luò),或是將二進(jìn)制數(shù)據(jù)流輸入基于序列的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)模型中,也有將CNN 與RNN 模型結(jié)合的變種。但是,這種方法對輸入數(shù)據(jù)的預(yù)處理依賴于經(jīng)驗(yàn)化的處理,并且訓(xùn)練的可解釋性較低,模型以及損失函數(shù)的選擇差異也容易引起檢測性能的不穩(wěn)定,此外,模型的訓(xùn)練以及預(yù)測效率也值得進(jìn)一步研究。

    2 一種端到端的加密流量多分類粗粒度融合算法

    2.1 算法設(shè)計(jì)

    本文針對加密流量分類任務(wù),針對多分類問題,結(jié)合深度學(xué)習(xí)技術(shù),設(shè)計(jì)了一種粗粒度類別融合算法。該方法是受Chang 等人[16]的工作的啟發(fā),他們針對自然圖像分類問題,設(shè)計(jì)了一種細(xì)粒度特征與粗粒度標(biāo)簽融合的方法。

    在Chang 等人的方法中,針對每一種細(xì)粒度類別,如“火烈鳥”標(biāo)簽是粗粒度“鳥”類標(biāo)簽下的一種更細(xì)粒度的標(biāo)簽,他們同時(shí)利用粗粒度標(biāo)簽的分類損失和細(xì)粒度標(biāo)簽的分類損失監(jiān)督深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)自然圖像分類問題。粗粒度標(biāo)簽預(yù)測加強(qiáng)了網(wǎng)絡(luò)對于細(xì)粒度特征的學(xué)習(xí)能力,而細(xì)粒度特征則更好地學(xué)習(xí)了粗粒度分類器,獲得了更好的分類精度。在他們的工作中,針對每一種細(xì)粒度類別,手工標(biāo)注了粗粒度的類別。

    針對本文研究的加密流量分類任務(wù),流量間也會存在粗粒度類別特征,比如瀏覽網(wǎng)頁產(chǎn)生的流量可能包含一部分與流媒體相關(guān)的流量,因此在它們更粗粒度一級的類別分類上有一部分流量是可以分為一類的,但是這個(gè)粗粒度類別的標(biāo)簽難以人為設(shè)定,因此本文使用了一個(gè)粗粒度類別融合層來自動提取6 種流量類別的類間特征,生成N組粗粒度的類別標(biāo)簽。本文所提算法的流程如圖1 所示。

    圖1 端到端的粗粒度融合算法流程

    本文使用的粗粒度類別融合層由一個(gè)多層感知機(jī)(Multilayer Perceptron,MLP)構(gòu)成。訓(xùn)練時(shí)經(jīng)過反向傳播,粗粒度類別融合層學(xué)習(xí)到6 種類別的類間特征,將6 種細(xì)粒度類別劃分為N個(gè)粗粒度類別。預(yù)測時(shí),粗粒度類別融合層聚合每一個(gè)基本分類器的粗粒度分類結(jié)果,得到最終預(yù)測的每一個(gè)類別的概率。

    本文算法模型結(jié)構(gòu)如圖2 所示,圖中N表示粗粒度類別數(shù),是一個(gè)人為設(shè)定的超參數(shù)。

    圖2 端到端的粗粒度融合算法模型

    模型接收一張28×28 大小的流量可視化圖作為輸入,首先經(jīng)過一個(gè)細(xì)粒度特征提取層,該層針對每一個(gè)對應(yīng)的粗粒度類別,提取各個(gè)分類網(wǎng)絡(luò)所需的細(xì)粒度特征。該層由一個(gè)卷積塊構(gòu)成,能夠?qū)?8×28 大小的輸入轉(zhuǎn)化成64×N個(gè)通道的28×28大小的特征圖。其次將這組特征圖按順序64 個(gè)通道一組,分別輸入基礎(chǔ)分類網(wǎng)絡(luò),每個(gè)基礎(chǔ)分類網(wǎng)絡(luò)針對各自的粗粒度類別進(jìn)行分類,得到每個(gè)粗粒度類別的類別概率。此處的基礎(chǔ)分類網(wǎng)絡(luò),在本文中選擇的是ResNet18。每個(gè)粗粒度類別包含的類別數(shù)設(shè)定為6,實(shí)際情況可能更為復(fù)雜,由于深度學(xué)習(xí)自動提取特征的特性,該6 類隱含了更少的類別數(shù)的情況。

    每個(gè)基礎(chǔ)分類網(wǎng)絡(luò)輸出的是一個(gè)1×6 的概率向量,將N個(gè)1×6 的概率向量經(jīng)過concat 操作后輸入粗粒度類別融合層,最終輸出目標(biāo)分類的類別概率是一個(gè)1×6 的概率向量,取概率最大的類別作為預(yù)測的類別,該過程表述如下:

    式中:logit(Ccoarse-grainedclassi)為每個(gè)基礎(chǔ)分類網(wǎng)絡(luò)預(yù)測的粗粒度類別概率;logit(Cj)為最終6 個(gè)類別中每一類的預(yù)測概率,由所有粗粒度類別概率堆疊在一起輸入作為粗粒度類別融合層的MLP 層得到;class_pred為最終的預(yù)測類別。

    關(guān)于訓(xùn)練時(shí)的損失函數(shù),本文使用的是常規(guī)的交叉熵?fù)p失,僅在最終的6 個(gè)類別概率上計(jì)算交叉熵?fù)p失。

