• <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
    久久精品国产亚洲av涩爱| 侵犯人妻中文字幕一二三四区| 日本午夜av视频| 女性生殖器流出的白浆| 国产野战对白在线观看| 一级黄色大片毛片| 亚洲av成人不卡在线观看播放网 | 菩萨蛮人人尽说江南好唐韦庄| 宅男免费午夜| videos熟女内射| 蜜桃国产av成人99| 在线观看免费高清a一片| 熟女av电影| 热re99久久精品国产66热6| 国产成人a∨麻豆精品| 日韩av免费高清视频| 免费看十八禁软件| www.999成人在线观看| 纯流量卡能插随身wifi吗| 97精品久久久久久久久久精品| 色播在线永久视频| 国产一区亚洲一区在线观看| 国产精品久久久久久人妻精品电影 | 精品久久蜜臀av无| 伊人亚洲综合成人网| 亚洲成人国产一区在线观看 | 十八禁人妻一区二区| 国产福利在线免费观看视频| 国产有黄有色有爽视频| 一区福利在线观看| 国产成人系列免费观看| 国产在视频线精品| 欧美另类一区| 精品一区二区三区四区五区乱码 | 久久久亚洲精品成人影院| 中文字幕另类日韩欧美亚洲嫩草| 熟女av电影| 狠狠婷婷综合久久久久久88av| 国产欧美日韩综合在线一区二区| 亚洲国产中文字幕在线视频| 精品高清国产在线一区| 一本大道久久a久久精品| a级毛片黄视频| 国产黄色视频一区二区在线观看| 悠悠久久av| 在线观看一区二区三区激情| 亚洲中文av在线| 999久久久国产精品视频| 日韩 欧美 亚洲 中文字幕| 久久av网站| 色网站视频免费| 久久99一区二区三区| 色精品久久人妻99蜜桃| 后天国语完整版免费观看| 十分钟在线观看高清视频www| 2018国产大陆天天弄谢| 成人18禁高潮啪啪吃奶动态图| 50天的宝宝边吃奶边哭怎么回事| 黄色毛片三级朝国网站| 又黄又粗又硬又大视频| 精品少妇一区二区三区视频日本电影| 99热全是精品| 亚洲精品在线美女| 999久久久国产精品视频| 欧美亚洲日本最大视频资源| 天堂俺去俺来也www色官网| 在线精品无人区一区二区三| 日韩av免费高清视频| 国产高清国产精品国产三级| 精品一区二区三区av网在线观看 | 丝瓜视频免费看黄片| 韩国精品一区二区三区| 欧美+亚洲+日韩+国产| 老熟女久久久| 国产爽快片一区二区三区| 18禁观看日本| 日韩制服丝袜自拍偷拍| 国产爽快片一区二区三区| 亚洲国产成人一精品久久久| 伊人久久大香线蕉亚洲五| 超碰97精品在线观看| 乱人伦中国视频| 涩涩av久久男人的天堂| 久久久国产欧美日韩av| 亚洲男人天堂网一区| 赤兔流量卡办理| 国产精品二区激情视频| 赤兔流量卡办理| 91麻豆精品激情在线观看国产 | 99香蕉大伊视频| 一级毛片 在线播放| 国产精品一区二区免费欧美 | 国产精品熟女久久久久浪| 精品少妇一区二区三区视频日本电影| 国产日韩欧美视频二区| 黄色 视频免费看| 超碰97精品在线观看| 999精品在线视频| 久久久久久久大尺度免费视频| 久久人人97超碰香蕉20202| 纯流量卡能插随身wifi吗| 天天躁夜夜躁狠狠躁躁| 成年动漫av网址| 大香蕉久久网| 视频在线观看一区二区三区| 日本wwww免费看| 亚洲综合色网址| 久久影院123| 69精品国产乱码久久久| 亚洲国产欧美一区二区综合| 天天躁夜夜躁狠狠久久av| 亚洲一区二区三区欧美精品| 欧美成狂野欧美在线观看| 黄色片一级片一级黄色片| 欧美中文综合在线视频| 亚洲国产中文字幕在线视频| 伦理电影免费视频| 女人爽到高潮嗷嗷叫在线视频| 中文字幕精品免费在线观看视频| 