• <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 ?

    基于樣本原生特征的投毒防御方法

    2024-03-21 01:48:02劉梟天郝曉燕陳永樂
    計算機工程與設計 2024年3期
    關鍵詞:鑒別器投毒特征提取

    劉梟天,郝曉燕,馬 垚,于 丹,陳永樂

    (太原理工大學 信息與計算機學院,山西 晉中 030600)

    0 引 言

    目前,投毒防御是對機器學習模型在訓練階段遭受攻擊的主要防御方式,針對數(shù)據(jù)投毒攻擊的通用防御方法主要有兩種,一是Diakonikolas等[1]提出的Sever,該算法使用基礎學習器實現(xiàn)投毒防御;二是Chen等[2]提出的De-Pois,通過比較模型之間的預測差異,實現(xiàn)投毒防御。已有的通用防御方法主要存在的問題如下:①均難以保證數(shù)據(jù)集不被污染,需要在保證數(shù)據(jù)集“干凈”的前提下進行防御;②均難以對未知模型進行防御。

    針對機器學習數(shù)據(jù)集安全方面的問題,考慮對數(shù)據(jù)集中的樣本進行檢測,剔除數(shù)據(jù)集中的惡意樣本,從而保證數(shù)據(jù)集的“干凈”。在數(shù)據(jù)集制作過程中,一些離群點、異常值,即擾動較大的惡意樣本可以通過數(shù)據(jù)清洗等方式剔除出去,但只添加極少擾動的樣本——投毒樣本卻仍存在于數(shù)據(jù)集中。在數(shù)據(jù)投毒攻擊領域,投毒樣本經(jīng)模型訓練后,改變了模型分類邊界,從而降低模型的預測準確率,由于投毒樣本中添加的擾動很小,投毒樣本原有的特征并沒有大幅度改變。受此啟發(fā),將投毒樣本的原生特征與人為特征分離后,提高模型對樣本原生特征的訓練權重,即可實現(xiàn)樣本的正確分類。

    基于此,本文設計一種投毒樣本原生特征的提取方法,采用耦合infoGAN結構實現(xiàn)樣本原生特征與人為特征的分離與提??;構建了一個重構投毒樣本的原生特征的網(wǎng)絡框架,實現(xiàn)對投毒樣本的檢測及對機器學習模型的防御。

    1 相關工作

    機器學習模型的非健壯性促進了投毒防御方法的發(fā)展。根據(jù)防御對象的不同,針對數(shù)據(jù)投毒攻擊的防御方法又可分為針對特定類型攻擊的防御方法和通用投毒防御方法兩大類。

    針對特定類型攻擊的防御方法包括基于標簽翻轉的投毒防御[3,4]、基于Clean-label的投毒防御[5-7]、基于訓練生成模型的投毒防御[8,9]和基于最優(yōu)訓練集的投毒防御[10-13]。這些防御方法都是針對特定類型的數(shù)據(jù)投毒攻擊進行防御,當涉及針對不同學習任務的攻擊時,其防御效果會變差;而現(xiàn)有的通用防御方法主要有Server和De-Pois,Diakonikolas等[1]提出的Sever,該算法在存在離群點及異常值的情況下具有很強的理論魯棒性,但由于該算法難以擬合各種未知DNN模型,因此可能會防御失??;Chen等[2]提出的De-Pois,該算法需要訓練一個模擬模型,通過比較模擬模型和目標模型之間的預測差異,區(qū)分投毒樣本和正常樣本,但由于在構建模擬模型的過程中,很難保證數(shù)據(jù)集不被污染,因此,訓練出來的模擬模型很難保證其預測準確率。到目前為止,在數(shù)據(jù)投毒防御領域,很少有防御效果較好的通用防御策略。

    針對樣本特征分離這一難題,在對抗防御領域,Pouya Samangouei等[14]和Jin等[15]利用GAN模型生成了對抗樣本的近似樣本,該近似樣本滿足干凈樣本特征分布,即提取了對抗樣本的魯棒性特征,從而實現(xiàn)對抗防御。然而這種基于GAN結構的防御方法直接在原始數(shù)據(jù)集上進行樣本特征提取,增加了防御的復雜性和難度,同時存在計算時間長、實現(xiàn)效率低的缺點。

    2 基于樣本原生特征的投毒防御

    由于infoGAN結構可以訓練得到數(shù)據(jù)集中有意義的圖像特征,使模型學習到樣本的可解釋性特征,因此本文采用耦合infoGAN結構實現(xiàn)樣本原生特征與人為特征的分離與提取,生成樣本的防御標簽,構建了機器學習模型的整體防御框架,最后給出投毒樣本特征提取算法及投毒樣本檢測算法,并詳細說明投毒防御方案infoGAN_Defense。

    2.1 樣本的特征表示

    機器學習模型由輸入層、隱藏層及輸出層組成。本文用f(x)表示模型將輸入示例x傳播到倒數(shù)第二層(隱藏層最后一層)時對應的函數(shù),用f(X)表示樣本集X傳播到倒數(shù)第二層時對應的函數(shù)。