    2.2 流量數(shù)據(jù)處理

    本文方法接收28×28 大小的流量可視化圖作為輸入,因此需要對二進(jìn)制流量數(shù)據(jù)字節(jié)流進(jìn)行預(yù)處理,步驟如下:

    (1)根據(jù)不同的粒度對網(wǎng)絡(luò)流量進(jìn)行劃分,網(wǎng)絡(luò)流量的粒度包括傳輸控制協(xié)議(Transmission Control Protocol,TCP)連接、session、flow。其中,flow 是按照相同的五元組進(jìn)行劃分,即源網(wǎng)際互聯(lián)協(xié)議(Internet Protocol,IP)地址、源端口、目的IP 地址、目的端口、傳輸層協(xié)議,而session 則被定義為雙向的flow。

    (2)對于每種會話類型的流量數(shù)據(jù)包,其中的字節(jié)數(shù)據(jù)可以劃分為多個(gè)協(xié)議層。選取流量數(shù)據(jù)時(shí)可以有兩種選擇:一是選取TCP/IP 模型最頂層應(yīng)用層的流量數(shù)據(jù),二是選取所有層的流量數(shù)據(jù)。直觀地說,應(yīng)用層的流量數(shù)據(jù)能很直接地表示出流量的數(shù)據(jù)特征,例如傳輸郵件所使用的簡單郵件傳輸協(xié)議(Simple Mail Transfer Protocol,SMTP)、流媒體使用的實(shí)時(shí)傳輸協(xié)議(Real-time Transport Protocol,RTP)、超文本傳輸協(xié)議(Hyper Text Transfer Protocol,HTTP)、Bittorrent 對等協(xié)議等,都是應(yīng)用層協(xié)議的一部分,會在應(yīng)用層流量數(shù)據(jù)中有明顯的體現(xiàn)。但有時(shí)候其他層的流量數(shù)據(jù)也包含了有用的特征信息,最典型的就是應(yīng)用廣泛的傳輸層安全(Transport Layer Security,TLS)協(xié)議,它工作在傳輸層為上層應(yīng)用層提供支撐。文獻(xiàn)[10]只使用了應(yīng)用層流量數(shù)據(jù)進(jìn)行了實(shí)驗(yàn),但文獻(xiàn)[3]針對單獨(dú)應(yīng)用層和所有層數(shù)據(jù)分別進(jìn)行了實(shí)驗(yàn),表明所有層的流量數(shù)據(jù)包含更多的可用信息,對提高分類精度有顯著的影響。因此,在本文針對加密流量進(jìn)行分類的實(shí)驗(yàn)中,使用到了所有層的流量數(shù)據(jù)。

    (3)對于二進(jìn)制字節(jié)流大于784 字節(jié)的單個(gè)session,將其修剪為784 字節(jié);如果單個(gè)session 的二進(jìn)制字節(jié)流小于784 字節(jié),則在末尾添加0x00以將其補(bǔ)充到784 字節(jié)。然后將784 字節(jié)大小的結(jié)果文件轉(zhuǎn)換為28×28 的灰度圖像。最后將圖像轉(zhuǎn)換為研究領(lǐng)域常用的idx 格式文件。這是一種研究時(shí)常見的處理方法,如文獻(xiàn)[12]和文獻(xiàn)[17]均采用了類似的處理方法。

    本文使用Wang 等人提出的USTC-TL2016 工具[3]對原始流量數(shù)據(jù)進(jìn)行處理,基于session 的形式處理了數(shù)據(jù)包,并提取了所有層的流量數(shù)據(jù),將原始的二進(jìn)制pcap 流量數(shù)據(jù)處理為能夠輸入CNN網(wǎng)絡(luò)的圖像格式數(shù)據(jù)。在ISCX VPN-nonVPN 公開流量數(shù)據(jù)集[18]上,針對流量數(shù)據(jù)預(yù)處理后生成的圖像,如圖3 所示,各類選取兩例分兩行展示,每一列為同一類別,底部標(biāo)注了類別名稱,包括使用若干即時(shí)聊天應(yīng)用程序產(chǎn)生的流量(Chat-VPN)、接收郵件產(chǎn)生的流量(Email-VPN)、文件傳輸產(chǎn)生的流量(File Transfer-VPN)、使用點(diǎn)對點(diǎn)文件共享協(xié)議產(chǎn)生的流量(P2P-VPN)、流式多媒體服務(wù)產(chǎn)生的流量(Streaming-VPN)、使用語音應(yīng)用程序進(jìn)行IP 通話產(chǎn)生的流量(VOIP-VPN)。

    根據(jù)圖3 中的可視化結(jié)果進(jìn)行定性分析,各類流量之間差異性很大,不同類別的流量之間有明顯的區(qū)別,而同一類別的流量具有高度的一致性,尤其是協(xié)議加密后的流媒體流量數(shù)據(jù)和網(wǎng)絡(luò)通話流量數(shù)據(jù),這對于卷積神經(jīng)網(wǎng)絡(luò)來說很容易區(qū)分。

    3 實(shí)驗(yàn)分析

    3.1 實(shí)驗(yàn)細(xì)節(jié)及數(shù)據(jù)

    實(shí)驗(yàn)的環(huán)境和配置如表1 所示。訓(xùn)練方面使用了權(quán)重衰減為1e-5 的Adam 優(yōu)化器,學(xué)習(xí)率設(shè)置為1e-4,學(xué)習(xí)率衰減策略設(shè)置為每10 個(gè)epoch 學(xué)習(xí)率衰減為0.1,總共訓(xùn)練20 個(gè)epoch。

