• <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 ?

    基于雙流融合網(wǎng)絡(luò)的惡意軟件動(dòng)態(tài)行為檢測(cè)

    2024-12-31 00:00:00王玉勝毛子恒
    現(xiàn)代信息科技 2024年8期
    關(guān)鍵詞:深度學(xué)習(xí)

    摘 要:針對(duì)傳統(tǒng)靜態(tài)分析方法很難捕捉到惡意軟件復(fù)雜多變的動(dòng)態(tài)行為問(wèn)題,實(shí)驗(yàn)基于動(dòng)態(tài)特征分析技術(shù),通過(guò)研究八種常見(jiàn)惡意軟件的WindowsAPI調(diào)用序列,發(fā)現(xiàn)了API調(diào)用序列的前后順序和調(diào)用頻率會(huì)直接反映惡意軟件的惡意行為,實(shí)驗(yàn)使用TF-IDF技術(shù)將API調(diào)用序列向量化,設(shè)計(jì)基于CNN-BiLSTM雙流融合網(wǎng)絡(luò)的深度學(xué)習(xí)模型對(duì)這種API調(diào)用的前后依賴關(guān)系進(jìn)行建模,實(shí)現(xiàn)對(duì)常見(jiàn)惡意軟件的動(dòng)態(tài)檢測(cè)。實(shí)驗(yàn)結(jié)果表明,該模型的測(cè)試準(zhǔn)確率達(dá)到了95.99%,優(yōu)于RF、SVM、LSTM、BiLSTM和CNN-LSTM模型,為惡意軟件的檢測(cè)提供了借鑒參考。

    關(guān)鍵詞:API調(diào)用序列;動(dòng)態(tài)檢測(cè);深度學(xué)習(xí);特征表示

    中圖分類號(hào):TP311.5;TP309 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):2096-4706(2024)08-0177-06

    DOI:10.19850/j.cnki.2096-4706.2024.08.038

    0 引 言

    隨著互聯(lián)網(wǎng)和計(jì)算機(jī)設(shè)備的普及,網(wǎng)絡(luò)安全越來(lái)越受到人們的重視和關(guān)注。根據(jù)國(guó)家互聯(lián)網(wǎng)應(yīng)急中心發(fā)布的網(wǎng)絡(luò)安全報(bào)告[1],2021年上半年我國(guó)境內(nèi)感染計(jì)算機(jī)惡意程序的主機(jī)數(shù)量約446萬(wàn)臺(tái),同比增長(zhǎng)46.8%,位于境外的約4.9萬(wàn)臺(tái)計(jì)算機(jī)惡意程序控制服務(wù)器控制我國(guó)境內(nèi)約410萬(wàn)臺(tái)主機(jī),給國(guó)家、社會(huì)及個(gè)人帶來(lái)了巨大的財(cái)產(chǎn)損失。因此,如何快速準(zhǔn)確地檢測(cè)和識(shí)別惡意軟件成為網(wǎng)絡(luò)安全領(lǐng)域的一個(gè)關(guān)鍵任務(wù)。

    目前,靜態(tài)檢測(cè)和動(dòng)態(tài)檢測(cè)是進(jìn)行惡意軟件特征分析的兩種主流方法[2]。靜態(tài)檢測(cè)是指通過(guò)對(duì)惡意軟件代碼進(jìn)行靜態(tài)分析,即在不運(yùn)行程序的情況下從代碼層面提取靜態(tài)特征進(jìn)行惡意軟件的識(shí)別和檢測(cè)。動(dòng)態(tài)檢測(cè)是指通過(guò)運(yùn)行惡意軟件實(shí)時(shí)監(jiān)測(cè)程序的運(yùn)行狀態(tài)和行為,再通過(guò)提取動(dòng)態(tài)特征來(lái)檢測(cè)惡意軟件的惡意行為。

    近年來(lái),基于動(dòng)態(tài)行為分析的惡意軟件識(shí)別逐漸成為發(fā)展趨勢(shì),其主要思想是通過(guò)監(jiān)測(cè)和分析惡意軟件在運(yùn)行時(shí)所調(diào)用的系統(tǒng)API接口,提取相應(yīng)的動(dòng)態(tài)特征并利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法對(duì)惡意軟件進(jìn)行分類和檢測(cè)。相比于傳統(tǒng)基于簽名匹配和啟發(fā)式規(guī)則的檢測(cè)方法,該技術(shù)具有不依賴于病毒庫(kù)、可檢測(cè)未知攻擊、難以被繞過(guò)等優(yōu)勢(shì),可以有效提高惡意軟件檢測(cè)的準(zhǔn)確率[3]。

    針對(duì)上述問(wèn)題,本文通過(guò)使用在沙箱中運(yùn)行軟件提取出的WindowsAPI調(diào)用序列,將API調(diào)用序列用TF-IDF(Term Frequency–Inverse Document Frequency)詞向量表示模型轉(zhuǎn)化為高維向量,最后使用CNN-BiLSTM雙流融合網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行詞向量訓(xùn)練,從而實(shí)現(xiàn)識(shí)別惡意軟件的目的。本文的核心內(nèi)容如下:

    1)根據(jù)惡意軟件在API調(diào)用序列的前后順序和調(diào)用頻率中存在的特定依賴關(guān)系,提出一種使用雙流融合網(wǎng)絡(luò)模型(CNN-BiLSTM)對(duì)惡意軟件進(jìn)行分類的方法,將惡意軟件檢測(cè)建模為文本分類問(wèn)題,通過(guò)實(shí)驗(yàn)驗(yàn)證了模型的準(zhǔn)確性。

    2)通過(guò)實(shí)驗(yàn)對(duì)比了基于API調(diào)用頻率和TF-IDF詞向量這兩種表征方法的分類性能,實(shí)驗(yàn)結(jié)果表明采用TF-IDF詞向量的API序列表征方法具有更好的分類性能。

    1 相關(guān)工作

    現(xiàn)如今,基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的惡意軟件檢測(cè)逐漸成為主流方法。其主要過(guò)程如圖1所示,首先對(duì)惡意軟件和良性軟件進(jìn)行靜態(tài)或動(dòng)態(tài)分析,然后選擇合適的表征方法將特征向量化,通過(guò)訓(xùn)練分類模型檢測(cè)惡意軟件。

    1.1 靜態(tài)檢測(cè)