    定義1 樣本原生特征及人為特征:樣本原生特征指在模型正確分類時樣本所依賴的特征,人為特征指攻擊者為欺騙模型所精心設計的微小擾動。給定一個樣本集對 ,X代表基類樣本集,X′代表投毒樣本集, 代表樣本集中基類樣本及對應的投毒樣本 (x∈X,x′∈X′)?;悩颖緓的原生特征及人為特征均可用f(x)表示;無論是對基類樣本x添加擾動改變其特征點,還是基類樣本x的標簽遭受攻擊發(fā)生改變,基類樣本x對應的投毒樣本x′的原生特征及人為特征均可分別表示為f(x)和f(x′)。由此可知,投毒樣本的原生特征在經(jīng)模型訓練后均未發(fā)生改變,因此,模型可以通過提取樣本的原生特征,獲取到樣本正確的標簽。

    2.2 基于樣本原生特征的投毒防御框架

    在數(shù)據(jù)投毒攻擊中,樣本特征被修改的投毒樣本利用其人為特征欺騙模型,使得攻擊者攻擊成功;標簽被修改的投毒樣本雖然在輸入空間內的數(shù)據(jù)特征并未發(fā)生改變,但經(jīng)模型訓練后,該樣本在特征空間內的高維特征與其對應的基類樣本的高維特征分別所屬不同的類別,改變了模型訓練集中原有的數(shù)據(jù)分布,從而改變模型的分類邊界,導致模型誤分類,降低了模型的預測準確率。

    因此,本文將問題表述如下:對于機器學習模型來說,模型所依賴的訓練集中數(shù)據(jù)的特征及標簽均有可能受到污染,即當模型遭受攻擊時,模型訓練到的是投毒樣本的人為特征,此時投毒樣本在特征空間內的高維特征會發(fā)生變化,改變模型原來的分類邊界,因此,本文首先設計了一種投毒樣本特征提取算法,使目標模型經(jīng)過訓練后可以關注到投毒樣本的原生特征,從而實現(xiàn)對投毒樣本的正確分類;之后本文設計了投毒樣本檢測器,可以檢測并移除機器學習模型訓練集中的投毒樣本;最后,本文通過得到的樣本正確標簽更新訓練集,重新訓練模型,實現(xiàn)了目標模型對投毒樣本的正確分類,保證了模型在預測階段對樣本的預測準確率。(模型防御框架如圖1所示)。

    圖1 模型防御框架

    基于樣本原生特征的投毒防御主要包括3個步驟:

    (1)分離并提取投毒樣本的原生特征及人為特征。進行投毒防御的第一步是有效分離并提取投毒樣本的原生特征與人為特征,通過訓練,使得模型提高對投毒樣本原生特征的訓練權重,即是模型關注到投毒樣本的原生特征。本文利用鑒別器共享參數(shù)的耦合infoGAN結構實現(xiàn)特征分離及提取。

    (2)投毒樣本檢測算法的設計。由于投毒樣本在模型訓練前后所屬類別會發(fā)生變化,本文在獲取樣本的正確標簽后,通過比較樣本在模型訓練前后的標簽是否發(fā)生變化,實現(xiàn)了投毒樣本的檢測及移除。若標簽發(fā)生改變則為投毒樣本,反之,則為基類樣本。

    (3)實現(xiàn)模型防御。本文將訓練集輸入到機器學習模型中進行訓練,將隱藏層輸出的樣本高維特征作為耦合infoGAN結構的輸入,利用infoGAN結構重構樣本原生特征和人為特征,之后利用模型的softmax層生成樣本正確的防御標簽,最后,模型使用更新標簽后的訓練集重新訓練,生成新的模型,這就是模型的防御機制。

    2.3 投毒樣本特征提取器設計

    實現(xiàn)投毒防御的關鍵在于建立高效的投毒樣本特征提取算法,而使用樣本的高維特征作為耦合infoGAN結構的輸入,不僅可以簡化耦合infoGAN結構分離提取樣本原生特征與人為特征的過程,同時能加快耦合infoGAN結構的收斂速度。為了使模型達到防御多種類型投毒攻擊的目的,本文提出了一種基于生成對抗網(wǎng)絡的投毒樣本特征提取算法,該算法利用耦合infoGAN結構實現(xiàn)樣本原生特征與人為特征的分離與提取。

    本文采用兩個infoGAN模型結構同時進行訓練的方式實現(xiàn)需求,降低了訓練過程的復雜度。同時本文采用infoGAN模型鑒別器共享參數(shù)的方式實現(xiàn)對生成數(shù)據(jù)的判定,這種方式使得當投毒樣本輸入到鑒別器時,可以捕捉到投毒樣本的原生特征,從而提高投毒樣本原生特征提取的準確性。圖2為投毒樣本特征提取器的設計原理,其中,投毒樣本特征提取器由兩個infoGAN模型耦合而成,在樣本高維特征輸入到infoGAN模型中后,生成器A與生成器B分別用于生成樣本的原生特征與人為特征,之后利用鑒別器進行分類并反饋分類結果,生成器得到反饋結果后,繼續(xù)更新infoGAN模型參數(shù),直到infoGAN模型收斂。在投毒樣本提取特征的過程中,一方面,基類樣本集與投毒樣本集分別輸入到兩個infoGAN模型中,保證了樣本原生特征與人為特征提取的獨立性;另一方面,兩個infoGAN模型的鑒別器會通過共享參數(shù)的方式進行更新,從而提高了infoGAN模型對投毒樣本原生特征的關注度。(投毒樣本特征提取器如圖2所示)

    圖2 投毒樣本特征提取器

    本文將模型訓練所得的樣本高維特征輸入到耦合infoGAN模型中,實現(xiàn)投毒樣本的特征提取。算法1給出了投毒樣本特征提取的形式化描述。該算法具體按照以下步驟實現(xiàn)特征提?。?/p>