    表1 實(shí)驗(yàn)環(huán)境及配置

    為了驗(yàn)證本文提出的方法,在ISCX VPN-non VPN 公開流量數(shù)據(jù)集[18]上進(jìn)行了實(shí)驗(yàn)驗(yàn)證。ISCX VPN-nonVPN 數(shù)據(jù)集包含了7 種常規(guī)會話類型流量數(shù)據(jù)和相應(yīng)的通過協(xié)議封裝加密的7 種會話類型的流量數(shù)據(jù)。這7 種會話類型包括用戶通過瀏覽器上網(wǎng)產(chǎn)生的流量(Browsing-VPN)、使用SMTP 發(fā)送或使用郵局協(xié)議(Post Office Protocol -Version 3,POP3)和互聯(lián)網(wǎng)消息訪問協(xié)議(Internet Message Access Protocol,IMAP)接收郵件產(chǎn)生的流量(Email-VPN)、使用若干即時(shí)聊天應(yīng)用程序產(chǎn)生的流量(Chat-VPN)、流式多媒體服務(wù)產(chǎn)生的流量(Streaming-VPN)、多種協(xié)議下文件傳輸產(chǎn)生的流量(File Transfer-VPN)、使用語音應(yīng)用程序進(jìn)行IP 通話產(chǎn)生的流量(VOIP-VPN)、基于Bittorrent 等點(diǎn)對點(diǎn)(peer-to-peer,P2P)文件共享協(xié)議產(chǎn)生的流量(P2P-VPN)。由于第一類瀏覽器流量(Browsing-VPN)與其他類別流量存在分類邊界模糊的問題,根據(jù)文獻(xiàn)[3]的做法,本文舍棄了第一類流量,僅使用剩下的6 種會話類型流量,并在這6 種類型的協(xié)議封裝加密后的流量上進(jìn)行了實(shí)驗(yàn)。每個(gè)類別包含的樣本數(shù)如表2 所示,其中,1/10 的數(shù)據(jù)被隨機(jī)選為測試集兼驗(yàn)證集,其余作為訓(xùn)練集,訓(xùn)練時(shí)的batch 大小設(shè)置為128。

    表2 每個(gè)類別包含的樣本數(shù)

    在進(jìn)行數(shù)據(jù)預(yù)處理時(shí),如第2 節(jié)中所述,使用了Wang 等人提出的USTC-TL2016 工具[3]對原始流量數(shù)據(jù)進(jìn)行了處理,即基于session 的形式處理了數(shù)據(jù)包,并提取了所有層的流量數(shù)據(jù),將原始的二進(jìn)制pcap 流量數(shù)據(jù)處理為idx 格式的28×28 大小的灰度圖像包,部分可視化圖像的示例如圖3 所示。

    圖3 各類別流量可視化示例

    3.2 評價(jià)指標(biāo)

    針對二分類問題,有4 種常用的指標(biāo)來對模型性能進(jìn)行評估,分別是準(zhǔn)確率Accuracy、精確率Precision、召回率Recall、F1 分?jǐn)?shù)F1_score,各指標(biāo)計(jì)算如下:

    式中:TP為真正例的數(shù)量;FP為假正例的數(shù)量;TN為真反例的數(shù)量;FN為假反例的數(shù)量。準(zhǔn)確率Accuracy是衡量正確分類的樣本數(shù)與總樣本數(shù)的比例,但容易受到類別數(shù)量不平衡的影響。精確率Precision又稱查準(zhǔn)率,衡量模型預(yù)測為正的樣本中真實(shí)的正樣本所占的比例。召回率Recall又稱查全率,衡量所有正樣本中被模型預(yù)測為正的樣本數(shù)所占的比例。通常,一個(gè)模型無法同時(shí)滿足高精確率和高召回率,而F1 分?jǐn)?shù)F1_score是精確率和召回率的調(diào)和平均數(shù),是一種同時(shí)兼顧了分類模型的精確率和召回率的評估指標(biāo),對模型的識別準(zhǔn)確率作出綜合評價(jià)。

    在多分類問題中,準(zhǔn)確率Accuracy同樣適用,但精確率Precision、召回率Recall、F1 分?jǐn)?shù)F1_score僅適用于二分類問題。因此,本文的實(shí)驗(yàn)使用的均為宏精確率macro-Precision、宏召回率macro-Recall、宏F1 分?jǐn)?shù)macro-F1_score對模型性能進(jìn)行評估,即針對多分類中的每一個(gè)類別,計(jì)算各自類別的精確率Precision、召回率Recall、F1分?jǐn)?shù)F1_score指標(biāo),對其取均值,得到整體的宏精確率、宏召回率、宏F1 分?jǐn)?shù)。

    3.3 實(shí)驗(yàn)結(jié)果與分析

    為了驗(yàn)證本文提出的方法的有效性,將本文所提的方法與LeNet、ResNet18、ResNet50、DenseNet121[19]、SENet[20]、ShuffleNet[21]、MobileNet[22]這些基于表征學(xué)習(xí)的深度學(xué)習(xí)分類模型在同樣的數(shù)據(jù)上進(jìn)行了對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表3所示。