    對(duì)于通過(guò)靜態(tài)特征分析檢測(cè)惡意軟件而言,大多數(shù)的研究是從可執(zhí)行文件中提取出惡意軟件的靜態(tài)特征,例如API調(diào)用序列、操作碼序列和字節(jié)序列。Ye等人[4]開(kāi)發(fā)了基于可解釋性字符串的惡意軟件檢測(cè)系統(tǒng),可解釋的字符串包含應(yīng)用API調(diào)用序列和反映攻擊者意圖和目標(biāo)的重要語(yǔ)義字符串,可通過(guò)使用集成學(xué)習(xí)Bagging對(duì)文件樣本進(jìn)行分類并預(yù)測(cè)惡意軟件的確切類型。Ding等人[5]將惡意軟件表示為操作碼序列并使用DBN模型進(jìn)行檢測(cè),與其他常用分類算法SVM、KNN、DT相比,DBN的性能最好。Ding等人[6]提出一種用于提取可執(zhí)行文件中操作碼行為特征的基于控制流的方法,通過(guò)該方法提取的行為能夠完整地表征可執(zhí)行文件的行為特征,實(shí)驗(yàn)結(jié)果表明,所提出的基于控制流的方法具有更高的準(zhǔn)確率和更低的誤報(bào)率。Raff等人[7]使用惡意軟件完整的字節(jié)序列作為特征,通過(guò)詞嵌入技術(shù)將字節(jié)序列表示為固定長(zhǎng)度的向量作為卷積神經(jīng)網(wǎng)絡(luò)的輸入來(lái)進(jìn)行惡意軟件的檢測(cè)。Saxe等人[8]使用PE文件信息、可閱讀字符串和字節(jié)序列作為特征,并使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行惡意軟件分類。Santos等人[9]將操作序列碼出現(xiàn)的頻率用作特征來(lái)對(duì)惡意軟件進(jìn)行檢測(cè)和分類。Kumar等人[10]使用PE文件頭中各個(gè)字段的原始值和派生值作為集成特征建立一個(gè)基于特征的集成模型,實(shí)驗(yàn)表明使用集成特征集的模型分類性能明顯優(yōu)于使用原始特征集的模型分類性能。Jeon等人[11]使用從二進(jìn)制文件中提取的操作碼序列作為特征,通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行惡意軟件的識(shí)別與檢測(cè),實(shí)驗(yàn)表明該模型的檢測(cè)精度達(dá)到了96%。

    隨著惡意軟件技術(shù)的不斷改進(jìn),惡意軟件開(kāi)發(fā)者通過(guò)使用各種技術(shù)來(lái)混淆和加密其代碼,以此逃避靜態(tài)檢測(cè),所以說(shuō)靜態(tài)檢測(cè)方法在惡意軟件檢測(cè)上存在一定的局限性。

    1.2 動(dòng)態(tài)檢測(cè)

    對(duì)于通過(guò)動(dòng)態(tài)特征分析檢測(cè)惡意軟件而言,很多研究是將惡意軟件放在沙箱中運(yùn)行的,基于沙箱動(dòng)態(tài)來(lái)分析惡意軟件的行為特征。Huang等人[12]提出一種新的多任務(wù)前饋神經(jīng)網(wǎng)絡(luò),使用API調(diào)用序列作為特征用于惡意軟件的分類任務(wù),該系統(tǒng)接受了450萬(wàn)個(gè)文件的訓(xùn)練,并在200萬(wàn)個(gè)文件的保留測(cè)試集上進(jìn)行了測(cè)試,實(shí)現(xiàn)了0.358%的錯(cuò)誤率。Qiao等人[13]使用Cuckoo沙箱來(lái)捕獲惡意軟件在Windows系統(tǒng)中的API調(diào)用序列,引入了基于API調(diào)用序列頻繁項(xiàng)集的惡意軟件二進(jìn)制文件聚類方法。在大型惡意軟件數(shù)據(jù)集上的實(shí)驗(yàn)表明,僅使用API調(diào)用序列的頻繁項(xiàng)集就可以在顯著減少計(jì)算時(shí)間的同時(shí)達(dá)到較高的惡意軟件聚類精度。Tian等人[14]使用一個(gè)在虛擬環(huán)境中運(yùn)行的自動(dòng)化工具從可執(zhí)行文件中提取API調(diào)用序列,然后應(yīng)用模式識(shí)別算法和統(tǒng)計(jì)方法對(duì)惡意軟件進(jìn)行分類,在由1 368個(gè)惡意軟件和456個(gè)良性軟件構(gòu)成的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),分類準(zhǔn)確率超過(guò)97%。Liu等人[15]使用從cuckoo沙箱中提取出的惡意軟件API調(diào)用序列作為特征,并構(gòu)建BiLSTM模型進(jìn)行惡意軟件分類,實(shí)現(xiàn)了97.85%的準(zhǔn)確率。Catak等人[16]通過(guò)在隔離的沙箱環(huán)境中運(yùn)行分析惡意軟件并記錄API調(diào)用序列,使用文本分類中常用的LSTM算法將惡意軟件建模為文本分類問(wèn)題,模型的檢測(cè)準(zhǔn)確率高達(dá)95%。Li等人[17]使用API調(diào)用序列構(gòu)建基于馬爾科夫鏈的有序循環(huán)圖,然后使用圖卷積神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)惡意軟件,實(shí)驗(yàn)表明,該方法在大多數(shù)檢測(cè)中具有較好的性能,準(zhǔn)確率高達(dá)98.32%。

    可以看出,與靜態(tài)檢測(cè)相比,動(dòng)態(tài)檢測(cè)方法是直接提取惡意軟件行為特征進(jìn)行分析,不存在代碼混淆和加密的問(wèn)題,更有利于辨別惡意軟件的惡意行為。

    2 基于動(dòng)態(tài)行為的惡意軟件檢測(cè)