    (1)首先需要初始化infoGAN模型的參數(shù),并將基類樣本高維特征集F=f(X)與投毒樣本高維特征集F′=f(X′) 分別作為模型A_infoGAN與B_infoGAN的輸入;

    (1)

    (2)

    其中,A_G(·)表示A_infoGAN的生成器函數(shù),B_G(·)表示B_infoGAN的生成器函數(shù);D(·)表示鑒別器對應函數(shù)。

    (3)將生成的樣本原生特征與人為特征分別送至鑒別器A_D與B_D,鑒別器的功能是判斷生成的樣本特征是否為真,即使得A_D輸出A_G(f(x)) 的值為1的概率盡可能低,B_D輸出B_G(f(x′)) 為1的概率盡可能低。本文可將A_D與B_D的損失函數(shù)量化為

    lossA_D=E[logD(f(x))]+E[log(1-D(A_G(f(x))))]-

    λI(c;A_G(f(x),c))

    (3)

    lossB_D=E[logD(f(x′))]+E[log(1-D(B_G(f(x′))))]-

    λI(c;B_G(f(x′),c))

    (4)

    其中,I(·)為正則化約束項,λ為平衡系數(shù),c為附加的隱含編碼。由于我們需要使目標模型在特征空間關注到投毒樣本的原生特征,因此本文采用鑒別器共享參數(shù)的方式進行實現(xiàn),并可將優(yōu)化鑒別器參數(shù)的目標函數(shù)量化為

    (5)

    (4)本文采用交替優(yōu)化的方式訓練infoGAN模型。鑒別器優(yōu)化參數(shù)后,將鑒別結果反饋至生成器;如果鑒別器 A_D鑒別結果為True,則返回1,反之,返回0;鑒別器B_D亦是如此。而生成器A_G與B_G分別根據(jù)得到鑒別結果,基于式(1)、式(2)更新生成器參數(shù),直到模型收斂。

    算法1:投毒樣本特征提取算法

    輸入:基類樣本集X、投毒樣本集X′、基類樣本高維特征集F=f(X)、投毒樣本高維特征F′=f(X′)

    (1)Initialize(A)

    (2)Initialize(B)

    Repeat

    (7)根據(jù)式(5)更新鑒別器參數(shù);

    (8)鑒別器將鑒別結果反饋至生成器;

    (9)生成器基于式(1)、式(2)更新生成器參數(shù),生成新一輪的樣本特征;

    Until 模型收斂

    End

    2.4 投毒防御方案infoGAN_Defense構建

    基于投毒樣本特征提取算法,本文進一步提出了投毒防御方案infoGAN_Defense。由于投毒樣本特征提取器中的A_G可以使模型提高對投毒樣本原生特征的關注度,因此,當我們不明確目標模型的訓練集中是否含有投毒樣本時,可以將目標模型訓練至隱藏層最后一層,并將隱藏層的輸出作為A_G的輸入,凍結A_G的所有參數(shù),重構樣本原生特征并提高其權重,將重構后的樣本數(shù)據(jù)送入目標模型的softmax層進行分類,若樣本標簽發(fā)生改變,則該樣本為投毒樣本;反之,則為基類樣本,這就是投毒樣本的檢測原理,算法2為投毒樣本檢測算法的形式化描述。

    若在檢測出投毒樣本之后對該樣本標簽進行更新,得到標簽正確的訓練集,然后將更新后的訓練集作為目標模型的輸入,重新對目標模型進行訓練,當訓練完成后,模型可以對投毒樣本進行正確分類,實現(xiàn)了模型防御。infoGAN_Defense投毒防御方案的形式化描述如算法3所示。

    算法2:投毒樣本檢測算法

    輸出:投毒樣本集P

    Repeat

    (1)xf←Layer(Tsoftmax)

    (2)if (xflabel_begin≠xflabel_new) then

    (3)do P←P∪xf

    Return 投毒樣本集P

    End

    算法3:infoGAN_Defense投毒防御方案訓練算法

    輸入:樣本集X=Xclean∪Xpoison、目標模型T、投毒樣本特征提取器A_infoG

    輸出:更新參數(shù)后的目標模型T′

    (1)Trainset(T)←X

    (2)獲取目標模型隱藏層輸出Fall

    (3)F′all←A_infoG(Fall)

    Repeat

    (4)x′f←Layer(Tsoftmax(xf))

    (5)if (label(xf)≠label(x′f)) then

    (6) doxflabel≠x′flabel

    Untilxf?F′all

    (7)F″all←update(F″all,X)

    (8)X′←update(X,F″all)

    (9)Trainset(T)←X′

    Return 訓練完成的模型T′

    End

    3 實驗分析

    本文在MNIST數(shù)據(jù)集上進行實驗,實現(xiàn)基于樣本原生特征的投毒防御方案,并與現(xiàn)有典型投毒防御方案進行對比,分析我們提出的投毒防御方案infoGAN_Defense的有效性。

    3.1 實驗設置

    本文選擇Tensorflow框架+MNIST數(shù)據(jù)集進行訓練,評估infoGAN_defense的防御效果,其中,MNIST數(shù)據(jù)集由10個類別手寫數(shù)字的28×28灰度圖像、包含60 000張圖像的訓練數(shù)據(jù)集和10 000張圖像的測試數(shù)據(jù)集組成。本實驗將會采用卷積神經(jīng)網(wǎng)絡模型進行訓練,并評估infoGAN_defense防御效果。