    表3 顯示了各模型對加密流量數(shù)據(jù)分類的準(zhǔn)確率Accuracy、精確率Precision、召回率Recall和F1 分?jǐn)?shù)F1_score。表中結(jié)果反映出各類模型均能對加密后的流量數(shù)據(jù)進(jìn)行有效的分類,其中本文所提方法在準(zhǔn)確率和召回率以及F1 分?jǐn)?shù)上都達(dá)到了最優(yōu),在精確率上僅次于原始的ResNet18。這是因?yàn)槿绫? 所示,原始數(shù)據(jù)存在類別不平衡的問題,Chat-VPN 類和VOIP-VPN 類的樣本數(shù)遠(yuǎn)超其他 4 類的樣本數(shù),計(jì)算宏精確率容易受到類別不平衡問題的影響。就網(wǎng)絡(luò)深度而言,ResNet50 采用了和ResNet18 一樣的網(wǎng)絡(luò)結(jié)構(gòu),不同的是加深了網(wǎng)絡(luò)的深度,但是分類效果并沒有隨著網(wǎng)絡(luò)深度的增加、參數(shù)量的提升而提升,因此堆砌網(wǎng)絡(luò)深度和參數(shù)量并不一定能帶來效果的提升。本文提出的方法僅在精確率上與ResNet18 相差0.07%,遠(yuǎn)小于與其他模型的差距,且在另外3 個(gè)指標(biāo)上都達(dá)到了最優(yōu),因此本文的方法仍舊是最有效的。

    表3 實(shí)驗(yàn)結(jié)果 %

    訓(xùn)練集中總計(jì)有11 272 條數(shù)據(jù)樣本,訓(xùn)練時(shí)的batch 大小設(shè)置為128,總訓(xùn)練步數(shù)為1 731 步。訓(xùn)練時(shí)的分類損失與訓(xùn)練步數(shù)的關(guān)系如圖4 所示。從圖4 可以看出,從初始狀態(tài)經(jīng)過同樣的訓(xùn)練步驟不同方法的收斂速度有較大差別。LeNet 在訓(xùn)練1 200 步之后趨于收斂,ResNet18 在1 200 步之后趨于收斂,ResNet50 在1 000 步之后趨于收斂,DenseNet121 在1 000 步之后趨于收斂,SENet 在 1 100 步之后趨于收斂,ShuffleNet 在1 300 步之后趨于收斂,MobileNet 在1 100 步之后趨于收斂,而本文提出的方法在訓(xùn)練880 步之后分類損失就很穩(wěn)定已經(jīng)趨于收斂,相較于其他模型,本文的方法有更快的收斂速度。

    圖4 各模型收斂步數(shù)

    各模型的運(yùn)行效率如表4 所示,包含總訓(xùn)練時(shí)間、訓(xùn)練到收斂的時(shí)間以及在測試集上測試完所有測試數(shù)據(jù)使用的時(shí)間。所有訓(xùn)練與測試均在GPU上完成,收斂時(shí)間根據(jù)訓(xùn)練完每個(gè)epoch 后模型在驗(yàn)證集上的預(yù)測結(jié)果趨于穩(wěn)定的時(shí)間得出。

    表4 各模型運(yùn)行效率 s

    從表4 中可以看出,LeNet 由于網(wǎng)絡(luò)規(guī)模小、結(jié)構(gòu)簡單,訓(xùn)練完20 個(gè)epoch 的時(shí)間最快,但同時(shí)實(shí)際性能表現(xiàn)卻不佳,并且訓(xùn)練到收斂的時(shí)間慢于本文提出的方法。本文提出的方法在6 類加密流量上訓(xùn)練20 個(gè)epoch 需要的時(shí)間為292.23 s,但是本文提出的方法收斂速度很快,實(shí)際在訓(xùn)練經(jīng)過128.57 s 時(shí)模型就已經(jīng)收斂,因此雖然本文方法在測試時(shí)的效率低于LeNet 和SENet,但本文方法的效果遠(yuǎn)好于二者。

    對于本文提出的粗粒度類別融合模塊,針對不同的粗粒度類別數(shù),進(jìn)行了消融實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表5 所示。

    如表5 所示,當(dāng)粗粒度類別數(shù)僅為1 類時(shí),本文所提方法的網(wǎng)絡(luò)會退化為一般的基干分類網(wǎng)絡(luò),效果僅為在ResNet18 前后分別加了一個(gè)卷積層和一個(gè)MLP 層。由于網(wǎng)絡(luò)結(jié)構(gòu)的改變和層數(shù)的加深,此時(shí)網(wǎng)絡(luò)的學(xué)習(xí)效果相比于原始的ResNet18 有一定的退化。當(dāng)粗粒度類別數(shù)為2 時(shí),也能到達(dá)不錯(cuò)的分類效果,但是仍有提升空間。有趣的是,當(dāng)粗粒度類別數(shù)選擇3 類和6 類時(shí),分類效果反而下降,分析認(rèn)為這是在設(shè)置為3 類和6 類時(shí),現(xiàn)有數(shù)據(jù)隱含的粗粒度類別數(shù)量特征不能很好地匹配設(shè)置的類別數(shù)量,導(dǎo)致粗粒度分類融合模塊未能有效地提取到粗粒度的類別信息。當(dāng)選擇的粗粒度類別數(shù)為4類和5 類時(shí),能夠達(dá)到最好的分類效果,在本文的對比實(shí)驗(yàn)中,權(quán)衡了效果和效率,選用的粗粒度類別數(shù)均為4 類。

    表5 粗粒度類別數(shù)消融實(shí)驗(yàn)