    在惡意軟件的惡意性識(shí)別中深度學(xué)習(xí)技術(shù)表現(xiàn)出良好的效果?;谝延形谋痉诸惸P偷膮⒖迹緦?shí)驗(yàn)通過(guò)分析惡意軟件在沙箱中運(yùn)行時(shí)產(chǎn)生的API調(diào)用序列,發(fā)現(xiàn)了API調(diào)用序列的前后順序和調(diào)用頻率會(huì)直接反映惡意軟件的惡意行為,因此基于CNN-BiLSTM雙流融合網(wǎng)絡(luò)模型對(duì)API調(diào)用序列的這種前后依賴關(guān)系進(jìn)行建模,此模型既可以考慮到API調(diào)用概率的局部依賴關(guān)系,又可以考慮到API調(diào)用概率的長(zhǎng)期依賴關(guān)系,通過(guò)分析惡意軟件的API調(diào)用行為來(lái)進(jìn)行惡意軟件的識(shí)別。經(jīng)過(guò)對(duì)數(shù)據(jù)集的統(tǒng)計(jì),所有軟件共使用298種系統(tǒng)API調(diào)用函數(shù),如圖2所示,實(shí)驗(yàn)采用TF-IDF算法將API調(diào)用序列映射為一個(gè)固定長(zhǎng)度的向量,首先計(jì)算出原始API調(diào)用序列的字典,然后根據(jù)字典計(jì)算出每條API調(diào)用序列的詞頻向量,再根據(jù)詞頻向量計(jì)算出相應(yīng)位置的TF-IDF值,這樣就得到了最終的TF-IDF向量。

    如圖3所示為實(shí)驗(yàn)的具體流程,API調(diào)用序列在經(jīng)過(guò)TF-IDF向量化后會(huì)形成一個(gè)298維的向量作為卷積層的輸入,首先經(jīng)過(guò)卷積層對(duì)API調(diào)用序列的局部依賴關(guān)系進(jìn)行提取,然后再經(jīng)過(guò)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層對(duì)API調(diào)用序列的長(zhǎng)期依賴關(guān)系進(jìn)行提取,最后經(jīng)過(guò)全連接層的映射形成最終的預(yù)測(cè)結(jié)果。此外,還選擇了五種模型作為對(duì)比模型,并比較了不同模型組合對(duì)分類結(jié)果的影響。這五種模型為隨機(jī)森林(RF)、支持向量機(jī)(SVM)、LSTM、BiLSTM和CNN-LSTM。

    分別對(duì)模型中用到的網(wǎng)絡(luò)層結(jié)構(gòu)進(jìn)行介紹:

    1)卷積層的作用是通過(guò)局部特征映射來(lái)提取輸入數(shù)據(jù)的重要特征,并將其映射為更低維度的表示形式。這樣做不僅可以減少數(shù)據(jù)的復(fù)雜性,還可以提供更具辨識(shí)度和判別性的特征,使得后續(xù)的長(zhǎng)短期記憶網(wǎng)絡(luò)能夠更好地處理和學(xué)習(xí)相關(guān)信息。

    2)池化層一般接在卷積層之后,其本質(zhì)其實(shí)就是下采樣操作,可以有效減少數(shù)據(jù)的維度,這樣可以降低計(jì)算復(fù)雜度,從而防止過(guò)擬合,提高計(jì)算效率。

    3)雙向LSTM層在特征處理中起著重要的作用。雙向LSTM層通過(guò)添加一個(gè)反向傳輸層來(lái)提取API調(diào)用序列的前后依賴關(guān)系和上下文信息,這樣的設(shè)計(jì)允許模型同時(shí)對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行正向和逆向的分析,從而更加全面地理解和利用序列中的信息。

    4)隨機(jī)丟失層的作用是通過(guò)隨機(jī)丟棄一定比例的神經(jīng)元的輸出來(lái)減少神經(jīng)網(wǎng)絡(luò)中的過(guò)擬合現(xiàn)象。在訓(xùn)練過(guò)程中,Dropout層會(huì)隨機(jī)地將一些神經(jīng)元的輸出設(shè)置為零,這些被丟棄的神經(jīng)元會(huì)在下一次訓(xùn)練中隨機(jī)選擇另外一些神經(jīng)元進(jìn)行替換,從而提高模型的泛化能力。

    5)全連接層連接上一層所有的節(jié)點(diǎn),通過(guò)學(xué)習(xí)適當(dāng)?shù)臋?quán)重參數(shù)來(lái)提取特征、映射輸入數(shù)據(jù)、引入非線性變換以及產(chǎn)生最終的預(yù)測(cè)結(jié)果。

    3 實(shí)驗(yàn)結(jié)果分析

    本節(jié)通過(guò)一系列的實(shí)驗(yàn)對(duì)CNN-BiLSTM雙流融合網(wǎng)絡(luò)模型以及其他機(jī)器學(xué)習(xí)模型進(jìn)行比較,分析卷積神經(jīng)網(wǎng)絡(luò)(CNN)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(BiLSTM)融合的優(yōu)勢(shì),并提出API序列調(diào)用頻率和TF-IDF詞向量這兩種表征方法的選擇建議。

    3.1 實(shí)驗(yàn)數(shù)據(jù)集

    本實(shí)驗(yàn)所采用的數(shù)據(jù)集由兩個(gè)公開(kāi)的數(shù)據(jù)集構(gòu)成:公開(kāi)數(shù)據(jù)集Mal-API-2019和阿里云天池安全算法挑戰(zhàn)賽所提供的公開(kāi)數(shù)據(jù)集。公開(kāi)數(shù)據(jù)集Mal-API-2019由7 107個(gè)8種不同惡意家族的惡意軟件在沙箱中運(yùn)行時(shí)提取的API調(diào)用序列構(gòu)成,這8種惡意家族分別為Spyware、Downloader、Trojan、Worms、Adware、Dropper、Virus和Backdoor。采用這7 107個(gè)惡意軟件的API調(diào)用序列作為本實(shí)驗(yàn)的惡意數(shù)據(jù)集。阿里云天池安全算法挑戰(zhàn)賽所提供的公開(kāi)數(shù)據(jù)集同樣也是由11萬(wàn)個(gè)良性軟件在沙箱中運(yùn)行時(shí)產(chǎn)生的API調(diào)用序列構(gòu)成。本實(shí)驗(yàn)從這些序列中清洗出7 005個(gè)序列作為本實(shí)驗(yàn)的良性數(shù)據(jù)集。綜上所述,本實(shí)驗(yàn)所采用的數(shù)據(jù)集由7 107個(gè)惡意軟件和7 005個(gè)良性軟件在沙箱中運(yùn)行時(shí)提取的API調(diào)用序列構(gòu)成,部分API調(diào)用序列如圖4所示,具體數(shù)據(jù)集構(gòu)成如表1所示。