    3.2 防御效果分析

    本文利用直接梯度法制作所需投毒樣本,并將一定比例的投毒樣本注入MNIST數(shù)據(jù)集中,生成新的訓練集,之后利用infoGAN_Defense方案進行防御。

    首先,本文通過將不同比例的投毒樣本注入模型,并分析此時模型的預測準確率變化趨勢,評估投毒樣本的制作有效性。為更準確地說明實驗結果,本文進行多次訓練迭代,并選取不同投毒情況下模型的準確率作為評估依據(jù)。投毒樣本生成有效性評估結果如圖3所示,由圖3可以看出,在模型未使用防御方案前,我們將生成的投毒樣本注入到訓練集中明顯降低了模型的預測準確率,這就表明我們生成的投毒樣本是有效的,成功攻擊了模型;而當我們使用防御方案infoGAN_Defense后,模型的預測準確率未出現(xiàn)明顯下降的趨勢,因此表明,本文所提出的防御方案infoGAN_Defense可以有效提高模型的預測準確率。為了進一步評估防御方案infoGAN_Defense的有效性,我們將infoGAN_Defense與現(xiàn)有的投毒防御方案進行對比,并觀察不同防御方案下模型的預測準確率。

    圖3 投毒樣本生成有效性評估

    從圖3可以看出,隨著投毒率的增加,模型的預測準確率逐漸降低,因此本文選擇模型平均預測準確率所對應注入樣本集的投毒樣本比例進行實驗。為得出infoGAN_Defense的投毒防御效果,本文將15%的投毒樣本注入訓練集中進行訓練,并選取4種針對特定類型攻擊的投毒防御方法與infoGAN_Defense進行防御效果的對比。

    圖4給出了infoGAN_Defense與現(xiàn)有投毒防御方案的模型預測準確率對比結果(infoGAN_Defense防御效果如圖4所示)。由圖4可以看出,在針對基于Clean-label的投毒攻擊進行防御時,infoGAN_Defense達到與Deep-kNN幾乎同樣的防御效果;而針對其余3種投毒攻擊進行防御時,infoGAN_Defense防御效果明顯較好,模型準確率明顯提高;同時,我們比較了infoGAN_Defense與通用投毒防御策略De-Pois的防御效果,可以看出,De-Pois在針對基于訓練生成模型的投毒攻擊進行防御時,防御效果比infoGAN_Defense要差,但比認證防御(certified defense,CD)防御效果好,而infoGAN_Defense均可以有效防御現(xiàn)有的數(shù)據(jù)投毒攻擊,且平均準確率達到90%以上。

    圖4 infoGAN_Defense防御效果

    3.3 算法復雜度對比

    在投毒防御算法設計過程中,除算法有效性外,還需要進行算法復雜度分析?,F(xiàn)有的投毒防御方法均是直接對原始數(shù)據(jù)集進行處理,而本文提出的infoGAN_Defense算法處理的是模型訓練得到的樣本數(shù)據(jù)高維特征,這就大大降低算法的復雜度,加快了樣本特征提取的速度,減少了所需的訓練時間。

    為驗證算法的時間復雜度,本文選用MNIST數(shù)據(jù)集進行實驗,觀察并比較4種針對特定類型攻擊的投毒防御方法與infoGAN_Defense所需要的訓練時間和測試時間。CD、TRIM、De-Pois均需要訓練一個新的模型,因此非常耗時;Deep-kNN和標簽消毒(label sanitization,LS)需要原始數(shù)據(jù)集進行處理,相比之下,infoGAN_Defense只需要重構從模型中提取的樣本高維特征,因此,訓練成本遠小于現(xiàn)有的投毒防御方法。infoGAN_Defense復雜度對比結果如圖5所示,從圖5看出,infoGAN所需的訓練時間最短,測試時間與現(xiàn)有方法所需的測試時間接近,綜合訓練時間與測試時間兩個指標來看,infoGAN_Defense算法時間復雜度最低,效率最高。

    圖5 infoGAN_Defense復雜度對比

    4 結束語

    隨著機器學習在安全關鍵領域的應用,模型的安全性能尤為重要?,F(xiàn)有的通用投毒防御研究可以應對特定類型的投毒攻擊,但難以對未知模型進行擬合,導致防御失敗。本文從樣本特征的角度入手,設計一種投毒樣本原生特征的提取方法,構建一個重構樣本特征的框架,以完成投毒樣本的檢測及模型的防御。在MNIST數(shù)據(jù)集上的防御結果驗證了基于樣本原生特征投毒防御方法的有效性,并且優(yōu)于現(xiàn)有的防御技術。未來,我們將進一步研究樣本特征提取器算法,旨在提高特征提取的精確度,進一步提升機器學習模型的預測準確率。

