• <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 ?

    一種改進的自適應網格劃分的分布式聚類算法

    2023-04-19 05:16:52王浩宇劉俊暉
    小型微型計算機系統(tǒng) 2023年4期
    關鍵詞:高維分布式聚類

    蔡 莉,王浩宇,周 君,何 婧,劉俊暉

    (云南大學 軟件學院,昆明 650091) E-mail:caili@ynu.edu.cn

    1 引 言

    聚類作為數(shù)據(jù)挖掘中的一個重要功能,廣泛應用于數(shù)據(jù)分析、圖像處理、用戶畫像等多個領域.聚類算法有多種分類,有基于劃分思想,比如K-means、K-medoids等,利用類內的點足夠近,類間的點足夠遠的原則進行聚類,但其需要事先指定簇數(shù),對于海量數(shù)據(jù)而言,準確的簇數(shù)往往難以確定[1].有基于密度思想,比如DBSCAN (Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise)、OPTICS (Ordering Points To Identify Clustering Structure)等,這類算法根據(jù)密度和最大半徑進行聚類,但其存在大量的距離計算并且對于參數(shù)的依賴性很大的問題[2,3].有基于網格思想,比如STING (Statistical Information Grid)、CLIQUE (CLustering In QUEst)等,它們將數(shù)據(jù)空間劃分為網格單元,把數(shù)據(jù)對象集映射至網格單元中,并計算每個單元的密度.相比于前二者,這類算法雖然在處理數(shù)據(jù)的速度上有所提升,但準確率又不能很好地保證[4].

    Rodriguez和Laio提出了一種基于快速搜索和發(fā)現(xiàn)密度峰值的聚類算法(Clustering By Fast Search And Find Of Density Peaks),簡稱為DPC[5].DPC算法能夠自動識別簇中心并且適用于任何形狀的數(shù)據(jù)聚類,但是,對于各簇間密集程度差異較大的情況,并不能展現(xiàn)出很好的聚類效果.Xie等人于2016年提出一種基于DPC的改進算法FKNN-DPC (Robust clustering by detecting density peaks and assigning points based on fuzzy weighted K-nearest neighbors)[6],其在DPC算法的基礎上,運用K近鄰思想,結合模糊權重進行數(shù)據(jù)點的再度分配,這種算法在大部分數(shù)據(jù)集上的效果是優(yōu)于DPC的,但卻增加了計算量,影響了運行效率.

    單機版的聚類算法在計算性能和內存方面存在著難以解決的上限問題,很難滿足對海量數(shù)據(jù)的聚類需求,而分布式計算平臺則為處理海量數(shù)據(jù)的聚類提供了一種有效的途徑.現(xiàn)有的分布式聚類算法,比如分布式K-means、分布式DBSCAN等,在處理海量高維數(shù)據(jù)時,因為其本身實現(xiàn)涉及大量的高維距離計算,造成了大量的計算開銷,所以很大程度上也會降低分布式算法的運行效率[7,8].

    為了彌補上述聚類算法的不足,本文提出了一種改進的自適應網格劃分的分布式聚類算法AMCBS (An Adaptive Meshing Clustering Algorithm Based On Spark Platform).該算法能夠根據(jù)數(shù)據(jù)分布自適應地劃分網格以獲得更好的聚類效果;同時,使用線性判別分析法處理高維數(shù)據(jù),提高了聚類的準確性和適用性.

    2 相關工作

    如何高效地劃分數(shù)據(jù)、合并局部簇一直是聚類算法的研究重點.汪晶等人利用樣本方差和最小方差的概念,提出了一種基于最小方差來獲取K-means聚類中心的分布式算法MVC-Kmeans[9],提升了原有K-means的準確率和運行效率.但算法參數(shù)的選取具有不確定性,其結果也易受參數(shù)的影響.寧建飛實現(xiàn)了DBSCAN聚類算法在Spark處理平臺上的應用[10],提高了DBSCAN算法處理海量數(shù)據(jù)的能力.然而,算法本身存在著大量的距離和密度計算,平均耗時較長.何仝等人基于密度峰值的高效分布式聚類算法EDDPC[11],根據(jù)局部敏感哈希對數(shù)據(jù)集進行劃分,并采用多次Hash方法修正分區(qū)后的結果,保證了聚類質量.但是,此算法涉及多個索引空間以及多次哈希表查詢,生成的索引文件的大小是原始數(shù)據(jù)大小的數(shù)十倍甚至數(shù)百倍.He等人提出的MR-DBSCAN算法[12]采用定長網格來劃分數(shù)據(jù),將數(shù)據(jù)點集轉移到了數(shù)據(jù)網格集,減少了原有計算量.不過,MR-DBSCAN算法也存在明顯的缺點:一是均勻劃分網格時,網格單元的大小實際難以確定,聚類效果易受網格單元大小的影響;二是算法在合并局部簇時采用增量的方式,計算效率仍然較低.Song等人和Huang等人分別提出了基于Hadoop平臺下的H-DBSCAN算法[13]和基于Spark平臺下的S-DBSCAN算法[14],通過分布式計算框架和加入網格邊界的擴展,來提高聚類結果的精確度和局部簇的合并效率.兩種算法都采用均分網格的方法來劃分數(shù)據(jù),這會導致最終的聚類結果會存在較大的誤差;其次,兩種算法也未充分考慮高維數(shù)據(jù)集的處理情況.