    3.2 實(shí)驗(yàn)結(jié)果分析

    為了比較不同模型對(duì)惡意軟件的分類性能,本實(shí)驗(yàn)比較了RF、SVM、LSTM、BiLSTM、CNN-LSTM、CNN-BiLSTM這6種模型的準(zhǔn)確率性能。此外,本實(shí)驗(yàn)還選用API調(diào)用頻率和TF-IDF詞向量作為模型輸入,評(píng)估不同表征方法在惡意軟件分類上的性能表現(xiàn)。

    實(shí)驗(yàn)結(jié)果分別展示了模型的準(zhǔn)確率、精確率、召回率、F1值四組數(shù)據(jù)。下面分別給出使用API調(diào)用頻率和TF-IDF詞向量作為模型輸入的實(shí)驗(yàn)結(jié)果。

    從表2和表3的分類結(jié)果可以看出,CNN-BiLSTM雙流融合網(wǎng)絡(luò)模型相對(duì)于其他方法有更好的分類性能,在準(zhǔn)確率、精確率、召回率和F1值這四個(gè)指標(biāo)

    上都優(yōu)于RF、SVM、LSTM、BiLSTM和CNN-LSTM

    模型。CNN-BiLSTM雙流融合模型能夠?qū)r(shí)間序列進(jìn)行多粒度特征提取。CNN在卷積層中使用不同大小的濾波器,可以捕捉API調(diào)用序列中的多尺度特征,這些特征對(duì)于理解API調(diào)用序列局部結(jié)構(gòu)非常重要,而B(niǎo)iLSTM更擅長(zhǎng)建模長(zhǎng)期依賴關(guān)系,通過(guò)將CNN和BiLSTM相結(jié)合,CNN-BiLSTM能夠同時(shí)利用API調(diào)用序列的局部特征和全局特征,提取更豐富的特征表示,實(shí)現(xiàn)更好的惡意軟件檢測(cè)效果。

    除了模型的準(zhǔn)確率指標(biāo)之外,實(shí)驗(yàn)還對(duì)API調(diào)用頻率和TF-IDF詞向量這兩種表征方法進(jìn)行了對(duì)比,圖3和圖4分別為API調(diào)用頻率在CNN-BiLSTM模型上的Accuracy值和Loss值,圖5和圖6分別為TF-IDF詞向量在CNN-BiLSTM模型上的Accuracy值和Loss值。

    由圖5可以看出,基于API調(diào)用頻率特征表示的CNN-BiLSTM模型在經(jīng)過(guò)第53個(gè)Epochs時(shí)因?yàn)檫^(guò)擬合而停止了迭代,由圖6可以看出,基于TF-IDF詞向量特征表示的CNN-BiLSTM模型在經(jīng)過(guò)第38個(gè)Epochs時(shí)就已經(jīng)停止了迭代,可以說(shuō)明基于TF-IDF詞向量特征表示的模型比基于API調(diào)用頻率特征表示的模型擬合速度更快,且從圖5和圖6中Accuracy、Loss曲線來(lái)看,基于TF-IDF詞向量特征表示的模型比基于API調(diào)用頻率特征表示的模型在訓(xùn)練集和測(cè)試集上的差距要小,說(shuō)明基于TF-IDF詞向量特征表示的模型比基于API調(diào)用頻率特征表示的模型擬合效果要好。綜上所述,基于TF-IDF詞向量特征表示的方法更能夠體現(xiàn)API調(diào)用序列在前后順序和調(diào)用頻率上的依賴關(guān)系,能夠在使用API調(diào)用序列檢測(cè)惡意軟件的過(guò)程中達(dá)到更好的性能和表現(xiàn)。

    4 結(jié) 論

    本文探索了如何利用深度學(xué)習(xí)技術(shù)進(jìn)行動(dòng)態(tài)惡意軟件檢測(cè)。通過(guò)研究惡意軟件API動(dòng)態(tài)調(diào)用序列,引入CNN-BiLSTM雙流融合網(wǎng)絡(luò)模型對(duì)API調(diào)用序列的前后依賴關(guān)系進(jìn)行建模。實(shí)驗(yàn)結(jié)果表明,該方法能夠結(jié)合CNN和BiLSTM的優(yōu)點(diǎn),同時(shí)利用API調(diào)用序列的局部信息和全局信息進(jìn)行上下文建模,從而提高模型的表達(dá)能力。本文還對(duì)API調(diào)用頻率和TF-IDF詞向量這兩種表征方法進(jìn)行了對(duì)比,實(shí)驗(yàn)證明基于TF-IDF詞向量特征表示的方法更能夠體現(xiàn)API調(diào)用序列的統(tǒng)計(jì)特征,在惡意軟件動(dòng)態(tài)特征分類中的效果更好。后續(xù)的研究工作將會(huì)探究惡意軟件可視化檢測(cè)技術(shù),以更有效地檢測(cè)出新型的惡意代碼。

    參考文獻(xiàn):

    [1] 國(guó)家互聯(lián)網(wǎng)應(yīng)急中心.2021年上半年我國(guó)互聯(lián)網(wǎng)網(wǎng)絡(luò)安全監(jiān)測(cè)數(shù)據(jù)分析報(bào)告[R/OL].[2023-07-23].https://www.cert.org.cn/publish/main/upload/File/first-half%20%20year%20cyberseurity%20report%202021.pdf.

    [2] 王志文,劉廣起,韓曉暉,等.基于機(jī)器學(xué)習(xí)的惡意軟件識(shí)別研究綜述 [J].小型微型計(jì)算機(jī)系統(tǒng),2022,43(12):2628-2637.

    [3] YE Y F,LI T,ADJEROH D,et al. A Survey on Malware Detection Using Data Mining Techniques [J].ACM Computing Surveys (CSUR),2017,50(3):1-40.

    [4] YE Y F,CHEN L F,WANG D D,et al. SBMDS: an Interpretable String Based Malware Detection System Using SVM Ensemble With Bagging [J].Journal in Computer Virology,2009,5(4):283-293.

    [5] DING Y X,CHEN S,XU J. Application of Deep Belief Networks for opcode Based Malware Detection [C]//2016 International Joint Conference on Neural Networks (IJCNN). Vancouver:IEEE,2016:3901-3908.

    [6] DING Y X,DAI W,YAN S L,et al. Control Flow-based opcode Behavior Analysis for Malware Detection [J].Computers amp; Security,2014,44:65-74.