    猜你喜歡
    鑒別器投毒特征提取
    基于多鑒別器生成對抗網(wǎng)絡的時間序列生成模型
    通信學報(2022年10期)2023-01-09 12:33:40
    食物中毒案
    衛(wèi)星導航信號無模糊抗多徑碼相關參考波形設計技術*
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    Bagging RCSP腦電特征提取算法
    陣列天線DOA跟蹤環(huán)路鑒別器性能分析
    基于MED和循環(huán)域解調的多故障特征提取
    投毒兇手
    把投毒看作“開玩笑”是情感荒漠化表現(xiàn)
    Kaminsky域名系統(tǒng)緩存投毒防御策略研究
    計算機工程(2013年1期)2013-09-29 05:19:50
    亚洲国产欧洲综合997久久,| 亚洲一区高清亚洲精品| 国产伦精品一区二区三区视频9 | 桃色一区二区三区在线观看| 少妇人妻一区二区三区视频| 欧美不卡视频在线免费观看| 在线国产一区二区在线| 日本撒尿小便嘘嘘汇集6| 女警被强在线播放| 成年人黄色毛片网站| 一个人免费在线观看电影 | 免费观看精品视频网站| 男插女下体视频免费在线播放| 精品国产三级普通话版| 国产av在哪里看| 精品人妻1区二区| 日韩欧美 国产精品| 久久精品国产综合久久久| 人妻久久中文字幕网| 天天躁日日操中文字幕| 天堂√8在线中文| 女人高潮潮喷娇喘18禁视频| 成人永久免费在线观看视频| 黄色丝袜av网址大全| 非洲黑人性xxxx精品又粗又长| 国产黄色小视频在线观看| 99精品欧美一区二区三区四区| 神马国产精品三级电影在线观看| 国语自产精品视频在线第100页| 中文字幕av在线有码专区| 18禁黄网站禁片午夜丰满| 一夜夜www| 日韩欧美三级三区| av天堂在线播放| av天堂中文字幕网| 99国产精品99久久久久| 色综合欧美亚洲国产小说| 99riav亚洲国产免费| 午夜福利免费观看在线| 久久亚洲精品不卡| 亚洲中文字幕一区二区三区有码在线看 | 午夜福利视频1000在线观看| 丝袜人妻中文字幕| 婷婷六月久久综合丁香| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲一区二区三区色噜噜| 日本黄大片高清| 日韩欧美 国产精品| 三级国产精品欧美在线观看 | 美女午夜性视频免费| 亚洲成人精品中文字幕电影| 人人妻人人澡欧美一区二区| 国产精品99久久99久久久不卡| 国产久久久一区二区三区| 国产精品美女特级片免费视频播放器 | 高清毛片免费观看视频网站| 毛片女人毛片| 性色av乱码一区二区三区2| 婷婷六月久久综合丁香| 午夜福利高清视频| 曰老女人黄片| 欧美不卡视频在线免费观看| 国语自产精品视频在线第100页| 亚洲专区国产一区二区| 国产伦在线观看视频一区| 韩国av一区二区三区四区| 波多野结衣巨乳人妻| 亚洲欧美日韩高清在线视频| 男女那种视频在线观看| 精品久久久久久久久久免费视频| www.精华液| 非洲黑人性xxxx精品又粗又长| 国产成人一区二区三区免费视频网站| 最近最新中文字幕大全免费视频| 亚洲美女视频黄频| 欧美又色又爽又黄视频| 国产乱人视频| 2021天堂中文幕一二区在线观| 国产午夜精品论理片| 精品久久久久久久久久免费视频| 日本三级黄在线观看| 91麻豆av在线| 两人在一起打扑克的视频| 精品一区二区三区视频在线 | 日韩 欧美 亚洲 中文字幕| 成人av一区二区三区在线看| 欧美日韩国产亚洲二区| 一级毛片女人18水好多| 亚洲av电影不卡..在线观看| 国产视频内射| 亚洲精品久久国产高清桃花| 中亚洲国语对白在线视频| 午夜福利视频1000在线观看| 日本a在线网址| 国产黄a三级三级三级人| 欧美日本亚洲视频在线播放| 国产男靠女视频免费网站| 亚洲在线自拍视频| 高清在线国产一区| aaaaa片日本免费| 国产成人av教育| 欧美成人免费av一区二区三区| 亚洲男人的天堂狠狠| 欧美黄色淫秽网站| 久久九九热精品免费| 国产成年人精品一区二区| 亚洲自拍偷在线| 91av网一区二区| 国产欧美日韩一区二区三| 91麻豆精品激情在线观看国产| 久久久久久九九精品二区国产| 日韩中文字幕欧美一区二区| 成人高潮视频无遮挡免费网站| 中文字幕av在线有码专区| 亚洲国产日韩欧美精品在线观看 | 中文字幕最新亚洲高清| 欧美中文综合在线视频| 国内精品久久久久久久电影| 美女cb高潮喷水在线观看 | netflix在线观看网站| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品98久久久久久宅男小说| 不卡av一区二区三区| 中文字幕最新亚洲高清| 亚洲人成网站高清观看| 国产 一区 欧美 日韩| 一级毛片精品| 欧美高清成人免费视频www| 人妻丰满熟妇av一区二区三区| 国产精品久久电影中文字幕| 校园春色视频在线观看| 色av中文字幕| 老司机福利观看| 国产日本99.