    4 結(jié)語

    本文在將流量數(shù)據(jù)可視化進(jìn)行表征學(xué)習(xí)的基礎(chǔ)上,利用網(wǎng)絡(luò)自動學(xué)習(xí)到各類別間更粗粒度下的類別關(guān)系,并根據(jù)提取到的粗粒度下的分類結(jié)果,利用多個(gè)網(wǎng)絡(luò)分別去擬合不同粗粒度分類下不同的分類結(jié)果,通過融合多個(gè)粗粒度標(biāo)簽下的分類結(jié)果得到了最終的多分類標(biāo)簽。本文所提方法是端到端的,無須手動提取特征,也無須人工標(biāo)注粗粒度類別標(biāo)簽。該方法不僅利用了流量數(shù)據(jù)可視化之后的特征,也利用了不同類別標(biāo)簽之間可能存在的粗粒度類別關(guān)系,在保證模型運(yùn)行效率的情況下,提高了分類的準(zhǔn)確率。在未來的工作中,將結(jié)合深度學(xué)習(xí)技術(shù)繼續(xù)探究類別間粗細(xì)粒度融合的分類方法,提高分類的準(zhǔn)確率。

    猜你喜歡
    粗粒度類別加密
    基于卷積神經(jīng)網(wǎng)絡(luò)的粗粒度數(shù)據(jù)分布式算法
    一種基于熵的混沌加密小波變換水印算法
    在線評論情感分析研究綜述
    基于公共池自適應(yīng)遷移策略的并行遺傳算法
    認(rèn)證加密的研究進(jìn)展
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    基于ECC加密的電子商務(wù)系統(tǒng)
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    基于格的公鑰加密與證書基加密
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    麻豆乱淫一区二区| 国产乱人视频| 级片在线观看| 少妇人妻精品综合一区二区 | 毛片一级片免费看久久久久| 久久6这里有精品| 搡老妇女老女人老熟妇| a级毛片a级免费在线| 国产av不卡久久| 在线免费观看的www视频| 国产精品久久久久久精品电影| 久久久成人免费电影| 精品国产三级普通话版| 国产私拍福利视频在线观看| 九九久久精品国产亚洲av麻豆| 丰满的人妻完整版| 深夜a级毛片| 国产一区二区激情短视频| 18禁裸乳无遮挡免费网站照片| 亚洲av电影不卡..在线观看| 老熟妇乱子伦视频在线观看| 久久婷婷人人爽人人干人人爱| 一个人免费在线观看电影| 国产精品美女特级片免费视频播放器| 99久久精品一区二区三区| 亚洲中文字幕日韩| 男女做爰动态图高潮gif福利片| 九九热线精品视视频播放| 亚洲四区av| 在线播放国产精品三级| 女同久久另类99精品国产91| 久久精品国产清高在天天线| 亚洲精品久久国产高清桃花| 老女人水多毛片| 婷婷亚洲欧美| 国产伦精品一区二区三区视频9| 在线观看美女被高潮喷水网站| 狂野欧美白嫩少妇大欣赏| 中文字幕久久专区| 熟女电影av网| 亚洲av成人av| 国产老妇伦熟女老妇高清| 精品久久久久久久久久久久久| 欧美激情久久久久久爽电影| 国产精品av视频在线免费观看| 搡老妇女老女人老熟妇| 99热这里只有精品一区| 国产黄片美女视频| 亚洲av.av天堂| 国产成人a∨麻豆精品| 国产v大片淫在线免费观看| kizo精华| 亚洲精品亚洲一区二区| 欧美性猛交╳xxx乱大交人| 51国产日韩欧美| 99热这里只有是精品50| 日本黄大片高清| 我的女老师完整版在线观看| 97热精品久久久久久| 亚洲av电影不卡..在线观看| av天堂中文字幕网| 久久中文看片网| 97热精品久久久久久| 国产精品久久电影中文字幕| 亚洲最大成人中文| 男人舔女人下体高潮全视频| 亚洲七黄色美女视频| 啦啦啦啦在线视频资源| 免费观看精品视频网站| 欧美三级亚洲精品| 久久精品影院6| 一级毛片我不卡| 亚洲第一电影网av| 不卡一级毛片| 久久久久久久午夜电影| 久久99热6这里只有精品| 亚洲欧美成人精品一区二区| 大型黄色视频在线免费观看| 婷婷精品国产亚洲av| 少妇人妻一区二区三区视频| 少妇裸体淫交视频免费看高清| 麻豆乱淫一区二区| 久久鲁丝午夜福利片| 亚洲精品成人久久久久久| 免费看美女性在线毛片视频| 如何舔出高潮| .