    [7] RAFF E,BARKER J,SYLVESTER J,et al. Malware Detection by Eating a Whole EXE [J/OL].arXiv:1710.09435v1 [stat.ML].[2023-07-28].https://arxiv.org/pdf/1710.09435.pdf.

    [8] SAXE J,BERLIN K. Deep Neural Network Based Malware Detection Using Two Dimensional Binary Program Features [C]// 2015 10th International Conference on Malicious and Unwanted Software (MALWARE).Fajardo:IEEE,2015:11-20.

    [9] SANTOS I,BREZO F,UGARTE-PEDRERO X,et al. Opcode Sequences as Representation of Executables for Data-mining-based Unknown Malware Detection [J].Information Sciences,2013,231:64-82.

    [10] KUMAR A,KUPPUSAMY K S,AGHILA G. A learning Model to Detect Maliciousness of Portable Executable Using Integrated Feature Set [J].Journal of King Saud University-Computer and Information Sciences,2019,31(2):252-265.

    [11] JEON S,MOON J. Malware-detection Method with a Convolutional Recurrent Neural Network Using Opcode Sequences [J].Information Sciences,2020,535:1-15.

    [12] HUANG W Y,STOKES J W. MtNet: A Multi-task Neural Network for Dynamic Malware Classification [C]//DIMVA 2016: Proceedings of the 13th International Conference on Detection of Intrusions and Malware, and Vulnerability Assessment. Berlin:Springer-Verlag,2016:399-418.

    [13] QIAO Y,YANG Y X,JI L,et al. Analyzing Malware by Abstracting the Frequent Itemsets in API Call Sequences [C]//2013 12th IEEE International Conference on Trust, Security and Privacy in Computing and Communications.Melbourne:IEEE,2013:265-270.

    [14] TIAN R H,ISLAM R,BATTEN L,et al. Differentiating Malware from Cleanware Using Behavioural Analysis[C]//2010 5th International Conference on Malicious and Unwanted Software. Nancy:IEEE,2010:23-30.

    [15] LIU Y Y,WANG Y W. A Robust Malware Detection System Using Deep Learning on API Calls [C]//2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC). Chengdu:IEEE,2019:1456-1460.

    [16] CATAK F O,YAZI A F,ELEZAJ O,et al. Deep Learning Based Sequential Model for Malware Analysis Using Windows exe API Calls [J/OL].PeerJ Computer Science,2020[2023-07-08].https://pubmed.ncbi.nlm.nih.gov/33816936/.

    [17] LI S,ZHOU Q,ZHOU R,et al. Intelligent malware detection based on graph convolutional network [J].The Journal of Supercomputing,2022,78(3):4182-4198.

    作者簡(jiǎn)介:王玉勝(1996—),男,漢族,甘肅武威人,碩士研究生在讀,研究方向:計(jì)算機(jī)信息安全技術(shù)與應(yīng)用;毛子恒(1998—),男,漢族,江蘇宿遷人,碩士研究生在讀,研究方向:網(wǎng)絡(luò)與信息安全、惡意加密流量識(shí)別。

    收稿日期:2023-09-19

    Dynamic Behavior Detection for Malware Based on Dual-stream Converged Networks

    WANG Yusheng, MAO Ziheng

    (School of Electronics amp; Information Engineering, Liaoning University of Technology, Jinzhou 121001, China)

    Abstract: To address the problem that traditional static analysis methods are difficult to capture the complex and changeable dynamic behavior of malware, the experiment is based on dynamic feature analysis techniques, through studying the WindowsAPI call sequences of eight common malware, it is found that the before-and-after order of API call sequences and the call frequency will directly reflect the malicious behavior of malware. The experiment uses TF-IDF (Term Frequency-Inverse Document Frequency) technique to vectorize the API call sequences, and designs a Deep Learning model based on CNN-BiLSTM dual-stream converged network to model the before-and-after dependency relationship of such API calls and realize the dynamic detection of common malware. The experimental results indicate that the test accuracy of this model reaches 95.99%, which is better than RF, SVM, LSTM, BiLSTM and CNN-LSTM models, and provides reference for malware detection.

    Keywords: API call sequence; dynamic detection; Deep Learning; feature representation