    上述算法雖然在一定程度上提升了運行效率和準確度,但依舊存在諸多問題:例如在處理高維數(shù)據(jù),性能會大大降低,聚類效果不理想;算法易受參數(shù)的影響,整體穩(wěn)定性較低.

    3 AMCBS聚類算法原理

    3.1 相對熵

    相對熵是評判兩個概率分布間差異的非對稱性度量單位,可以較為直觀地反映數(shù)據(jù)點分布趨近于均勻分布的情況.當數(shù)據(jù)分布越趨于均勻,相對熵值越大;當數(shù)據(jù)分布越趨于集中,相對熵值越小.本文利用相對熵的這一性質,用來區(qū)分網格區(qū)間的稠密程度,從而達到自適應劃分網格的目的.

    定義1.在網格空間中,第i維上的單個網格的相對熵定義為:

    (1)

    其中,gij是第i維上的第j個網格,s(gij)是該網格里的數(shù)據(jù)數(shù)量占整個數(shù)據(jù)空間數(shù)據(jù)集的比例,Ni是第i維上的網格的數(shù)量.

    定義2.在網格空間中,第i維上的全部網格的相對熵定義為:

    (2)

    其中,Gi是第i維上全部網格的集合.

    定義3.合并網格的相對熵閾值T定義為:

    (3)

    其中,e(gij)是第i維的第j個網格的相對熵,Mi是第i維網格的相對熵中位數(shù).

    AMCBS算法利用相對熵自適應劃分網格的過程如下:

    Step1.設置初始網格長度gL,根據(jù)步長等分數(shù)據(jù)集Bi,構造網格空間中的第i維網格集合Gi;

    Step2.根據(jù)公式計算第i維上的單個網格的相對熵eij;

    Step3.計算第i維上的全部網格相對熵Ei以及相對熵閾值T;

    Step4.遍歷網格空間第i維上所有的單個網格相對熵eij,根據(jù)相對熵閾值T,進行合并操作;

    Step5.重復以上步驟,直至多維網格劃分完成為止.

    3.2 決策圖

    基于決策圖的聚類算法可以實現(xiàn)數(shù)據(jù)對象的快速聚類,核心思想是對聚類中心或密度峰值點進行相關的理論假設[15]:1)每個數(shù)據(jù)聚類簇組中的聚類中心擁有最大的局部密度參數(shù)值;2)不同數(shù)據(jù)聚類簇組的聚類中心之間有著比較遠的距離.決策圖聚類算法引入了兩個重要的參數(shù)變量,局部密度以及數(shù)據(jù)對象到最近大密度點的距離.

    定義4.每一個網格gridi的密度dsi定義為:

    dsi=countNum(gridi)

    (4)

    定義5.每一個網格gridi到更高密度網格對象gridj的最近距離作為網格對象的距離值dti定義為:

    (5)

    其中,dij為網格對象gridi中心位置到網格對象gridj中心位置的歐式距離.

    假設網格集合中密度最高的網格對象為mx,其距離值為dtmx:

    dtmx=max(dmx,j)

    (6)

    AMCBS算法會計算出每個網格單元的密度dsi與距離dti,依據(jù)位于簇心位置的網格對象會同時具有較高的密度ds和較大距離dt的特點,確定網格集合中簇的個數(shù)m以及簇中心的網格單元.

    3.3 線性判別分析

    線性判別分析(Linear Discriminant Analysis,LDA)的原理是通過正交變換,將一組可能存在相關性的變量進行降維處理,目標是將高維數(shù)據(jù)投影至低維后,同類的數(shù)據(jù)之間距離盡可能近、不同類數(shù)據(jù)之間距離盡可能遠[16].具體流程為:

    Step1.計算類內均值mi與類間均值m,類內均值定義為:

    (7)

    類間均值定義為:

    (8)

    其中,mi和m均為k維向量;

    Step2.計算類間散度矩陣Mb與類內散度矩陣Mw,類間散度矩陣定義為:

    (9)

    類內散度矩陣為:

    (10)

    類間散度矩陣Mb與類內散度矩陣Mw均為k階方陣;

    Step4.對初始的特征值進行線性變換,選取前i個特征向量,組成投影矩陣:

    W=[v1,…,vi]

    (11)

    則經過降維后的新樣本為:

    [Y1,…,Yk]=WT[X1,…,Xk]

    (12)

    AMCBS在處理高維數(shù)據(jù)時,會通過LDA的方式將其統(tǒng)一轉化為低維數(shù)據(jù)(一般是二維或者三維),之后把轉化后的低維數(shù)據(jù)輸入進Spark應用程序中,執(zhí)行對應的處理單元.

    3.4 Spark平臺

    Spark是加州大學伯克利分校AMP (Algorithms,Machines,and People Lab)實驗室開發(fā)的一個基于內存計算的大數(shù)據(jù)并行計算框架.與MapReduce相比,Spark在處理大規(guī)模數(shù)據(jù)時,具有更高的效率,其主要原因是:一是把Job的中間結果直接存放至內存中,可以更好的適用于機器學習以及數(shù)據(jù)挖掘的多次迭代計算;二是引入了彈性分布式數(shù)據(jù)集(Resilient Distributed Dataset,RDD),其本質上是分布在一組節(jié)點中的只讀對象集合,具備像MapReduce等數(shù)據(jù)流模型的容錯特性,可以允許進行重建操作;三是更加的通用,提供了多種數(shù)據(jù)集的操作類型;四是支持用戶自主確定分區(qū)策略,可以做到盡量少的在不同的執(zhí)行單元之間使用網絡交換數(shù)據(jù),減少運行時間[17,18].本文利用Spark平臺完成數(shù)據(jù)預處理、網格劃分、剩余點分配等操作,提升了算法的運行效率,流程框架如圖1所示.