国产精品久久| 最新中文字幕久久久久| 午夜福利视频1000在线观看| 欧美最黄视频在线播放免费| 蜜臀久久99精品久久宅男| 淫秽高清视频在线观看| 国产精品蜜桃在线观看 | 日韩三级伦理在线观看| av女优亚洲男人天堂| 国产av一区在线观看免费| av天堂中文字幕网| 哪里可以看免费的av片| 亚洲成a人片在线一区二区| 91精品一卡2卡3卡4卡| 国产三级中文精品| 综合色丁香网| 亚洲图色成人| 日韩欧美 国产精品| 国产成人精品婷婷| 韩国av在线不卡| 午夜精品在线福利| 少妇的逼水好多| 亚洲精品日韩在线中文字幕 | 黄色一级大片看看| 国产蜜桃级精品一区二区三区| 毛片一级片免费看久久久久| 乱码一卡2卡4卡精品| 99久久九九国产精品国产免费| 男女做爰动态图高潮gif福利片| 国产精品99久久久久久久久| 在线播放无遮挡| 国产精品三级大全| eeuss影院久久| 在线观看一区二区三区| 婷婷六月久久综合丁香| 黑人高潮一二区| 久久综合国产亚洲精品| 女人十人毛片免费观看3o分钟| 久久午夜亚洲精品久久| 久久久久性生活片| 99久久人妻综合| 波多野结衣巨乳人妻| 大香蕉久久网| 麻豆av噜噜一区二区三区| 国产乱人偷精品视频| 看黄色毛片网站| 三级男女做爰猛烈吃奶摸视频| 久久婷婷人人爽人人干人人爱| 18禁裸乳无遮挡免费网站照片| 国产成人a区在线观看| 色哟哟哟哟哟哟| 国产一区二区激情短视频| 秋霞在线观看毛片| 亚洲色图av天堂| 99久久精品热视频| 国产中年淑女户外野战色| 亚洲无线观看免费| www日本黄色视频网| 在线观看免费视频日本深夜| 亚洲自拍偷在线| 卡戴珊不雅视频在线播放| 国内久久婷婷六月综合欲色啪| 免费观看在线日韩| 91久久精品国产一区二区三区| 日本黄色片子视频| 熟女电影av网| 超碰av人人做人人爽久久| 女的被弄到高潮叫床怎么办| 成人毛片60女人毛片免费| 亚洲精品国产成人久久av| 久久久国产成人精品二区| 国产精品一区二区三区四区免费观看| 国产成人福利小说| 人妻久久中文字幕网| 人人妻人人澡人人爽人人夜夜 | 一本精品99久久精品77| 久久热精品热| 欧美精品国产亚洲| 久99久视频精品免费| 欧美色欧美亚洲另类二区| 国产一级毛片在线| .国产精品久久| 美女大奶头视频| 九九热线精品视视频播放| 极品教师在线视频| 变态另类成人亚洲欧美熟女| 日韩强制内射视频| 校园春色视频在线观看| 一区二区三区高清视频在线| 久久6这里有精品| 国产 一区 欧美 日韩| 国产女主播在线喷水免费视频网站 | 亚洲在线观看片| 又粗又爽又猛毛片免费看| 校园人妻丝袜中文字幕| 亚洲在线自拍视频| 亚洲欧美日韩无卡精品| 97热精品久久久久久| 联通29元200g的流量卡| 看非洲黑人一级黄片| 男插女下体视频免费在线播放| 国产av麻豆久久久久久久| 日本与韩国留学比较| 成人午夜高清在线视频| 欧美最黄视频在线播放免费| 黄片无遮挡物在线观看| videossex国产| 一级毛片aaaaaa免费看小| 中文欧美无线码| 国产精品一区二区三区四区免费观看| 日本黄大片高清| 黑人高潮一二区| 欧美色视频一区免费| 国产精品麻豆人妻色哟哟久久 | 能在线免费看毛片的网站| 秋霞在线观看毛片| 最近最新中文字幕大全电影3| 日韩国内少妇激情av| 国产精品综合久久久久久久免费| 亚洲综合色惰| 久久6这里有精品| 欧美3d第一页| 精品久久久久久久人妻蜜臀av| 国产一级毛片七仙女欲春2| 午夜a级毛片| 日本免费a在线| 国产中年淑女户外野战色| 亚洲国产精品合色在线| 99在线人妻在线中文字幕| 一级av片app| 午夜爱爱视频在线播放| 欧美日本视频| 国产成年人精品一区二区| 99热6这里只有精品| 99久久九九国产精品国产免费| 国产亚洲91精品色在线| 午夜福利成人在线免费观看| 国产精品久久久久久亚洲av鲁大| 观看美女的网站| 最近2019中文字幕mv第一页| 久久久久久久午夜电影| 久久韩国三级中文字幕| 国产单亲对白刺激| 看黄色毛片网站| 黄片无遮挡物在线观看| 超碰av人人做人人爽久久| 蜜桃亚洲精品一区二区三区| 亚洲最大成人中文| 午夜a级毛片| 亚洲精品久久国产高清桃花| 秋霞在线观看毛片| 成人无遮挡网站| 美女cb高潮喷水在线观看| 久久99热6这里只有精品| a级一级毛片免费在线观看| 欧美日韩一区二区视频在线观看视频在线 | 国产老妇伦熟女老妇高清| 乱人视频在线观看| 99热6这里只有精品| 亚洲性久久影院| 亚洲av免费在线观看| 久久精品国产99精品国产亚洲性色| 久久精品91蜜桃| 深爱激情五月婷婷| 一级毛片aaaaaa免费看小| 久久精品久久久久久噜噜老黄 | 成人一区二区视频在线观看| 久久亚洲精品不卡| 性欧美人与动物交配| 全区人妻精品视频| 日日摸夜夜添夜夜爱| 国产成人精品一,二区 | 国产精品久久久久久av不卡| 色尼玛亚洲综合影院| 国产精品一区二区三区四区免费观看| 精品久久久久久久久亚洲| 狠狠狠狠99中文字幕| 99久国产av精品| 熟妇人妻久久中文字幕3abv| 日本熟妇午夜| 国产蜜桃级精品一区二区三区| 亚洲五月天丁香| 内地一区二区视频在线| 免费看a级黄色片| 欧美性猛交黑人性爽| 人妻少妇偷人精品九色| 欧美日韩国产亚洲二区| 久久这里只有精品中国| 99久国产av精品国产电影| 国产在线精品亚洲第一网站| 