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠(yuǎn)程開(kāi)放實(shí)驗(yàn)平臺(tái)構(gòu)建研究
    基于自動(dòng)智能分類器的圖書館亂架圖書檢測(cè)
    搭建深度學(xué)習(xí)的三級(jí)階梯
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
    利用網(wǎng)絡(luò)技術(shù)促進(jìn)學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    亚洲国产精品久久男人天堂| 精华霜和精华液先用哪个| 精品国产三级普通话版| 日韩精品有码人妻一区| 久久久久久国产a免费观看| 高清毛片免费观看视频网站| 一卡2卡三卡四卡精品乱码亚洲| 老师上课跳d突然被开到最大视频| 中文字幕高清在线视频| 悠悠久久av| 在线免费观看的www视频| 久久久精品欧美日韩精品| 久久久久九九精品影院| 国产aⅴ精品一区二区三区波| 看黄色毛片网站| 一区二区三区激情视频| 97超视频在线观看视频| 禁无遮挡网站| 淫妇啪啪啪对白视频| 国产精品一区二区三区四区免费观看 | 日韩一区二区视频免费看| 婷婷亚洲欧美| 国产亚洲精品久久久久久毛片| 欧美不卡视频在线免费观看| 亚洲精品一区av在线观看| 国产成人福利小说| 日韩av在线大香蕉| 日本欧美国产在线视频| 日韩欧美精品免费久久| 桃红色精品国产亚洲av| 中文字幕精品亚洲无线码一区| 91麻豆av在线| 久久草成人影院| 中出人妻视频一区二区| 亚洲久久久久久中文字幕| 国产成人一区二区在线| 免费看a级黄色片| 亚洲精品粉嫩美女一区| 最近在线观看免费完整版| 日韩欧美国产在线观看| 国语自产精品视频在线第100页| 精品久久久久久,| 国产男人的电影天堂91| 精品人妻熟女av久视频| 大又大粗又爽又黄少妇毛片口| 淫妇啪啪啪对白视频| 精品久久久噜噜| 日韩欧美在线二视频| 特大巨黑吊av在线直播| 内地一区二区视频在线| 九色国产91popny在线| 人人妻人人看人人澡| 日本熟妇午夜| 老熟妇乱子伦视频在线观看| 真人做人爱边吃奶动态| 日日夜夜操网爽| 亚洲欧美日韩高清在线视频| 窝窝影院91人妻| 麻豆成人av在线观看| 成人国产麻豆网| 久久6这里有精品| 免费黄网站久久成人精品| 成年人黄色毛片网站| 午夜激情福利司机影院| 久久久久免费精品人妻一区二区| 白带黄色成豆腐渣| 动漫黄色视频在线观看| 亚洲中文字幕一区二区三区有码在线看| 国产精品不卡视频一区二区| 搞女人的毛片| 网址你懂的国产日韩在线| 九九在线视频观看精品| 国产女主播在线喷水免费视频网站 | 大型黄色视频在线免费观看| 日本黄色视频三级网站网址| 久久中文看片网| 欧美激情在线99| 欧美日韩亚洲国产一区二区在线观看| 色综合色国产| 亚州av有码| 国产精品嫩草影院av在线观看 | 欧美又色又爽又黄视频| 一夜夜www| 99热6这里只有精品| 午夜日韩欧美国产| 五月伊人婷婷丁香| 国模一区二区三区四区视频| 中文在线观看免费www的网站| 黄色日韩在线| 国产伦精品一区二区三区视频9| 国产伦人伦偷精品视频| 亚洲不卡免费看| 欧美最新免费一区二区三区| 久久人人爽人人爽人人片va| 国产亚洲欧美98| 亚洲国产日韩欧美精品在线观看| 村上凉子中文字幕在线| 久久久久久久午夜电影| 中出人妻视频一区二区| 亚洲经典国产精华液单| 亚洲熟妇中文字幕五十中出| av女优亚洲男人天堂| 国产精品野战在线观看| 久久国产乱子免费精品| 在线观看午夜福利视频| 久久人妻av系列| 国产亚洲精品久久久久久毛片| 日日撸夜夜添| bbb黄色大片| 日日摸夜夜添夜夜添av毛片 | 久久精品国产亚洲av天美| 亚洲色图av天堂| 男人舔女人下体高潮全视频| 午夜精品在线福利| 99热精品在线国产| 又粗又爽又猛毛片免费看| 俄罗斯特黄特色一大片| 精品午夜福利视频在线观看一区| 在线a可以看的网站| 亚洲乱码一区二区免费版| 麻豆国产97在线/欧美| 免费搜索国产男女视频| 成人美女网站在线观看视频| 日本五十路高清| 久久精品综合一区二区三区| 成熟少妇高潮喷水视频| 小说图片视频综合网站| 麻豆国产97在线/欧美| 两人在一起打扑克的视频| 特级一级黄色大片| 久久精品久久久久久噜噜老黄 | 亚洲专区国产一区二区| 亚洲综合色惰| 少妇人妻精品综合一区二区 | 亚洲人成伊人成综合网2020| 亚洲国产日韩欧美精品在线观看| av国产免费在线观看| 亚洲黑人精品在线| 日本一本二区三区精品| 国产三级中文精品| 啪啪无遮挡十八禁网站| 亚洲国产精品久久男人天堂| 亚洲专区中文字幕在线| 日本a在线网址| 免费黄网站久久成人精品| 亚洲人成网站在线播放欧美日韩| АⅤ资源中文在线天堂| 一级黄片播放器| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲美女视频黄频| 日韩亚洲欧美综合| 欧美高清成人免费视频www| 国产极品精品免费视频能看的| 一本一本综合久久| 亚洲av第一区精品v没综合| 欧美一区二区亚洲| а√天堂www在线а√下载| 一边摸一边抽搐一进一小说| av女优亚洲男人天堂| 国产成人av教育| 国产美女午夜福利| 99久国产av精品| 欧美中文日本在线观看视频| 蜜桃久久精品国产亚洲av| 赤兔流量卡办理| 精品不卡国产一区二区三区| 精品人妻视频免费看| 国国产精品蜜臀av免费| 夜夜爽天天搞| 乱系列少妇在线播放| 黄色丝袜av网址大全| 国产色婷婷99| 黄色日韩在线| 国产三级中文精品| 天堂动漫精品| 少妇裸体淫交视频免费看高清| 日本欧美国产在线视频| 国产av一区在线观看免费| 看十八女毛片水多多多| avwww免费| 久久久久久久精品吃奶| a在线观看视频网站| 美女高潮的动态| 成人亚洲精品av一区二区| 18+在线观看网站| 国产乱人视频| 国产精品久久久久久精品电影| 一进一出好大好爽视频| 九色成人免费人妻av| 制服丝袜大香蕉在线| 高清毛片免费观看视频网站| 又爽又黄无遮挡网站| 看黄色毛片网站| 日本-黄色视频高清免费观看| 婷婷色综合大香蕉| 亚洲18禁久久av| 亚洲最大成人av| 91久久精品国产一区二区三区| 久久精品综合一区二区三区| 久久天躁狠狠躁夜夜2o2o| 日本撒尿小便嘘嘘汇集6| 直男gayav资源| 国产精品1区2区在线观看.