    圖1 AMCBS分布式算法的框架Fig.1 AMCBS distributed algorithm framework

    AMCBS分布式算法主要處理步驟如下:

    1)創(chuàng)建Spark對象,SparkContext的創(chuàng)建是運行Spark程序必要的開端.

    2)從分布式文件存儲系統(tǒng)HDFS中讀取經過LDA降維后的低維數(shù)據(jù)集,并將其轉化為RDD格式.

    3)計算出數(shù)據(jù)集各維度的邊界值,執(zhí)行網格劃分函數(shù),根據(jù)相對熵及其閾值,獲得多維自適應網格集,并將結果廣播至各個分區(qū)Partition.

    4)計算每個網格單元最近的K個單位,采用SparkRDD的mapPartitions方法將函數(shù)作用到每個分區(qū).

    5)計算網格聚類中心,采用reduceByKey函數(shù),分別計算同一簇下的樣本對象和sum和樣本數(shù)量count.

    6)執(zhí)行不同方式的單元分配函數(shù),并進行迭代,直至符合分配標準為止.

    7)迭代結束后,返回聚類結果集Cluster,算法結束.

    4 AMCBS算法描述

    AMCBS算法中所涉及到的變量定義如表1所示.

    表1 AMCBS算法中的變量定義Table 1 Notations in AMCBS algorithm

    AMCBS算法的偽代碼描述如表2所示.

    表2 AMCBS算法偽代碼Table 2 Pseudocode of AMCBS algorithm

    5 實 驗

    本文的實驗環(huán)境是由3臺Linux Ubuntu 16.04操作系統(tǒng)的高性能服務器搭建出一個Spark分布式集群,其中包含一臺管理服務器(master)以及兩臺工作服務器(slave).集群中每個節(jié)點具體配置為CPU Intel i7-9800X,內存60GB,硬盤4TB.

    5.1 實驗數(shù)據(jù)集

    實驗數(shù)據(jù)集包括UCI機器學習標準數(shù)據(jù)集、奧利維蒂人臉數(shù)據(jù)集、GitHub文本數(shù)據(jù)集和D31數(shù)據(jù)集.各數(shù)據(jù)集的數(shù)據(jù)量、數(shù)據(jù)維度和類別數(shù)如表3所示.

    表3 實驗數(shù)據(jù)集相關特征Table 3 Correlation characteristics of experimental data sets

    為了驗證AMCBS算法的有效性,將該算法的聚類結果與分布式FKNN-DPC算法、EDDPC算法、分布式DBSCAN算法和基于網格聚類的S-DBSCAN算法進行對比.采用常用的評價指標準確率(Accuracy,ACC)、調整互信息(Adjusted Mutual Information,AMI)、調整蘭德指數(shù)(Adjusted Rand Index,ARI)和同質性(Homogeneity)等來衡量5種算法的聚類性能.其中,ACC是指正確聚類數(shù)據(jù)量占總體數(shù)據(jù)量的比例;AMI是基于互信息分數(shù)來衡量結果簇向量與真實簇向量相似度,AMI取值越大說明簇向量的相似度越高,AMI越接近于0則表示簇向量越是隨機分配;ARI是衡量兩個數(shù)據(jù)分布之間的吻合程度,取值范圍在[-1,1],值越大,表示聚類結果和真實情況越吻合;Homogeneity是指每個簇中正確分類的樣本數(shù)占該簇總樣本數(shù)的比例和.

    5.2 實驗結果分析

    5.2.1 UCI數(shù)據(jù)集對比實驗

    UCI數(shù)據(jù)集包含了Iris數(shù)據(jù)集(4維)、Seeds數(shù)據(jù)集(7維)、Wine數(shù)據(jù)集(13維)和Libras movement數(shù)據(jù)集(90維),各算法在4個評價指標上的對比結果如圖2~圖5所示.可以發(fā)現(xiàn):AMCBS算法在Iris數(shù)據(jù)集、Seeds數(shù)據(jù)集和Wine數(shù)據(jù)集上的評價結果均優(yōu)于其他算法,對于Libras movement數(shù)據(jù)集而言,AMCBS算法的ACC和Homogeneity指標也是最好的.

    5.2.2 奧利維蒂人臉數(shù)據(jù)集

    奧利維蒂人臉數(shù)據(jù)集是機器學習領域常用的一個標準數(shù)據(jù)集,40個志愿者提供了不同角度、不同表情的各10張面部圖片組成,共計400張.本文將每張人臉圖片轉換成向量(46×56),經過數(shù)據(jù)壓縮后作為輸入數(shù)據(jù),并進行聚類.這里,以前100張和全部的400張圖片作為數(shù)據(jù)集分別實驗,以驗證AMCBS算法的有效性.前100張圖片的具體實驗結果如圖6所示.