免费在线观看视频国产中文字幕亚洲 | 男女边摸边吃奶| 男人操女人黄网站| 国产一区二区在线观看av| 精品一区在线观看国产| 人人澡人人妻人| 国产日韩一区二区三区精品不卡| 国产av国产精品国产| 啦啦啦在线免费观看视频4| 人人妻人人添人人爽欧美一区卜| 国产麻豆69| 精品国产一区二区久久| 亚洲人成电影免费在线| 国产福利在线免费观看视频| 夫妻性生交免费视频一级片| 亚洲九九香蕉| 成人手机av| 99香蕉大伊视频| 黄色片一级片一级黄色片| 国产男人的电影天堂91| 久久国产精品人妻蜜桃| 午夜日韩欧美国产| 天天躁日日躁夜夜躁夜夜| 亚洲精品一卡2卡三卡4卡5卡 | 久久国产精品人妻蜜桃| 9191精品国产免费久久| 欧美 亚洲 国产 日韩一| 亚洲欧美一区二区三区国产| 韩国高清视频一区二区三区| 妹子高潮喷水视频| tube8黄色片| 欧美黑人精品巨大| 捣出白浆h1v1| 大话2 男鬼变身卡| 永久免费av网站大全| 亚洲精品久久久久久婷婷小说| 在线观看一区二区三区激情| 一二三四在线观看免费中文在| 国产一区有黄有色的免费视频| 亚洲国产精品999| 亚洲av日韩精品久久久久久密 | 黑丝袜美女国产一区| 香蕉丝袜av| 国产伦人伦偷精品视频| 色精品久久人妻99蜜桃| 国产成人av教育| √禁漫天堂资源中文www| av在线播放精品| 亚洲欧美一区二区三区国产| 久久久久久久大尺度免费视频| 免费在线观看影片大全网站 | 久久精品国产亚洲av高清一级| 又大又黄又爽视频免费| 亚洲国产欧美网| 国产亚洲一区二区精品| 国产精品香港三级国产av潘金莲 | 国产一区二区 视频在线| 国产精品免费视频内射| 久久久精品区二区三区| 人人妻,人人澡人人爽秒播 | 国产一区二区三区av在线| 少妇的丰满在线观看| 亚洲 欧美一区二区三区| 欧美成人午夜精品| 亚洲av成人不卡在线观看播放网 | 成年人免费黄色播放视频| 母亲3免费完整高清在线观看| 精品一区二区三区四区五区乱码 | 韩国高清视频一区二区三区| svipshipincom国产片| 黄片播放在线免费| 久久 成人 亚洲| 美国免费a级毛片| 亚洲精品在线美女| 国产一卡二卡三卡精品| 香蕉丝袜av| 免费观看a级毛片全部| 丰满人妻熟妇乱又伦精品不卡| 亚洲欧美一区二区三区久久| 亚洲欧美激情在线| 国产熟女午夜一区二区三区| 亚洲伊人久久精品综合| 国产成人精品久久二区二区免费| 亚洲精品在线美女| 在线精品无人区一区二区三| 高清黄色对白视频在线免费看| 一级毛片 在线播放| 国产成人a∨麻豆精品| 精品国产超薄肉色丝袜足j| 考比视频在线观看| 免费观看人在逋| 亚洲熟女精品中文字幕| 亚洲综合色网址| 久久久久久久精品精品| 亚洲欧美精品综合一区二区三区| 亚洲精品成人av观看孕妇| 在线亚洲精品国产二区图片欧美| 一个人免费看片子| 欧美黑人欧美精品刺激| 久久99一区二区三区| 精品熟女少妇八av免费久了| 啦啦啦在线观看免费高清www| 久久99热这里只频精品6学生| 婷婷色综合www| 亚洲精品在线美女| 国产精品麻豆人妻色哟哟久久| 黄片小视频在线播放| 国产精品二区激情视频| 国产欧美日韩精品亚洲av| 51午夜福利影视在线观看| 成人手机av| 熟女少妇亚洲综合色aaa.