| 久久精品人妻少妇| 欧美bdsm另类| 国产成人福利小说| 亚洲精华国产精华精| 国产精品一区www在线观看 | 日日摸夜夜添夜夜添av毛片 | 性色avwww在线观看| 国产av一区在线观看免费| 麻豆成人av在线观看| 日本免费一区二区三区高清不卡| 亚洲精品在线观看二区| 少妇丰满av| 淫秽高清视频在线观看| 天美传媒精品一区二区| www.www免费av| 别揉我奶头~嗯~啊~动态视频| 午夜亚洲福利在线播放| 亚洲狠狠婷婷综合久久图片| 18禁在线播放成人免费| 亚洲黑人精品在线| 欧美成人一区二区免费高清观看| 亚洲欧美清纯卡通| 毛片女人毛片| 久9热在线精品视频| 亚洲最大成人手机在线| 午夜精品久久久久久毛片777| 欧美丝袜亚洲另类 | 韩国av一区二区三区四区| 欧美人与善性xxx| 国产伦在线观看视频一区| 亚洲av中文字字幕乱码综合| 欧美最黄视频在线播放免费| 亚洲,欧美,日韩| 午夜福利高清视频| 免费电影在线观看免费观看| 高清日韩中文字幕在线| 国产一区二区三区在线臀色熟女| 色综合站精品国产| 国产一区二区激情短视频| 国产一区二区激情短视频| 欧美性感艳星| 乱人视频在线观看| 在线免费观看不下载黄p国产 | 国产三级在线视频| 色哟哟·www| 18禁黄网站禁片午夜丰满| 级片在线观看| 国产精品98久久久久久宅男小说| 18禁黄网站禁片免费观看直播| 九色成人免费人妻av| 欧美极品一区二区三区四区| av中文乱码字幕在线| 欧美zozozo另类| av专区在线播放| 成人国产麻豆网| xxxwww97欧美| 91久久精品电影网| 春色校园在线视频观看| 亚洲经典国产精华液单| 波多野结衣高清作品| bbb黄色大片| 精品不卡国产一区二区三区| 国产高清视频在线观看网站| 蜜桃亚洲精品一区二区三区| 人人妻,人人澡人人爽秒播| 91在线精品国自产拍蜜月| 精品国内亚洲2022精品成人| 久久久久久久久大av| 成年免费大片在线观看| 男人舔奶头视频| 国内精品宾馆在线| 国产精品98久久久久久宅男小说| 欧美日韩中文字幕国产精品一区二区三区| 特大巨黑吊av在线直播| 日韩一本色道免费dvd| 色精品久久人妻99蜜桃| 国产探花极品一区二区| 欧美日韩精品成人综合77777| 亚洲va日本ⅴa欧美va伊人久久| 欧美日本视频| 日本黄大片高清| 有码 亚洲区| 97热精品久久久久久| 国产av一区在线观看免费| 永久网站在线| 久久亚洲精品不卡| 国产伦精品一区二区三区视频9| 欧美性感艳星| 免费看日本二区| 国产精品乱码一区二三区的特点| 亚洲精品成人久久久久久| 最近最新免费中文字幕在线| 真实男女啪啪啪动态图| 人人妻,人人澡人人爽秒播| 久久久久久大精品| 春色校园在线视频观看| 国产在线精品亚洲第一网站| 久久久久免费精品人妻一区二区| 免费在线观看影片大全网站| 深夜精品福利| 久久九九热精品免费| 真人做人爱边吃奶动态| av.在线天堂| 国产私拍福利视频在线观看| 最近在线观看免费完整版| 中文字幕久久专区| 女同久久另类99精品国产91| 国产男靠女视频免费网站| 搡老岳熟女国产| 制服丝袜大香蕉在线| 欧洲精品卡2卡3卡4卡5卡区| 人妻制服诱惑在线中文字幕| 男女下面进入的视频免费午夜| 欧美在线一区亚洲| 国产精品人妻久久久久久| 国产国拍精品亚洲av在线观看| 亚洲欧美精品综合久久99| 亚洲真实伦在线观看| 一进一出抽搐动态| 久久精品91蜜桃| 国模一区二区三区四区视频| 国产老妇女一区| 天天躁日日操中文字幕| 免费无遮挡裸体视频| 制服丝袜大香蕉在线| 欧美日本视频| 我要搜黄色片| 国产激情偷乱视频一区二区| 亚洲美女黄片视频| 亚洲熟妇熟女久久| 美女大奶头视频| 欧美日韩精品成人综合77777| 久久午夜福利片| 久久久精品大字幕| 亚洲真实伦在线观看| 少妇裸体淫交视频免费看高清| 蜜桃久久精品国产亚洲av| 欧美一区二区精品小视频在线| 在线观看美女被高潮喷水网站| 日韩欧美在线二视频| av福利片在线观看| 国产成人福利小说| 精品99又大又爽又粗少妇毛片 | 中文字幕熟女人妻在线| 观看免费一级毛片| 无遮挡黄片免费观看| 日本一二三区视频观看| 人人妻人人看人人澡| 久久婷婷人人爽人人干人人爱| 欧美xxxx黑人xx丫x性爽| 欧洲精品卡2卡3卡4卡5卡区| 国产亚洲精品综合一区在线观看| av中文乱码字幕在线| 少妇裸体淫交视频免费看高清| 内地一区二区视频在线| 亚洲欧美日韩东京热| 久久久久久九九精品二区国产| 一个人免费在线观看电影| 日本一本二区三区精品| 国产av在哪里看| 99久久精品国产国产毛片| 在线国产一区二区在线| 日韩欧美精品v在线| 别揉我奶头~嗯~啊~动态视频| 日韩精品中文字幕看吧| 国产一区二区三区在线臀色熟女| 一进一出抽搐动态| 亚洲va日本ⅴa欧美va伊人久久| 国产蜜桃级精品一区二区三区| 日韩av在线大香蕉| 亚洲国产日韩欧美精品在线观看| 999久久久精品免费观看国产| 女生性感内裤真人,穿戴方法视频| 婷婷丁香在线五月| 91午夜精品亚洲一区二区三区 | 又紧又爽又黄一区二区| 免费av毛片视频| 国产精品一区www在线观看 | 欧美性感艳星| 在线免费十八禁| 黄色日韩在线| 一区二区三区四区激情视频 | 有码 亚洲区| 中文字幕免费在线视频6| 亚洲av二区三区四区| 国产精品一区二区三区四区久久| 成人鲁丝片一二三区免费| 亚洲精品一卡2卡三卡4卡5卡| www.