    圖2 Iris數(shù)據(jù)集結果 Fig.2 Iris data set results圖3 Seeds數(shù)據(jù)集結果 Fig.3 Seeds data set results圖4 Wine數(shù)據(jù)集結果 Fig.4 Wine data set results

    圖5 Libras數(shù)據(jù)集結果 Fig.5 Libras data set results圖6 人臉數(shù)據(jù)集前100張圖片結果 Fig.6 Results of the first 100 images in the face data set圖7 400張圖片結果 Fig.7 400 picture results

    400張圖片具體實驗結果如圖7和圖8所示.由圖6~圖8可知:無論是前100張還是整個400張人臉圖片,AMCBS在評價指標和運行時間上都優(yōu)于對比算法.

    圖8 400張圖片運行時間 Fig.8 Running time for 400 images圖9 GitHub數(shù)據(jù)集結果 Fig.9 GitHub sets results圖10 GitHub運行時間 Fig.10 GitHub running time

    5.2.3 GitHub文本數(shù)據(jù)集

    GitHub文本數(shù)據(jù)集是由3個類別的中文文本標簽所組成,包括8000個動物標簽、8000個食品標簽和8000個藥物標簽,共計24000個.本文在處理中文標簽時,采用了BERT模型,把詞轉換成向量(768維),作為輸入數(shù)據(jù)并進行聚類,具體實驗結果如圖9和圖10所示.可以發(fā)現(xiàn):AMCBS算法對于處理較大規(guī)模文本數(shù)據(jù)集也有較好效果,在ACC、AMI和Homogeneity指標上均優(yōu)于其他4種算法,運行時間上也有明顯優(yōu)勢.

    5.2.4 D31數(shù)據(jù)集

    D31數(shù)據(jù)集包含了3100條2維數(shù)據(jù),共有31個類別,每個類別100條數(shù)據(jù),因該數(shù)據(jù)集本身就是2維數(shù)據(jù),所以就沒有通過LDA降維,而是直接作為輸入數(shù)據(jù)進行聚類,其實驗結果如圖11所示.可以看出:AMCBS算法在ACC、AMI、Homogeneity和運行時間上均優(yōu)于其他4個算法,并且ARI也處于較高水平.

    圖11 D31數(shù)據(jù)集結果Fig.11 Results of D31 data set

    為了進一步地說明算法對于大規(guī)模數(shù)據(jù)集的適應性,本文擴充了D31數(shù)據(jù)集,之后,分別選取3.1×104、3.1×105、3.1×106和3.1×107數(shù)量級的數(shù)據(jù)進行實驗,其結果如圖12所示.可以看出:隨著數(shù)據(jù)集的逐步增大,AMCBS算法與其他4種分布式算法相比,運行時間大幅減少,效率提升明顯.

    6 結束語

    為了解決現(xiàn)有算法在運行時間和正確率上存在的問題,本文提出了一種改進的高效分布式聚類算法,通過分布式技術和自適應網格劃分的思想來處理高維海量數(shù)據(jù).其主要工作有:1)根據(jù)數(shù)據(jù)點在空間的分布狀況,利用相對熵進行自適應網格劃分;2)利用決策圖的思想,根據(jù)各單元距離密度值,確定網格集合中的各個簇;3)引入了線性判別分析,對于高維數(shù)據(jù),通過降維手段,進行預處理;4)為了提高算法的聚類準確度,采用了階段式分配策略;5)結合Spark計算平臺,使用并行化合并局部簇,從而進一步提升網格聚類算法的并行化效率.通過與4種分布式算法在UCI數(shù)據(jù)集、人臉圖片數(shù)據(jù)集和文本數(shù)據(jù)集等進行對比,可知AMCBS算法對于海量數(shù)據(jù)和高維數(shù)據(jù)均具有較好的有效性和處理性能.不過,在剩余點的分配過程中,網格輻射范圍的選取會在一定程度上影響聚類結果,目前的解決辦法是多次實驗以獲得最好的效果;此外,本文沒有解決在不平衡數(shù)據(jù)融合下的聚類問題,這兩點將是論文下一步的研究重點.