免费观看| 女警被强在线播放| 欧美3d第一页| 国产成人欧美在线观看| 亚洲成av人片免费观看| 日本一二三区视频观看| 黄片大片在线免费观看| 99riav亚洲国产免费| 在线观看午夜福利视频| 亚洲精华国产精华精| 一个人观看的视频www高清免费观看 | 婷婷六月久久综合丁香| 国产精品av视频在线免费观看| 亚洲成人中文字幕在线播放| 国产精品久久久av美女十八| 色在线成人网| 啦啦啦免费观看视频1| www日本黄色视频网| 亚洲国产看品久久| 啦啦啦免费观看视频1| 国产不卡一卡二| 最新中文字幕久久久久 | 国产精品自产拍在线观看55亚洲| 国产精品爽爽va在线观看网站| 欧美日韩乱码在线| 免费观看人在逋| 18禁美女被吸乳视频| 中国美女看黄片| 精品一区二区三区四区五区乱码| aaaaa片日本免费| 中出人妻视频一区二区| 国产激情久久老熟女| 国产激情久久老熟女| 国产综合懂色| 窝窝影院91人妻| 精品福利观看| 亚洲 国产 在线| 国产私拍福利视频在线观看| 国产精品久久久人人做人人爽| 久久精品影院6| 成人午夜高清在线视频| 精品欧美国产一区二区三| 欧美色欧美亚洲另类二区| 在线免费观看不下载黄p国产 | 日日干狠狠操夜夜爽| 麻豆国产av国片精品| 少妇的丰满在线观看| 国产成人av激情在线播放| 淫妇啪啪啪对白视频| 国内精品久久久久精免费| 中文字幕av在线有码专区| 好看av亚洲va欧美ⅴa在| 在线观看66精品国产| 99国产极品粉嫩在线观看| 热99在线观看视频| 国产精品日韩av在线免费观看| 久久中文字幕一级| 亚洲国产精品成人综合色| 18禁黄网站禁片午夜丰满| 美女高潮的动态| 免费在线观看影片大全网站| 久久久国产欧美日韩av| 国产精品九九99| 亚洲精华国产精华精| 后天国语完整版免费观看| 熟女人妻精品中文字幕| 99久久国产精品久久久| 成人三级做爰电影| 淫妇啪啪啪对白视频| 老司机在亚洲福利影院| 久久久久亚洲av毛片大全| 欧美一区二区精品小视频在线| 久久久久久九九精品二区国产| 亚洲成人精品中文字幕电影| 91麻豆精品激情在线观看国产| 国产午夜精品久久久久久| 国产精品av久久久久免费| 最近最新免费中文字幕在线| 国产精华一区二区三区| 亚洲欧美日韩高清专用| 免费观看的影片在线观看| 老司机午夜十八禁免费视频| 很黄的视频免费| 狂野欧美白嫩少妇大欣赏| 国产成人欧美在线观看| 丰满人妻熟妇乱又伦精品不卡| 欧美一级a爱片免费观看看| 少妇的逼水好多| 天天一区二区日本电影三级| 黄色成人免费大全| 我的老师免费观看完整版| 人人妻,人人澡人人爽秒播| 亚洲国产看品久久| 国产成年人精品一区二区| 噜噜噜噜噜久久久久久91| 亚洲国产精品成人综合色| 久久性视频一级片| x7x7x7水蜜桃| www.精华液| 窝窝影院91人妻| 在线十欧美十亚洲十日本专区| 国产精品98久久久久久宅男小说| 精品电影一区二区在线| 国产一区二区在线观看日韩 | 少妇熟女aⅴ在线视频| 久久久久亚洲av毛片大全| 免费看a级黄色片| 国产主播在线观看一区二区| 欧美日韩中文字幕国产精品一区二区三区| 亚洲国产欧美一区二区综合| 又爽又黄无遮挡网站| 国产精品野战在线观看| 成年版毛片免费区| 又粗又爽又猛毛片免费看| 中文字幕人妻丝袜一区二区| 久久久久国内视频| 法律面前人人平等表现在哪些方面| 看片在线看免费视频| 久久久久免费精品人妻一区二区| 国产黄片美女视频| 成人国产一区最新在线观看| 在线永久观看黄色视频| 51午夜福利影视在线观看| 无人区码免费观看不卡| 可以在线观看毛片的网站| 欧美日韩黄片免| 亚洲精品在线美女| 免费看a级黄色片| 长腿黑丝高跟| or卡值多少钱| 免费看十八禁软件| 美女扒开内裤让男人捅视频| 国产亚洲精品一区二区www| 男人舔女人的私密视频| 亚洲熟妇中文字幕五十中出| 亚洲黑人精品在线| 精品熟女少妇八av免费久了| 国产综合懂色| 亚洲一区二区三区色噜噜| 久久久水蜜桃国产精品网| 操出白浆在线播放| 中文字幕最新亚洲高清| 手机成人av网站| 国产99白浆流出| 亚洲美女视频黄频| 日日干狠狠操夜夜爽| 欧美一级毛片孕妇| 两性午夜刺激爽爽歪歪视频在线观看| av中文乱码字幕在线| 18禁国产床啪视频网站| 成人特级av手机在线观看| 久久久精品欧美日韩精品| 久99久视频精品免费| 国产精品电影一区二区三区| 不卡一级毛片| 亚洲av成人av| а√天堂www在线а√下载| 