亚洲精品日韩在线中文字幕 | 成人毛片a级毛片在线播放| 免费人成视频x8x8入口观看| 久久精品国产亚洲av涩爱 | 啦啦啦韩国在线观看视频| 草草在线视频免费看| 51国产日韩欧美| 成年女人看的毛片在线观看| 欧美成人a在线观看| 久久久久免费精品人妻一区二区| 变态另类丝袜制服| 国产高清三级在线| 久久婷婷人人爽人人干人人爱| 麻豆乱淫一区二区| 天天躁夜夜躁狠狠久久av| 美女内射精品一级片tv| 看免费成人av毛片| 我要搜黄色片| av在线亚洲专区| 一边亲一边摸免费视频| 男女那种视频在线观看| 亚洲综合色惰| 99久久成人亚洲精品观看| 亚洲精品日韩av片在线观看| 欧美色欧美亚洲另类二区| 国产高潮美女av| 18禁在线无遮挡免费观看视频| 欧美+日韩+精品| 精品久久久久久久久av| 亚洲人成网站高清观看| 亚洲一级一片aⅴ在线观看| 午夜精品国产一区二区电影 | 高清毛片免费观看视频网站| 在线观看66精品国产| 黄色视频,在线免费观看| 欧美最黄视频在线播放免费| 久久精品影院6| 日韩欧美国产在线观看| 美女大奶头视频| 亚洲精品国产av成人精品| 国产老妇伦熟女老妇高清| 国产成人影院久久av| av免费在线看不卡| 亚洲va在线va天堂va国产| 国产成人精品一,二区 | 哪里可以看免费的av片| 国产美女午夜福利| 欧美人与善性xxx| 久久国产乱子免费精品| 69av精品久久久久久| 人妻久久中文字幕网| 久久久久久久久久久免费av| 国产成年人精品一区二区| 99在线视频只有这里精品首页| 欧美变态另类bdsm刘玥| 最好的美女福利视频网| av在线播放精品| 尤物成人国产欧美一区二区三区| 三级国产精品欧美在线观看| 精品久久国产蜜桃| 国产精品伦人一区二区| 美女脱内裤让男人舔精品视频 | 免费av观看视频| 色哟哟·www| 久久久精品大字幕| 国产男人的电影天堂91| 日本一本二区三区精品| av又黄又爽大尺度在线免费看 | kizo精华| 深爱激情五月婷婷| 亚洲在久久综合| 18禁在线播放成人免费| 国产精品99久久久久久久久| 搡老妇女老女人老熟妇| 看免费成人av毛片| 卡戴珊不雅视频在线播放| 少妇熟女aⅴ在线视频| av在线天堂中文字幕| 久久久久久久久中文| 久久久久久国产a免费观看| 可以在线观看毛片的网站| 黑人高潮一二区| 十八禁国产超污无遮挡网站| 亚洲自偷自拍三级| 精品国内亚洲2022精品成人| 国产一区二区在线av高清观看| 精品国内亚洲2022精品成人| 国产一区二区亚洲精品在线观看| 亚洲av中文字字幕乱码综合| 舔av片在线| 小蜜桃在线观看免费完整版高清| 亚洲最大成人av| 国产av麻豆久久久久久久| 国产av不卡久久| 联通29元200g的流量卡| 97在线视频观看| 久久这里有精品视频免费| 有码 亚洲区| 美女被艹到高潮喷水动态| 波多野结衣高清作品| 丝袜喷水一区| 又粗又硬又长又爽又黄的视频 | 色综合亚洲欧美另类图片| 内地一区二区视频在线| 亚洲av男天堂| 欧美一级a爱片免费观看看| 97超视频在线观看视频| 天堂网av新在线| 国产亚洲91精品色在线| 午夜视频国产福利| 欧美一区二区亚洲| www.av在线官网国产| 欧美zozozo另类| 久久鲁丝午夜福利片| 久久6这里有精品| 老熟妇乱子伦视频在线观看| 午夜老司机福利剧场| 精品不卡国产一区二区三区| 亚洲av免费高清在线观看| 亚洲中文字幕一区二区三区有码在线看| 免费观看的影片在线观看| 亚洲中文字幕日韩| 成人性生交大片免费视频hd| 久久久久久九九精品二区国产| 欧美xxxx性猛交bbbb| 日韩av不卡免费在线播放| 99热6这里只有精品| 蜜臀久久99精品久久宅男| 欧美丝袜亚洲另类| 日本色播在线视频| 色尼玛亚洲综合影院| 久久久久久久久大av| 高清在线视频一区二区三区 | a级毛片a级免费在线| 中文资源天堂在线| 两个人视频免费观看高清| 老熟妇乱子伦视频在线观看| 一本久久精品| 欧美一区二区精品小视频在线| 国产成人aa在线观看| 男人舔奶头视频| 免费在线观看成人毛片| 亚洲成人中文字幕在线播放| 久久精品国产鲁丝片午夜精品| 97在线视频观看| 成人欧美大片| 国产一区二区三区在线臀色熟女| 欧美+日韩+精品| 亚洲av熟女| 黄色日韩在线| 99在线视频只有这里精品首页| 中文字幕av成人在线电影| 欧美色欧美亚洲另类二区| 亚洲精品日韩av片在线观看| 别揉我奶头 嗯啊视频| av免费在线看不卡| av专区在线播放| 我要看日韩黄色一级片| 亚洲欧美日韩东京热| 亚洲高清免费不卡视频| 三级国产精品欧美在线观看| 久久精品国产亚洲网站| 久久精品国产自在天天线| 亚洲第一电影网av| 国产av不卡久久| 在线国产一区二区在线| 99久久中文字幕三级久久日本| 亚洲人成网站高清观看| 综合色av麻豆| 久久久久国产网址| 能在线免费看毛片的网站| 