    圖12 各算法在擴充數(shù)據(jù)集上的運行時間Fig.12 Running time under the extended data sets

    猜你喜歡
    高維分布式聚類
    一種改進的GP-CLIQUE自適應高維子空間聚類算法
    測控技術(2018年4期)2018-11-25 09:46:48
    分布式光伏熱錢洶涌
    能源(2017年10期)2017-12-20 05:54:07
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    分布式光伏:爆發(fā)還是徘徊
    能源(2017年5期)2017-07-06 09:25:54
    基于加權自學習散列的高維數(shù)據(jù)最近鄰查詢算法
    電信科學(2017年6期)2017-07-01 15:44:37
    基于改進的遺傳算法的模糊聚類算法
    基于DDS的分布式三維協(xié)同仿真研究
    雷達與對抗(2015年3期)2015-12-09 02:38:50
    一般非齊次非線性擴散方程的等價變換和高維不變子空間
    一種層次初始的聚類個數(shù)自適應的聚類方法研究
    高維Kramers系統(tǒng)離出點的分布問題
    精品人妻在线不人妻| 岛国毛片在线播放| a 毛片基地| 狂野欧美激情性xxxx在线观看| 高清黄色对白视频在线免费看| 边亲边吃奶的免费视频| 蜜桃在线观看..| 男女无遮挡免费网站观看| 99热这里只有是精品在线观看| 高清欧美精品videossex| 一区二区三区乱码不卡18| 国产免费视频播放在线视频| 久久97久久精品| 精品午夜福利在线看| 精品久久蜜臀av无| 久久久久视频综合| 日韩三级伦理在线观看| 久久久久久伊人网av| 中国三级夫妇交换| 成人国产av品久久久| 欧美国产精品一级二级三级| 各种免费的搞黄视频| 精品一区二区免费观看| 欧美精品人与动牲交sv欧美| 欧美+日韩+精品| 看十八女毛片水多多多| 日韩,欧美,国产一区二区三区| 999精品在线视频| 久久久久网色| 国产精品国产三级国产av玫瑰| 国产精品一区二区在线观看99| 欧美激情 高清一区二区三区| 男人爽女人下面视频在线观看| 日本爱情动作片www.在线观看| 精品少妇久久久久久888优播| 日韩中文字幕视频在线看片| 日日撸夜夜添| 国产伦精品一区二区三区视频9| 最新中文字幕久久久久| 成人手机av| 亚洲精品日韩av片在线观看| 日本与韩国留学比较| 在线观看免费日韩欧美大片 | 狂野欧美激情性xxxx在线观看| xxxhd国产人妻xxx| 日本av手机在线免费观看| 亚洲精品av麻豆狂野| 人妻人人澡人人爽人人| 狂野欧美白嫩少妇大欣赏| 纯流量卡能插随身wifi吗| 免费少妇av软件| 国产精品不卡视频一区二区| 99热6这里只有精品| 水蜜桃什么品种好| 亚洲成人一二三区av| 欧美 日韩 精品 国产| 国产片特级美女逼逼视频| a 毛片基地| 能在线免费看毛片的网站| 天堂8中文在线网| 在线观看三级黄色| 大香蕉久久成人网| 欧美日韩一区二区视频在线观看视频在线| 国产伦理片在线播放av一区| 久久久a久久爽久久v久久| 免费黄网站久久成人精品| 老熟女久久久| 热re99久久国产66热| 桃花免费在线播放| 免费观看a级毛片全部| 五月伊人婷婷丁香| 久久久国产一区二区| 免费av中文字幕在线| 各种免费的搞黄视频| 免费人成在线观看视频色| 午夜福利,免费看| 国产成人精品福利久久| 中国美白少妇内射xxxbb| 中文字幕制服av| 少妇熟女欧美另类| 国产精品久久久久久精品电影小说| 夜夜骑夜夜射夜夜干| 国产在视频线精品| 国模一区二区三区四区视频| 哪个播放器可以免费观看大片| 国产一区二区在线观看日韩| 日本色播在线视频| av福利片在线| 日本vs欧美在线观看视频| 五月伊人婷婷丁香| 日本av免费视频播放| 国产成人精品久久久久久| a级片在线免费高清观看视频| 欧美 日韩 精品 国产| 在现免费观看毛片| 国产在视频线精品| 久久ye,这里只有精品| 草草在线视频免费看| 视频在线观看一区二区三区| 亚洲国产精品一区二区三区在线| 欧美精品一区二区大全| 亚洲国产精品一区二区三区在线| 国产男女超爽视频在线观看| 免费观看在线日韩| 久久精品人人爽人人爽视色| 一级毛片黄色毛片免费观看视频| 岛国毛片在线播放| 97精品久久久久久久久久精品| 久久 成人 亚洲| 视频区图区小说| 国产成人freesex在线| 中文字幕亚洲精品专区| 啦啦啦视频在线资源免费观看| 免费久久久久久久精品成人欧美视频 | 三上悠亚av全集在线观看| 亚洲精品成人av观看孕妇| 狂野欧美激情性bbbbbb| 亚洲国产欧美日韩在线播放| 