成人av在线播放网站| 精品久久久久久成人av| 黑人操中国人逼视频| 悠悠久久av| 色吧在线观看| 母亲3免费完整高清在线观看| 久久久久性生活片| 国内精品久久久久精免费| 老汉色∧v一级毛片| 久久中文看片网| 亚洲av第一区精品v没综合| 一本一本综合久久| 午夜成年电影在线免费观看| 中文字幕高清在线视频| 麻豆成人av在线观看| 美女免费视频网站| 九九热线精品视视频播放| 日本成人三级电影网站| 村上凉子中文字幕在线| 19禁男女啪啪无遮挡网站| 久久久久国内视频| 精品日产1卡2卡| 99久久99久久久精品蜜桃| 国产一区二区三区视频了| 国产精品香港三级国产av潘金莲| a级毛片a级免费在线| 香蕉国产在线看| www.熟女人妻精品国产| 99国产精品一区二区三区| 国产三级中文精品| 久久精品影院6| 欧美成狂野欧美在线观看| 国内久久婷婷六月综合欲色啪| 亚洲色图av天堂| 国产又色又爽无遮挡免费看| 18禁美女被吸乳视频| 国产精品久久电影中文字幕| 国产激情偷乱视频一区二区| 又黄又爽又免费观看的视频| 国产av在哪里看| www.999成人在线观看| 国产亚洲精品久久久com| 人妻丰满熟妇av一区二区三区| 久久久久久九九精品二区国产| 国产高清视频在线观看网站| 亚洲黑人精品在线| 亚洲国产中文字幕在线视频| 天天一区二区日本电影三级| 最新中文字幕久久久久 | 日韩高清综合在线| 色av中文字幕| 亚洲无线观看免费| 亚洲精品在线观看二区| 国产精品日韩av在线免费观看| 国产成人av教育| 亚洲无线观看免费| 国产一区在线观看成人免费| 俄罗斯特黄特色一大片| 无人区码免费观看不卡| 看黄色毛片网站| 亚洲专区中文字幕在线| 1024香蕉在线观看| 国内毛片毛片毛片毛片毛片| 一进一出抽搐动态| 国产亚洲精品av在线| 丁香欧美五月| 免费搜索国产男女视频| 成人鲁丝片一二三区免费| 91在线观看av| 国产精品香港三级国产av潘金莲| 男插女下体视频免费在线播放| 精品国产乱子伦一区二区三区| 国产乱人视频| 亚洲性夜色夜夜综合| 亚洲av电影不卡..在线观看| av在线蜜桃| 99国产综合亚洲精品| 一卡2卡三卡四卡精品乱码亚洲| 精品福利观看| 黄色女人牲交| a级毛片在线看网站| 最新在线观看一区二区三区| 激情在线观看视频在线高清| 18禁国产床啪视频网站| 久9热在线精品视频| 久久久久免费精品人妻一区二区| 国产精品久久久av美女十八| 欧美性猛交╳xxx乱大交人| e午夜精品久久久久久久| 成人永久免费在线观看视频| 美女午夜性视频免费| 麻豆av在线久日| 最近最新中文字幕大全电影3| 麻豆久久精品国产亚洲av| 成年女人永久免费观看视频| av女优亚洲男人天堂 | 一二三四社区在线视频社区8| 可以在线观看的亚洲视频| 成人国产综合亚洲| 亚洲精品色激情综合| 欧美色欧美亚洲另类二区| 香蕉久久夜色| 亚洲国产精品sss在线观看| 日本a在线网址| 99热这里只有精品一区 | 国产精品久久久人人做人人爽| 真人一进一出gif抽搐免费| 99精品在免费线老司机午夜| 久久久久亚洲av毛片大全| 国产精品自产拍在线观看55亚洲| 97超级碰碰碰精品色视频在线观看| 搡老熟女国产l中国老女人| 国产精品久久久av美女十八| 亚洲aⅴ乱码一区二区在线播放| 国产激情久久老熟女| 小说图片视频综合网站| 亚洲精品色激情综合| 欧美日韩福利视频一区二区| 99久久99久久久精品蜜桃| 日韩欧美精品v在线| 色播亚洲综合网| 最新美女视频免费是黄的| 人妻夜夜爽99麻豆av| 亚洲av日韩精品久久久久久密| e午夜精品久久久久久久| 欧美精品啪啪一区二区三区| 国产蜜桃级精品一区二区三区| 给我免费播放毛片高清在线观看| 淫妇啪啪啪对白视频| 97碰自拍视频| 亚洲欧美一区二区三区黑人| 色尼玛亚洲综合影院| 三级国产精品欧美在线观看 | 国产成人av激情在线播放| 日韩免费av在线播放| 两个人视频免费观看高清| 久久久久久久久免费视频了| 日韩成人在线观看一区二区三区| 中亚洲国语对白在线视频| 99国产精品99久久久久| 在线观看一区二区三区| 嫁个100分男人电影在线观看| 99热6这里只有精品| 少妇的丰满在线观看| 国产毛片a区久久久久| 国产成年人精品一区二区| 欧美中文日本在线观看视频| 亚洲av片天天在线观看| 美女大奶头视频| 一本久久中文字幕| 国产激情久久老熟女| 九九在线视频观看精品| 久久精品综合一区二区三区| 欧美极品一区二区三区四区| 欧美三级亚洲精品| 国产精品爽爽va在线观看网站| www.