| 免费无遮挡裸体视频| 日韩精品免费视频一区二区三区| 男女之事视频高清在线观看| 老司机午夜福利在线观看视频| 久热爱精品视频在线9| 一二三四社区在线视频社区8| 老司机午夜十八禁免费视频| 女人爽到高潮嗷嗷叫在线视频| 午夜福利高清视频| 精品国产一区二区三区四区第35| 黄色视频,在线免费观看| 欧美日韩福利视频一区二区| svipshipincom国产片| 一级黄色大片毛片| 两个人免费观看高清视频| 大型av网站在线播放| 国产97色在线日韩免费| 免费一级毛片在线播放高清视频| 亚洲成人免费电影在线观看| 男女下面进入的视频免费午夜 | 亚洲国产欧美一区二区综合| 在线av久久热| 一级毛片女人18水好多| 日本成人三级电影网站| 国产精品久久久av美女十八| 女性生殖器流出的白浆| 男人的好看免费观看在线视频 | 精品午夜福利视频在线观看一区| 精品久久久久久久人妻蜜臀av| 国产乱人伦免费视频| 午夜影院日韩av| 久久久水蜜桃国产精品网| 国产精品久久久久久人妻精品电影| 可以在线观看的亚洲视频| 色综合婷婷激情| 最好的美女福利视频网| 性色av乱码一区二区三区2| 色av中文字幕| 国产精品一区二区精品视频观看| 久热这里只有精品99| 久久亚洲真实| 日本在线视频免费播放| 国产亚洲精品久久久久久毛片| 精品乱码久久久久久99久播| av超薄肉色丝袜交足视频| 亚洲男人的天堂狠狠| 亚洲精品一卡2卡三卡4卡5卡| 亚洲第一青青草原| 麻豆国产av国片精品| 91九色精品人成在线观看| 人人妻人人澡欧美一区二区| 久久中文字幕人妻熟女| 国产成人一区二区三区免费视频网站| 怎么达到女性高潮| 免费在线观看影片大全网站| 亚洲男人天堂网一区| 母亲3免费完整高清在线观看| 正在播放国产对白刺激| 午夜两性在线视频| 精品国产美女av久久久久小说| 一边摸一边抽搐一进一小说| 精品第一国产精品| 久久国产精品影院| 久久精品国产亚洲av香蕉五月| 久久久久久久午夜电影| 欧美色视频一区免费| 国产精品一区二区免费欧美| 亚洲精品国产区一区二| 国产一卡二卡三卡精品| 99国产精品一区二区蜜桃av| 免费在线观看亚洲国产| 看黄色毛片网站| 好男人电影高清在线观看| 变态另类丝袜制服| 国产成人av教育| 免费在线观看日本一区| 丝袜在线中文字幕| 亚洲第一青青草原| 中文字幕人妻熟女乱码| 看片在线看免费视频| 精品国产超薄肉色丝袜足j| 男女床上黄色一级片免费看| 亚洲成人久久爱视频| 亚洲一区中文字幕在线| 一级a爱片免费观看的视频| 18禁裸乳无遮挡免费网站照片 | 91在线观看av| 久久国产乱子伦精品免费另类| 国产三级黄色录像| 久久国产亚洲av麻豆专区| 欧美绝顶高潮抽搐喷水| 97碰自拍视频| 久久久久久国产a免费观看| 亚洲一卡2卡3卡4卡5卡精品中文| 男女那种视频在线观看| 一边摸一边做爽爽视频免费| 成人三级黄色视频| 久久久精品欧美日韩精品| 在线观看日韩欧美| 精品久久久久久久久久久久久 | 久久精品人妻少妇| 啦啦啦 在线观看视频| 精品欧美国产一区二区三| 黑人欧美特级aaaaaa片| 国产黄片美女视频| av欧美777| av超薄肉色丝袜交足视频| 美女扒开内裤让男人捅视频| 99国产精品一区二区三区| 此物有八面人人有两片| 亚洲精品美女久久av网站| 精品欧美国产一区二区三| 伦理电影免费视频| 国产精品一区二区精品视频观看| 亚洲欧美日韩无卡精品| 亚洲,欧美精品.