婷婷色av中文字幕| 下体分泌物呈黄色| 亚洲欧美一区二区三区国产| 久久国产亚洲av麻豆专区| 欧美性感艳星| 伦理电影免费视频| 2022亚洲国产成人精品| 亚洲在久久综合| 国产一区有黄有色的免费视频| 飞空精品影院首页| 老司机亚洲免费影院| 午夜免费鲁丝| 大片电影免费在线观看免费| 中文精品一卡2卡3卡4更新| 欧美日韩在线观看h| 人妻夜夜爽99麻豆av| 欧美xxⅹ黑人| 日本黄大片高清| 国产精品国产av在线观看| 国产精品麻豆人妻色哟哟久久| 日日啪夜夜爽| 欧美 日韩 精品 国产| 18禁观看日本| 一级毛片aaaaaa免费看小| 亚洲丝袜综合中文字幕| 国产精品国产av在线观看| 久久久国产精品麻豆| 精品人妻熟女毛片av久久网站| 亚洲,欧美,日韩| 亚洲国产毛片av蜜桃av| 国产爽快片一区二区三区| 精品99又大又爽又粗少妇毛片| 乱码一卡2卡4卡精品| 91精品国产九色| 999精品在线视频| 国产亚洲av片在线观看秒播厂| 熟妇人妻不卡中文字幕| 91成人精品电影| 国产色爽女视频免费观看| 丝瓜视频免费看黄片| 黑人巨大精品欧美一区二区蜜桃 | 国产一级毛片在线| 久久精品国产亚洲网站| 高清不卡的av网站| 菩萨蛮人人尽说江南好唐韦庄| 免费观看在线日韩| 成人亚洲欧美一区二区av| 欧美变态另类bdsm刘玥| 亚洲美女搞黄在线观看| 亚洲人成网站在线播| 成年av动漫网址| 日本黄色片子视频| 另类精品久久| av在线老鸭窝| 日韩成人伦理影院| 亚洲精华国产精华液的使用体验| 国产又色又爽无遮挡免| 亚洲国产日韩一区二区| 大陆偷拍与自拍| 18在线观看网站| 日韩av不卡免费在线播放| 两个人的视频大全免费| 婷婷色麻豆天堂久久| 久久久亚洲精品成人影院| 两个人的视频大全免费| 十八禁网站网址无遮挡| 久久久欧美国产精品| 免费少妇av软件| 国产一区有黄有色的免费视频| 免费少妇av软件| 午夜福利视频在线观看免费| 国产深夜福利视频在线观看| 欧美 日韩 精品 国产| 国产日韩欧美亚洲二区| 日韩欧美一区视频在线观看| 最后的刺客免费高清国语| 一级毛片我不卡| 在线免费观看不下载黄p国产| 国产亚洲av片在线观看秒播厂| 特大巨黑吊av在线直播| av线在线观看网站| 亚洲精品久久成人aⅴ小说 | 久久婷婷青草| 99久久精品一区二区三区| 国产又色又爽无遮挡免| 国产毛片在线视频| 中文字幕人妻丝袜制服| 成人手机av| 成人国产av品久久久| 久久久久精品久久久久真实原创| 国产成人精品无人区| 亚洲精品视频女| 久久免费观看电影| 男的添女的下面高潮视频| 亚洲精品亚洲一区二区| 国产永久视频网站| 亚洲色图 男人天堂 中文字幕 | 免费少妇av软件| 亚洲精品一二三| 国产av精品麻豆| 亚洲精品日韩在线中文字幕| 这个男人来自地球电影免费观看 | 少妇的逼水好多| 18禁动态无遮挡网站| 久热久热在线精品观看| 天天影视国产精品| 国产探花极品一区二区| 三级国产精品欧美在线观看| 欧美bdsm另类| 黑人高潮一二区| 亚洲欧洲精品一区二区精品久久久 | 久久午夜综合久久蜜桃| 久久久久久久久大av| 国产精品人妻久久久影院| 婷婷色综合大香蕉| 精品熟女少妇av免费看| 纵有疾风起免费观看全集完整版| 欧美日韩中文字幕国产精品一区二区三区 | 女人高潮潮喷娇喘18禁视频| 精品国产一区二区三区四区第35| 欧美黑人欧美精品刺激| 精品国产一区二区三区久久久樱花| 天天操日日干夜夜撸| 国产精品成人在线| 老鸭窝网址在线观看| 汤姆久久久久久久影院中文字幕| 18禁黄网站禁片午夜丰满| 免费不卡黄色视频| 国产亚洲午夜精品一区二区久久| 高潮久久久久久久久久久不卡| 看免费av毛片| 国产成人免费无遮挡视频| 真人做人爱边吃奶动态| 男男h啪啪无遮挡| 日韩免费高清中文字幕av| 丁香六月欧美| 午夜福利视频精品| 一本大道久久a久久精品| 九色亚洲精品在线播放| 丝瓜视频免费看黄片| www.999成人在线观看| 免费观看人在逋| 99国产精品一区二区蜜桃av | 国产av一区二区精品久久| 日韩三级视频一区二区三区| 人成视频在线观看免费观看| 欧美人与性动交α欧美精品济南到| 亚洲天堂av无毛| 精品午夜福利视频在线观看一区 | 黄色片一级片一级黄色片| 亚洲成a人片在线一区二区| 制服人妻中文乱码| 精品国产国语对白av| 亚洲欧美激情在线| 麻豆乱淫一区二区| 中文字幕制服av| 日本欧美视频一区| 考比视频在线观看| 国产一区二区三区在线臀色熟女 | 国产福利在线免费观看视频| 一区二区三区精品91| 免费不卡黄色视频| 多毛熟女@视频| 欧美日韩亚洲国产一区二区在线观看 | 国产有黄有色有爽视频| 极品教师在线免费播放| 亚洲九九香蕉| 桃红色精品国产亚洲av| 国产成人免费观看mmmm| 国产精品一区二区免费欧美| 