熟女人妻精品国产| 嫩草影视91久久| 麻豆av在线久日| 韩国av一区二区三区四区| 亚洲av美国av| 欧美极品一区二区三区四区| 精品电影一区二区在线| 国产高清有码在线观看视频| 亚洲人成网站高清观看| 无遮挡黄片免费观看| 国产欧美日韩一区二区精品| 在线十欧美十亚洲十日本专区| 男女床上黄色一级片免费看| 久久久久性生活片| 亚洲熟女毛片儿| 欧美成人性av电影在线观看| 啦啦啦韩国在线观看视频| 男女做爰动态图高潮gif福利片| 免费在线观看亚洲国产| 亚洲精品一卡2卡三卡4卡5卡| 亚洲精品粉嫩美女一区| 亚洲精品456在线播放app | 精品福利观看| 亚洲狠狠婷婷综合久久图片| 淫妇啪啪啪对白视频| 亚洲美女黄片视频| 日本一二三区视频观看| 亚洲无线观看免费| 国产成年人精品一区二区| 少妇的丰满在线观看| 人妻夜夜爽99麻豆av| 亚洲黑人精品在线| 日韩欧美在线乱码| 黄片小视频在线播放| 亚洲精品456在线播放app | 免费无遮挡裸体视频| 久久中文字幕人妻熟女| 啦啦啦观看免费观看视频高清| 男女午夜视频在线观看| 免费人成视频x8x8入口观看| 可以在线观看毛片的网站| 国内揄拍国产精品人妻在线| 精品熟女少妇八av免费久了| 激情在线观看视频在线高清| 国产三级黄色录像| 色尼玛亚洲综合影院| 人人妻,人人澡人人爽秒播| 又大又爽又粗| 一本综合久久免费| 十八禁网站免费在线| 精品99又大又爽又粗少妇毛片 | 人妻夜夜爽99麻豆av| 69av精品久久久久久| 小蜜桃在线观看免费完整版高清| 日韩欧美精品v在线| 久久久色成人| 老熟妇乱子伦视频在线观看| 久久久精品欧美日韩精品| 国产探花在线观看一区二区| 国产私拍福利视频在线观看| 午夜福利成人在线免费观看| 日韩欧美精品v在线| 午夜精品在线福利| 国产伦一二天堂av在线观看| 久久天堂一区二区三区四区| 国产精品亚洲av一区麻豆| 国产午夜福利久久久久久| 在线观看午夜福利视频| 国产精品国产高清国产av| 香蕉丝袜av| 看黄色毛片网站| 久久精品影院6| 日韩欧美在线二视频| 国产精品久久久久久亚洲av鲁大| 给我免费播放毛片高清在线观看| 黄色成人免费大全| 欧美zozozo另类| 亚洲va日本ⅴa欧美va伊人久久| 亚洲狠狠婷婷综合久久图片| 国内精品久久久久精免费| 99久久精品热视频| 国产激情久久老熟女| 国产三级在线视频| 日本撒尿小便嘘嘘汇集6| 久久精品91蜜桃| 亚洲国产精品成人综合色| 91九色精品人成在线观看| 日韩欧美三级三区| 亚洲av电影不卡..在线观看| 国产av在哪里看| 热99re8久久精品国产| 久久久久久九九精品二区国产| 国产亚洲av嫩草精品影院| 国产精品98久久久久久宅男小说| 国产高清有码在线观看视频| 欧美绝顶高潮抽搐喷水| 一个人免费在线观看的高清视频| 久久久精品大字幕| 午夜福利欧美成人| 欧美黄色淫秽网站| 最好的美女福利视频网| 99热6这里只有精品| 精品电影一区二区在线| 日韩有码中文字幕| 悠悠久久av| 精品一区二区三区视频在线 | 免费无遮挡裸体视频| 男女视频在线观看网站免费| 国产精品国产高清国产av| 91av网站免费观看| 国产亚洲精品av在线| 亚洲精品粉嫩美女一区| 啦啦啦观看免费观看视频高清| 天堂动漫精品| 啦啦啦韩国在线观看视频| www.999成人在线观看| 天堂影院成人在线观看| 亚洲国产看品久久| 久久久国产成人精品二区| 97人妻精品一区二区三区麻豆| 国产69精品久久久久777片 | 狂野欧美白嫩少妇大欣赏| 欧美又色又爽又黄视频| 97超级碰碰碰精品色视频在线观看| 嫩草影视91久久| 精品一区二区三区四区五区乱码| 欧美日韩黄片免| 俺也久久电影网| 黄色日韩在线| 一个人观看的视频www高清免费观看 | 99热精品在线国产| 亚洲中文av在线| 成人精品一区二区免费| 琪琪午夜伦伦电影理论片6080| 亚洲欧美日韩高清在线视频| 国产精品日韩av在线免费观看| 国内精品久久久久精免费| 哪里可以看免费的av片| 可以在线观看毛片的网站| 国产精品九九99| 亚洲av片天天在线观看| 黄色视频,在线免费观看| 久久久久免费精品人妻一区二区| 偷拍熟女少妇极品色| 亚洲自偷自拍图片 自拍| 国产黄色小视频在线观看| www日本在线高清视频| 岛国在线免费视频观看| 婷婷亚洲欧美| 中亚洲国语对白在线视频| 国产免费男女视频| 麻豆国产97在线/欧美| 成人欧美大片| 亚洲国产欧美人成| 国产aⅴ精品一区二区三区波| 久久国产乱子伦精品免费另类| 性欧美人与动物交配| 美女大奶头视频| 欧美日韩亚洲国产一区二区在线观看| av国产免费在线观看| 中出人妻视频一区二区| 国产一区二区在线观看日韩 | 一个人免费在线观看的高清视频| 久久久久久久久中文| 国产精品精品国产色婷婷| 无限看片的www在线观看| 91在线精品国自产拍蜜月 | 国产精品亚洲美女久久久| 午夜亚洲福利在线播放|