| 国产一区二区激情短视频| 丝袜人妻中文字幕| 91大片在线观看| 日日摸夜夜添夜夜添小说| 欧美国产精品va在线观看不卡| 999久久久国产精品视频| 人人妻人人澡欧美一区二区| 久久久久久久午夜电影| 好男人在线观看高清免费视频 | 一区福利在线观看| 日韩av在线大香蕉| 国产亚洲欧美精品永久| 曰老女人黄片| 一区福利在线观看| 欧美在线一区亚洲| 国产片内射在线| 国产亚洲精品久久久久久毛片| 一进一出好大好爽视频| 视频在线观看一区二区三区| 色尼玛亚洲综合影院| 久热爱精品视频在线9| 少妇被粗大的猛进出69影院| 久久精品成人免费网站| 在线播放国产精品三级| 午夜激情av网站| 久热这里只有精品99| 99riav亚洲国产免费| 日本一本二区三区精品| 成人特级黄色片久久久久久久| 精品乱码久久久久久99久播| 青草久久国产| 久久热在线av| 妹子高潮喷水视频| 十八禁网站免费在线| 在线观看日韩欧美| 亚洲中文日韩欧美视频| 在线视频色国产色| 欧美日韩乱码在线| 亚洲成a人片在线一区二区| 色综合婷婷激情| 亚洲美女黄片视频| 久久久久久久精品吃奶| 日本三级黄在线观看| 一级黄色大片毛片| 久久精品aⅴ一区二区三区四区| 亚洲精品久久国产高清桃花| 欧美大码av| 每晚都被弄得嗷嗷叫到高潮| 亚洲久久久国产精品| 久久香蕉激情| 一区二区三区国产精品乱码| 人人妻人人澡欧美一区二区| 男女之事视频高清在线观看| 国产成人欧美在线观看| 国产成+人综合+亚洲专区| 国产精品香港三级国产av潘金莲| av超薄肉色丝袜交足视频| 久久午夜综合久久蜜桃| 身体一侧抽搐| 淫秽高清视频在线观看| 国产v大片淫在线免费观看| 婷婷亚洲欧美| 亚洲成人国产一区在线观看| 欧美日韩福利视频一区二区| 国产伦在线观看视频一区| 丰满的人妻完整版| 99精品久久久久人妻精品| 亚洲国产欧美网| 国产又色又爽无遮挡免费看| 嫁个100分男人电影在线观看| xxx96com| 精品人妻1区二区| 人成视频在线观看免费观看| 91大片在线观看| 国产真人三级小视频在线观看| 久久这里只有精品19| 动漫黄色视频在线观看| 精品久久久久久久毛片微露脸| 久久国产精品人妻蜜桃| ponron亚洲| 亚洲av第一区精品v没综合| 中文字幕最新亚洲高清| 欧美亚洲日本最大视频资源| 久久久精品欧美日韩精品| 成人亚洲精品av一区二区| 日本黄色视频三级网站网址| 亚洲中文av在线| 熟女少妇亚洲综合色aaa.| 老司机靠b影院| 欧美日韩亚洲综合一区二区三区_| 日本在线视频免费播放| 黄色 视频免费看| 亚洲九九香蕉| 亚洲第一电影网av| 午夜福利高清视频| 国产高清有码在线观看视频 | 亚洲国产看品久久| 欧美绝顶高潮抽搐喷水| 女人高潮潮喷娇喘18禁视频| 在线观看午夜福利视频| 91在线观看av| 国产精品一区二区三区四区久久 | 一区二区三区国产精品乱码| 久久精品夜夜夜夜夜久久蜜豆 | 国产午夜精品久久久久久| 欧美日韩亚洲国产一区二区在线观看| 亚洲中文字幕一区二区三区有码在线看 | 一区二区日韩欧美中文字幕| 给我免费播放毛片高清在线观看| 黄片播放在线免费| ponron亚洲| 又大又爽又粗| 人人妻人人看人人澡| www日本黄色视频网| 很黄的视频免费| 亚洲精品一卡2卡三卡4卡5卡| 欧美激情极品国产一区二区三区| 色尼玛亚洲综合影院| 波多野结衣av一区二区av| 在线观看日韩欧美| 又紧又爽又黄一区二区| 久久久久久久精品吃奶| 一级毛片女人18水好多| 亚洲第一av免费看| 国产日本99.免费观看| 在线观看66精品国产| 日韩欧美免费精品| 国产99久久九九免费精品| 精华霜和精华液先用哪个| 在线观看日韩欧美| 亚洲欧美精品综合一区二区三区| 成人午夜高清在线视频 | 国产精品一区二区三区四区久久 | 欧美不卡视频在线免费观看 | 黄片小视频在线播放| 一卡2卡三卡四卡精品乱码亚洲| 12—13女人毛片做爰片一| 色播亚洲综合网| 国产激情偷乱视频一区二区| 美女午夜性视频免费| 国产熟女午夜一区二区三区| 国产精品1区2区在线观看.