我要看黄色一级片免费的| 999久久久精品免费观看国产| av在线播放免费不卡| av视频免费观看在线观看| 国产欧美日韩一区二区三| 欧美黄色片欧美黄色片| 久久中文字幕人妻熟女| 国产色视频综合| 色综合欧美亚洲国产小说| 黑人欧美特级aaaaaa片| 亚洲中文日韩欧美视频| 女同久久另类99精品国产91| 午夜免费成人在线视频| 深夜精品福利| 免费观看av网站的网址| 亚洲国产欧美一区二区综合| 久久这里只有精品19| 伦理电影免费视频| 一本久久精品| 一二三四在线观看免费中文在| 亚洲精品在线观看二区| 成人国产一区最新在线观看| 每晚都被弄得嗷嗷叫到高潮| 女人被躁到高潮嗷嗷叫费观| 在线观看www视频免费| 少妇 在线观看| 一级黄色大片毛片| 建设人人有责人人尽责人人享有的| 91成人精品电影| 热99久久久久精品小说推荐| 国产精品一区二区在线观看99| 成年人黄色毛片网站| 久久久久久亚洲精品国产蜜桃av| 青青草视频在线视频观看| 老司机深夜福利视频在线观看| 12—13女人毛片做爰片一| 国产又爽黄色视频| 国产精品九九99| 18禁美女被吸乳视频| 美女主播在线视频| 2018国产大陆天天弄谢| 精品国内亚洲2022精品成人 | 欧美午夜高清在线| 国产精品二区激情视频| 免费在线观看完整版高清| 午夜福利在线免费观看网站| 精品福利永久在线观看| 亚洲人成电影免费在线| 成年女人毛片免费观看观看9 | 亚洲精品国产区一区二| 午夜免费成人在线视频| 午夜福利一区二区在线看| 久久人妻熟女aⅴ| 中文字幕最新亚洲高清| 真人做人爱边吃奶动态| 成人特级黄色片久久久久久久 | 热99久久久久精品小说推荐| 午夜福利在线免费观看网站| 最新的欧美精品一区二区| 亚洲国产欧美在线一区| av国产精品久久久久影院| 久久久精品区二区三区| 久久精品aⅴ一区二区三区四区| 亚洲七黄色美女视频| 国产av又大| 久久影院123| 亚洲精品一卡2卡三卡4卡5卡| 天天影视国产精品| 欧美日韩亚洲综合一区二区三区_| 人人妻人人澡人人看| 久久午夜综合久久蜜桃| 亚洲av片天天在线观看| 男女午夜视频在线观看| 午夜福利欧美成人| 免费女性裸体啪啪无遮挡网站| 一区二区av电影网| 看免费av毛片| 超碰97精品在线观看| 日韩 欧美 亚洲 中文字幕| 免费在线观看完整版高清| 亚洲国产精品一区二区三区在线| 亚洲伊人久久精品综合| 精品国内亚洲2022精品成人 | 在线观看免费视频日本深夜| 极品少妇高潮喷水抽搐| 日韩熟女老妇一区二区性免费视频| 亚洲一卡2卡3卡4卡5卡精品中文| 黄片播放在线免费| 麻豆成人av在线观看| 80岁老熟妇乱子伦牲交| 精品福利永久在线观看| 热99re8久久精品国产| 黄色a级毛片大全视频| 黄色视频在线播放观看不卡| 午夜免费成人在线视频| av有码第一页| 香蕉国产在线看| 精品国产乱子伦一区二区三区| 老司机深夜福利视频在线观看| www.自偷自拍.com| 美女高潮到喷水免费观看| 国产黄频视频在线观看| 色尼玛亚洲综合影院| 国产精品一区二区精品视频观看| 好男人电影高清在线观看| 国产午夜精品久久久久久| 免费观看a级毛片全部| 久久久久精品国产欧美久久久| 水蜜桃什么品种好| 国产精品香港三级国产av潘金莲| 天堂中文最新版在线下载| 午夜福利在线观看吧| 午夜老司机福利片| 中文字幕最新亚洲高清| 久久精品国产综合久久久| 女同久久另类99精品国产91| 国产不卡一卡二| 亚洲久久久国产精品| 大型av网站在线播放| 黄色片一级片一级黄色片| 一级毛片女人18水好多| 成人特级黄色片久久久久久久 | 女同久久另类99精品国产91| 另类亚洲欧美激情| 久久久久久久精品吃奶| 亚洲第一欧美日韩一区二区三区 | 中文字幕制服av| 丰满饥渴人妻一区二区三| 成人av一区二区三区在线看| 久久天堂一区二区三区四区| 中文字幕另类日韩欧美亚洲嫩草| 免费在线观看黄色视频的| 最新美女视频免费是黄的| 岛国在线观看网站| 亚洲第一av免费看| 久久中文字幕人妻熟女| 亚洲国产av新网站| 9191精品国产免费久久| 成人国产一区最新在线观看| 日韩三级视频一区二区三区| 制服诱惑二区| 亚洲精品久久午夜乱码| 激情视频va一区二区三区| 一进一出好大好爽视频| 人成视频在线观看免费观看| 亚洲国产av新网站| 中文字幕高清在线视频| 国产成人欧美| 国产有黄有色有爽视频| 老司机福利观看| 黄色视频在线播放观看不卡| 热99久久久久精品小说推荐| 国产精品成人在线| 黄片播放在线免费| 国产精品久久久久久精品古装| 国产一区二区激情短视频| 亚洲天堂av无毛| 国产精品电影一区二区三区 | 日本撒尿小便嘘嘘汇集6| 色综合婷婷激情| 一个人免费看片子| 国产免费福利视频在线观看| av网站在线播放免费| 