色视频.com| bbb黄色大片| 在线a可以看的网站| 免费观看人在逋| 精品久久久噜噜| 18禁黄网站禁片免费观看直播| 欧美成人一区二区免费高清观看| 国产 一区 欧美 日韩| 国产一区二区三区av在线 | 男人舔奶头视频| 俺也久久电影网| 亚洲,欧美,日韩| 久久久久久大精品| 欧美绝顶高潮抽搐喷水| 欧美成人a在线观看| 国产老妇女一区| 给我免费播放毛片高清在线观看| 国产一级毛片七仙女欲春2| 精品欧美国产一区二区三| 精品一区二区三区人妻视频| av女优亚洲男人天堂| 亚洲 国产 在线| 别揉我奶头~嗯~啊~动态视频| av在线蜜桃| 国产精品一区www在线观看 | 亚洲男人的天堂狠狠| 少妇丰满av| 精品人妻一区二区三区麻豆 | 波多野结衣高清作品| 中文字幕久久专区| 亚洲性夜色夜夜综合| 日韩欧美在线乱码| 亚洲av熟女| 欧美激情久久久久久爽电影| 99riav亚洲国产免费| 国产精品1区2区在线观看.| 国产精品久久视频播放| 在线天堂最新版资源| 男人和女人高潮做爰伦理| 国产亚洲精品久久久久久毛片| 欧美成人a在线观看| 免费av不卡在线播放| 最后的刺客免费高清国语| 欧美日韩黄片免| 99riav亚洲国产免费| 女同久久另类99精品国产91| 免费观看的影片在线观看| 国产一区二区三区视频了| 一本久久中文字幕| 成人毛片a级毛片在线播放| 少妇人妻精品综合一区二区 | 中文字幕av在线有码专区| 日韩欧美免费精品| 国产免费男女视频| 一个人观看的视频www高清免费观看| 国产精品国产高清国产av| 18禁裸乳无遮挡免费网站照片| 国产精品亚洲一级av第二区| 成年人黄色毛片网站| 99久久久亚洲精品蜜臀av| 最近在线观看免费完整版| 人人妻,人人澡人人爽秒播| 最新在线观看一区二区三区| 91av网一区二区| 校园春色视频在线观看| 身体一侧抽搐| 国产真实乱freesex| 国内少妇人妻偷人精品xxx网站| 国产精品一区www在线观看 | 亚洲男人的天堂狠狠| 国内久久婷婷六月综合欲色啪| 精华霜和精华液先用哪个| 又爽又黄a免费视频| 天堂√8在线中文| 波多野结衣巨乳人妻| 天美传媒精品一区二区| 在线天堂最新版资源| 熟女人妻精品中文字幕| 亚洲精品成人久久久久久| 亚洲天堂国产精品一区在线| 久久久久久国产a免费观看| 内射极品少妇av片p| 日韩欧美精品免费久久| 中文字幕av成人在线电影| 老司机午夜福利在线观看视频| 欧美bdsm另类| 啦啦啦观看免费观看视频高清| 亚洲国产欧美人成| 黄色配什么色好看| 成年人黄色毛片网站| 22中文网久久字幕| 成人亚洲精品av一区二区| 亚州av有码| netflix在线观看网站| 一区二区三区四区激情视频 | 在线观看舔阴道视频| а√天堂www在线а√下载| 熟女电影av网| 午夜激情福利司机影院| 国产高清激情床上av| 日本一本二区三区精品| 俄罗斯特黄特色一大片| 国产乱人伦免费视频| 午夜福利视频1000在线观看| 国产男靠女视频免费网站| 午夜福利成人在线免费观看| 亚洲av免费在线观看| 色综合婷婷激情| 91在线精品国自产拍蜜月| 麻豆成人av在线观看| 国产欧美日韩一区二区精品| 婷婷精品国产亚洲av在线| 欧美日韩亚洲国产一区二区在线观看| 日韩欧美三级三区| 午夜日韩欧美国产| 久久天躁狠狠躁夜夜2o2o| 精品一区二区三区人妻视频| 成人二区视频| 亚洲精品色激情综合| av在线亚洲专区| 18禁裸乳无遮挡免费网站照片| 一区二区三区高清视频在线| 午夜福利成人在线免费观看| 亚洲熟妇熟女久久| 国产精品野战在线观看| 狂野欧美激情性xxxx在线观看| 大又大粗又爽又黄少妇毛片口| 久久中文看片网| 久久久久久久久久久丰满 | 久久久久久久午夜电影| 亚洲avbb在线观看| 午夜福利18| 国产单亲对白刺激| av中文乱码字幕在线| 很黄的视频免费| 国产爱豆传媒在线观看| 国产精品一区www在线观看 | 国产淫片久久久久久久久| 欧美又色又爽又黄视频| av黄色大香蕉| 嫩草影院精品99| 国产高清不卡午夜福利| 日本撒尿小便嘘嘘汇集6| 久久精品夜夜夜夜夜久久蜜豆| 国产成人a区在线观看| 偷拍熟女少妇极品色| 亚洲中文字幕日韩| 久久精品国产亚洲网站| 免费av毛片视频| 日韩在线高清观看一区二区三区 | 亚洲国产日韩欧美精品在线观看| 久久亚洲真实| 久久久久久九九精品二区国产| 久久草成人影院| 免费不卡的大黄色大毛片视频在线观看 | 午夜精品一区二区三区免费看| 最近视频中文字幕2019在线8| 国产白丝娇喘喷水9色精品| 精品人妻熟女av久视频| 欧美bdsm另类| 看片在线看免费视频| 女人十人毛片免费观看3o分钟| 日本-黄色视频高清免费观看| 国产视频内射| 99热只有精品国产| 国产成人一区二区在线| 一本一本综合久久| 欧美bdsm另类| 小蜜桃在线观看免费完整版高清| 一个人观看的视频www高清免费观看| 亚洲成人久久性| 内地一区二区视频在线| 久久久精品欧美日韩精品| 成人特级黄色片久久久久久久| 日本撒尿小便嘘嘘汇集6| www.色视频.com| 亚洲无线观看免费| 午夜精品在线福利| 美女大奶头视频| 成人一区二区视频在线观看| 99久久无色码亚洲精品果冻| 亚洲av中文av极速乱 | 国产精品一区二区三区四区久久| 熟妇人妻久久中文字幕3abv| 精品一区二区三区视频在线| 国内揄拍国产精品人妻在线| 在线国产一区二区在线| 中国美女看黄片| 亚洲精品在线观看二区| av黄色大香蕉| 极品教师在线免费播放| 亚洲中文字幕日韩| 欧美3d第一页| 床上黄色一级片| 国产高清不卡午夜福利| 成人鲁丝片一二三区免费| 哪里可以看免费的av片| 免费无遮挡裸体视频| 日本撒尿小便嘘嘘汇集6| 我的女老师完整版在线观看| 天天一区二区日本电影三级| 国产成人av教育| 色综合亚洲欧美另类图片| 欧美+日韩+精品| 午夜精品久久久久久毛片777| 男人舔女人下体高潮全视频| 亚洲成av人片在线播放无| 亚洲av免费高清在线观看| 成人国产麻豆网| 色5月婷婷丁香| 在线免费十八禁| 国产高清激情床上av| 18+在线观看网站| 午夜精品在线福利| 少妇人妻一区二区三区视频| 中文在线观看免费www的网站| 国产男人的电影天堂91| 伊人久久精品亚洲午夜| 三级毛片av免费| 久久99热这里只有精品18| 免费一级毛片在线播放高清视频| 欧美性猛交╳xxx乱大交人| 国产精品1区2区在线观看.| 干丝袜人妻中文字幕|