| 亚洲人成77777在线视频| 成人欧美大片| 日韩欧美一区视频在线观看| aaaaa片日本免费| 91字幕亚洲| 国产精品 国内视频| 国产亚洲精品综合一区在线观看 | 在线观看一区二区三区| 三级毛片av免费| 黄网站色视频无遮挡免费观看| 欧美zozozo另类| 女性被躁到高潮视频| 亚洲男人天堂网一区| 老司机午夜福利在线观看视频| 国产爱豆传媒在线观看 | 欧美成人一区二区免费高清观看 | 成人午夜高清在线视频 | 免费高清视频大片| 亚洲天堂国产精品一区在线| 无遮挡黄片免费观看| 午夜老司机福利片| 亚洲精品在线美女| а√天堂www在线а√下载| 啦啦啦韩国在线观看视频| 亚洲熟妇中文字幕五十中出| 色尼玛亚洲综合影院| 91麻豆精品激情在线观看国产| 国产又黄又爽又无遮挡在线| avwww免费| 很黄的视频免费| 自线自在国产av| 成年人黄色毛片网站| 亚洲专区国产一区二区| 啪啪无遮挡十八禁网站| 一二三四在线观看免费中文在| 老鸭窝网址在线观看| 夜夜看夜夜爽夜夜摸| 亚洲五月天丁香| 亚洲av五月六月丁香网| 听说在线观看完整版免费高清| 免费观看精品视频网站| 国产91精品成人一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 亚洲欧美日韩无卡精品| bbb黄色大片| 精品电影一区二区在线| 嫁个100分男人电影在线观看| 不卡av一区二区三区| 国内毛片毛片毛片毛片毛片| 国产成人av激情在线播放| 国产精品香港三级国产av潘金莲| 午夜福利成人在线免费观看| 国产在线观看jvid| 满18在线观看网站| 人人妻人人看人人澡| 免费高清视频大片| 日韩大尺度精品在线看网址| 久久天堂一区二区三区四区| 人妻久久中文字幕网| 老汉色∧v一级毛片| 日本撒尿小便嘘嘘汇集6| 黄色 视频免费看| 亚洲人成电影免费在线| 国产成人欧美| 青草久久国产| 少妇 在线观看| 99久久无色码亚洲精品果冻| 欧美乱色亚洲激情| 丝袜美腿诱惑在线| 人人妻人人看人人澡| 成人免费观看视频高清| 啦啦啦韩国在线观看视频| 亚洲精品久久成人aⅴ小说| 精品久久蜜臀av无| avwww免费| 久久伊人香网站| 久久亚洲精品不卡| 欧美中文综合在线视频| 91麻豆精品激情在线观看国产| 91大片在线观看| 99精品欧美一区二区三区四区| 精品久久久久久久久久免费视频| 亚洲成人国产一区在线观看| 国产精品永久免费网站| 波多野结衣高清无吗| 在线看三级毛片| 国产野战对白在线观看| 很黄的视频免费| 久久久国产欧美日韩av| 老司机午夜福利在线观看视频| 精品久久久久久,| 99国产综合亚洲精品| 一本综合久久免费| 日本a在线网址| 午夜激情av网站| 视频在线观看一区二区三区| 激情在线观看视频在线高清| 中国美女看黄片| 亚洲一区二区三区色噜噜| 女警被强在线播放| av中文乱码字幕在线| 久久草成人影院| 国产精品久久久人人做人人爽| svipshipincom国产片| 在线免费观看的www视频| 国产精品电影一区二区三区| 日韩视频一区二区在线观看| 亚洲va日本ⅴa欧美va伊人久久| 亚洲精华国产精华精| 国产亚洲精品久久久久久毛片| 制服诱惑二区| 国产精品影院久久| 国产v大片淫在线免费观看| 国产主播在线观看一区二区| 国产人伦9x9x在线观看| www.999成人在线观看| 免费一级毛片在线播放高清视频| 90打野战视频偷拍视频| 亚洲专区字幕在线| 母亲3免费完整高清在线观看| 在线观看66精品国产| 久久午夜亚洲精品久久| 97碰自拍视频| 在线av久久热| 亚洲片人在线观看| 久久久久久久久免费视频了|