欧美精品啪啪一区二区三区| 免费一级毛片在线播放高清视频 | 国产在线精品亚洲第一网站| 国产日韩欧美视频二区| 国产精品免费一区二区三区在线 | 在线十欧美十亚洲十日本专区| 国产伦理片在线播放av一区| av片东京热男人的天堂| 国产日韩欧美视频二区| 国产亚洲精品久久久久5区| 色视频在线一区二区三区| 少妇精品久久久久久久| 久久久国产成人免费| 老熟妇乱子伦视频在线观看| 天天添夜夜摸| 色尼玛亚洲综合影院| 亚洲欧美日韩另类电影网站| 美女高潮喷水抽搐中文字幕| 久久久国产成人免费| 一本综合久久免费| 91成人精品电影| 最近最新中文字幕大全免费视频| 大片电影免费在线观看免费| 777久久人妻少妇嫩草av网站| 热99久久久久精品小说推荐| 桃红色精品国产亚洲av| 人人妻人人添人人爽欧美一区卜| 999久久久精品免费观看国产| 男女床上黄色一级片免费看| 别揉我奶头~嗯~啊~动态视频| 一区二区三区国产精品乱码| 十八禁高潮呻吟视频| 免费观看人在逋| 久久久国产一区二区| 国产精品1区2区在线观看. | 99riav亚洲国产免费| 最近最新中文字幕大全电影3 | 亚洲五月婷婷丁香| 美女福利国产在线| 欧美精品高潮呻吟av久久| 免费人妻精品一区二区三区视频| 91精品国产国语对白视频| 97在线人人人人妻| 国产精品久久久久久人妻精品电影 | 大香蕉久久网| 可以免费在线观看a视频的电影网站| 中文亚洲av片在线观看爽 | 一本色道久久久久久精品综合| 亚洲精品一卡2卡三卡4卡5卡| 亚洲精品美女久久久久99蜜臀| 两人在一起打扑克的视频| 亚洲色图av天堂| 欧美黑人精品巨大| 亚洲五月婷婷丁香| 中文字幕高清在线视频| 精品视频人人做人人爽| 久9热在线精品视频| 超碰成人久久| av视频免费观看在线观看| 国产一区二区在线观看av| av不卡在线播放| 精品视频人人做人人爽| 嫁个100分男人电影在线观看| 99九九在线精品视频| 国产淫语在线视频| 后天国语完整版免费观看| 91九色精品人成在线观看| 午夜福利乱码中文字幕| 国产精品 国内视频| av国产精品久久久久影院| 久久久国产欧美日韩av| 久久久久国内视频| 成人精品一区二区免费| 女人高潮潮喷娇喘18禁视频| 汤姆久久久久久久影院中文字幕| 大片免费播放器 马上看| av视频免费观看在线观看| 日本av免费视频播放| 亚洲av成人一区二区三| 午夜福利欧美成人| a在线观看视频网站| 美女福利国产在线| 亚洲精品久久成人aⅴ小说| 久久久国产成人免费| 久久精品亚洲精品国产色婷小说| 在线观看免费视频网站a站| 制服诱惑二区| 一本综合久久免费| 午夜福利一区二区在线看| 一进一出抽搐动态| 国产精品一区二区精品视频观看| av有码第一页| 国产精品久久电影中文字幕 | 在线永久观看黄色视频| 精品一区二区三区四区五区乱码| 黄色成人免费大全| 视频区欧美日本亚洲| svipshipincom国产片| 999久久久国产精品视频| 亚洲精品中文字幕一二三四区 | 免费在线观看日本一区| 三上悠亚av全集在线观看| 国产亚洲精品久久久久5区| e午夜精品久久久久久久| 亚洲一区中文字幕在线| 人人妻人人爽人人添夜夜欢视频| 热99re8久久精品国产| 黄色成人免费大全| 国产欧美日韩精品亚洲av| 成人三级做爰电影| 蜜桃国产av成人99| 18禁美女被吸乳视频| 日韩大片免费观看网站| 午夜免费成人在线视频| 国产精品秋霞免费鲁丝片| 好男人电影高清在线观看| 欧美日韩视频精品一区| 999精品在线视频| 后天国语完整版免费观看| 动漫黄色视频在线观看| 成人手机av| 建设人人有责人人尽责人人享有的| 久久免费观看电影| 手机成人av网站| 天堂中文最新版在线下载| 中文字幕精品免费在线观看视频| 香蕉丝袜av| 国产在视频线精品| 免费观看人在逋| 搡老熟女国产l中国老女人| 国产精品.久久久| 国产成人免费无遮挡视频| 久久国产精品大桥未久av| 久久99热这里只频精品6学生| 蜜桃在线观看..| 久久青草综合色| www.999成人在线观看| 午夜免费鲁丝| 国产在线视频一区二区| 精品少妇久久久久久888优播| 欧美黑人欧美精品刺激| 淫妇啪啪啪对白视频| www.999成人在线观看| 免费在线观看日本一区| 啦啦啦 在线观看视频| 一级毛片精品| 人人妻人人澡人人爽人人夜夜| 99久久99久久久精品蜜桃| 大陆偷拍与自拍| 超碰成人久久| av网站免费在线观看视频| 少妇 在线观看| 国产精品偷伦视频观看了| 国产成人欧美| 无人区码免费观看不卡 | 国产精品久久久久久人妻精品电影 | 久久久精品区二区三区| 欧美成狂野欧美在线观看| 在线亚洲精品国产二区图片欧美| 午夜老司机福利片| 精品亚洲成a人片在线观看| 久久久久国产一级毛片高清牌| 久久亚洲精品不卡| 国产一区二区 视频在线|