老司机福利观看| 午夜a级毛片| 老女人水多毛片| 精品久久国产蜜桃| 一个人看视频在线观看www免费| 一个人观看的视频www高清免费观看| 在线a可以看的网站| 99久久精品国产国产毛片| 国产女主播在线喷水免费视频网站 | 国产一区亚洲一区在线观看| 看片在线看免费视频| 亚洲av一区综合| h日本视频在线播放| 亚洲欧美清纯卡通| 天天躁夜夜躁狠狠久久av| 女人被狂操c到高潮| 亚洲真实伦在线观看| 亚洲熟妇中文字幕五十中出| 内地一区二区视频在线| 亚洲国产精品sss在线观看| 一级黄片播放器| 男的添女的下面高潮视频| 国内精品宾馆在线| 国产亚洲精品久久久久久毛片| 一个人观看的视频www高清免费观看| 伦精品一区二区三区| 久久精品综合一区二区三区| 亚洲在线观看片| 国产精品免费一区二区三区在线| 狠狠狠狠99中文字幕| 插逼视频在线观看| 国内精品宾馆在线| 午夜福利在线在线| 精品日产1卡2卡| 国产成人91sexporn| 欧美一级a爱片免费观看看| or卡值多少钱| 少妇高潮的动态图| 99久国产av精品国产电影| 午夜福利在线在线| 免费黄网站久久成人精品| 91麻豆精品激情在线观看国产| 99久久成人亚洲精品观看| www.色视频.com| 国产高潮美女av| 99riav亚洲国产免费| 狠狠狠狠99中文字幕| 欧美人与善性xxx| 亚洲七黄色美女视频| 国语自产精品视频在线第100页| 日韩高清综合在线| 寂寞人妻少妇视频99o| 亚洲欧美日韩高清专用| 国内少妇人妻偷人精品xxx网站| 久久人人爽人人片av| 18+在线观看网站| 国产一区亚洲一区在线观看| 精品久久久久久久久久久久久| 国产一区二区三区在线臀色熟女| 色5月婷婷丁香| 国内精品美女久久久久久| 99久国产av精品国产电影| 国产高潮美女av| 熟女人妻精品中文字幕| 12—13女人毛片做爰片一| 18禁在线无遮挡免费观看视频| 夫妻性生交免费视频一级片| 日韩高清综合在线| 国语自产精品视频在线第100页| 综合色丁香网| 一个人看视频在线观看www免费| 亚洲av一区综合| 中文字幕久久专区| 看黄色毛片网站| 亚洲自偷自拍三级| 中文字幕人妻熟人妻熟丝袜美| 成人国产麻豆网| 国产精品久久电影中文字幕| 欧美日韩精品成人综合77777| 麻豆av噜噜一区二区三区| av在线观看视频网站免费| 51国产日韩欧美| 亚洲精品自拍成人| 国产黄色视频一区二区在线观看 | 国产一级毛片七仙女欲春2| 99久久精品国产国产毛片| 日本-黄色视频高清免费观看| 亚洲精品国产av成人精品| 欧美三级亚洲精品| 免费观看的影片在线观看| 亚洲欧美精品自产自拍| 久久午夜亚洲精品久久| 我的老师免费观看完整版| 久99久视频精品免费| 波多野结衣高清无吗| 欧美丝袜亚洲另类| 国产真实伦视频高清在线观看| 老司机福利观看| 久久这里只有精品中国| 国产在视频线在精品| 国产高清视频在线观看网站| 久久久精品大字幕| 久久久精品欧美日韩精品| 欧美日韩综合久久久久久| 免费在线观看成人毛片| 91麻豆精品激情在线观看国产| 日日摸夜夜添夜夜添av毛片| 久久久久九九精品影院| 亚洲乱码一区二区免费版| 国产精品麻豆人妻色哟哟久久 | 久久精品综合一区二区三区| 婷婷精品国产亚洲av| 亚洲精品国产av成人精品| 国内精品美女久久久久久| 亚洲人与动物交配视频| 亚洲成人精品中文字幕电影| 精品久久久久久成人av| 亚洲精品久久久久久婷婷小说 | .国产精品久久| 男人和女人高潮做爰伦理| 亚洲激情五月婷婷啪啪| 精品日产1卡2卡| 免费电影在线观看免费观看| 国产色婷婷99| 中国国产av一级| 免费看光身美女| 性插视频无遮挡在线免费观看| 三级男女做爰猛烈吃奶摸视频| 男人和女人高潮做爰伦理| 又粗又爽又猛毛片免费看| 午夜激情欧美在线| 日产精品乱码卡一卡2卡三| 人妻系列 视频| 国产乱人视频| 18禁裸乳无遮挡免费网站照片| 国产探花在线观看一区二区| 长腿黑丝高跟| 国产伦一二天堂av在线观看| av在线播放精品| 小说图片视频综合网站| 99在线视频只有这里精品首页| 亚洲av中文av极速乱| 国产精品伦人一区二区| 99久久精品热视频| 午夜精品一区二区三区免费看| 国产精品爽爽va在线观看网站| 91狼人影院| 日韩av在线大香蕉| 高清午夜精品一区二区三区 | 精品国内亚洲2022精品成人| 嫩草影院精品99| av福利片在线观看| 一进一出抽搐动态| 最新中文字幕久久久久| 成人美女网站在线观看视频| 国国产精品蜜臀av免费| 赤兔流量卡办理| 狂野欧美激情性xxxx在线观看| kizo精华| 欧美zozozo另类| 全区人妻精品视频| 亚洲精品影视一区二区三区av| 国产午夜福利久久久久久| 国产蜜桃级精品一区二区三区| 国产日韩欧美在线精品| 噜噜噜噜噜久久久久久91| 久久久久国产网址| 免费观看的影片在线观看|