• <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 ?

    基于貝葉斯優(yōu)化的CatBoost的網(wǎng)絡(luò)安全態(tài)勢評估方法

    2022-05-25 04:48:02祝衛(wèi)軍
    現(xiàn)代計算機 2022年6期
    關(guān)鍵詞:態(tài)勢貝葉斯準確率

    祝衛(wèi)軍,黎 琳

    (北京交通大學(xué)計算機與信息技術(shù)學(xué)院,北京 100044)

    0 引言

    近些年來,伴隨著互聯(lián)網(wǎng)產(chǎn)業(yè)的快速發(fā)展網(wǎng)絡(luò)安全開始進入人們的視野當中,它更是影響著國家的安全與穩(wěn)定,因此網(wǎng)絡(luò)安全也被抬升至國家安全的地位。習(xí)近平總書記發(fā)表了如下的講話,“沒有網(wǎng)絡(luò)安全就沒有國家安全”,這體現(xiàn)出我國對網(wǎng)絡(luò)安全領(lǐng)域的重視。2017年頒布實施的《中華人民共和國網(wǎng)絡(luò)安全法》,更是具有劃時代的意義,為我國網(wǎng)絡(luò)安全領(lǐng)域提供了法律條例,從此網(wǎng)絡(luò)安全問題便有法可依。隨后信息安全等級保護2.0標準在等級保護1.0標準的基礎(chǔ)上進行了修改,等級保護2.0標準采用“一個中心,三重防護”的理念,建立了主動防御和全面感知的網(wǎng)絡(luò)防護新思想?;ヂ?lián)網(wǎng)信息系統(tǒng)需要積極響應(yīng)等級保護標準的號召,轉(zhuǎn)變自身的防護理念,從過去的被動防御變?yōu)橹鲃臃烙?,?gòu)建新型的網(wǎng)絡(luò)安全防護體系。

    過去傳統(tǒng)的防護手段多為被動防御,事后補救,這就會導(dǎo)致在整個網(wǎng)絡(luò)攻防的過程中防護系統(tǒng)完全處于被動的狀態(tài),對于零日攻擊和新型攻擊方式無法發(fā)揮其作用。缺少態(tài)勢感知能力,無法從網(wǎng)絡(luò)環(huán)境的各個角度分析安全防護狀態(tài),很難對當前網(wǎng)絡(luò)安全態(tài)勢進行準確地評估?,F(xiàn)有的網(wǎng)絡(luò)安全設(shè)備對網(wǎng)絡(luò)攻擊的防護僅停留在當前時刻,無法對未來的安全風(fēng)險進行預(yù)測。在安全人員的配備上,一方面安全人員的水平良莠不齊,很多安全問題需要依靠安全廠商進行解決;另一方面就是安全管理人員數(shù)量不足,無法滿足系統(tǒng)防護的需要。現(xiàn)在的網(wǎng)絡(luò)攻擊手段也越來越復(fù)雜,很少采用單一方式的攻擊,往往是多種攻擊方式相互組合,逐步對所要攻擊的網(wǎng)絡(luò)進行滲透,互聯(lián)網(wǎng)中的系統(tǒng)更是要在這種高級威脅的情況下進行安全防護。

    綜上所述,作為網(wǎng)絡(luò)攻防中的防御方,現(xiàn)有的信息系統(tǒng)安全防護設(shè)備相對獨立,網(wǎng)絡(luò)中安全設(shè)備分布復(fù)雜,攻擊手段的提升要求安全設(shè)備具有更快的處理能力和響應(yīng)時間。網(wǎng)絡(luò)防護過程中產(chǎn)生越來越多的數(shù)據(jù)和信息,其中冗余和無效的信息交織其中,嚴重影響安全人員對當前網(wǎng)絡(luò)狀況的判斷。因此,要使用網(wǎng)絡(luò)安全態(tài)勢感知技術(shù)解決上述問題,網(wǎng)絡(luò)安全態(tài)勢感知作為網(wǎng)絡(luò)安全領(lǐng)域新的研究方向,是主動防御和動態(tài)防御核心思想的體現(xiàn);網(wǎng)絡(luò)安全態(tài)勢感知可以針對系統(tǒng)中的安全設(shè)備、流量信息等多方面的數(shù)據(jù)進行信息融合和情報共享,實現(xiàn)全面的態(tài)勢感知;網(wǎng)絡(luò)安全態(tài)勢感知可以滿足系統(tǒng)的全方位監(jiān)測,對攻擊實現(xiàn)快速準確的預(yù)警,對新型網(wǎng)絡(luò)攻擊的檢測能力、網(wǎng)絡(luò)狀況的感知能力、用戶行為的分析能力都有極大的提升。

    1 相關(guān)研究

    Endsley首次明確了態(tài)勢感知的定義,“態(tài)勢感知就是在一定的時間和空間范圍內(nèi)對環(huán)境中元素的感知,對其含義的理解以及對它們在不久將來的狀態(tài)的預(yù)測”。Bass創(chuàng)新性地將態(tài)勢感知這個概念用于網(wǎng)絡(luò)安全領(lǐng)域當中,首次提出了下一代網(wǎng)絡(luò)入侵檢測系統(tǒng),系統(tǒng)中融合了來自異構(gòu)分布式網(wǎng)絡(luò)中傳感器的數(shù)據(jù),通過融合后的信息判斷網(wǎng)絡(luò)中的入侵行為。針對網(wǎng)絡(luò)安全態(tài)勢感知評估模型的理論研究,Yang等人提出了基于對抗深度學(xué)習(xí)的網(wǎng)絡(luò)安全態(tài)勢評估模型。對深度自編碼器進行特征學(xué)習(xí),并將深度神經(jīng)網(wǎng)絡(luò)用于網(wǎng)絡(luò)攻擊的分類,使用欠過采樣加權(quán)算法提高模型對小樣本網(wǎng)絡(luò)攻擊類型的分類性能,最后驗證了該模型對網(wǎng)絡(luò)態(tài)勢評估的準確性。陳森提出一種基于線性規(guī)劃的層次分析法結(jié)合改進的引力搜索算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢評估模型,利用改進的引力搜索優(yōu)化算法對模糊神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,提高了模型收斂速度并解決算法陷入最優(yōu)的問題,最后驗證了該模型在網(wǎng)絡(luò)安全態(tài)勢評估上的優(yōu)越性。錢真坤采用了多層模型對指標體系進行分類,并將隨機森林模型應(yīng)用于網(wǎng)絡(luò)安全態(tài)勢感知的評估過程當中,驗證了該模型的可行性。單宇鋒對網(wǎng)絡(luò)安全態(tài)勢感知關(guān)鍵技術(shù)進行研究,在態(tài)勢評估模型中對貝葉斯網(wǎng)絡(luò)在其中的應(yīng)用進行了定量的研究,通過系統(tǒng)實現(xiàn),驗證了貝葉斯網(wǎng)絡(luò)在網(wǎng)絡(luò)安全態(tài)勢感知評估過程中的可行性。何夢乙提出了基于融合批量規(guī)范化和深層神經(jīng)網(wǎng)絡(luò)的攻擊檢測模型。該模型在深層神經(jīng)網(wǎng)絡(luò)的隱藏層中添加了批量規(guī)范化層,優(yōu)化隱藏層的輸出結(jié)果,同時采用Adam自適應(yīng)梯度下降優(yōu)化算法對BNDNN參數(shù)進行自動優(yōu)化,以提高模型的異常檢測能力。在NSL-KDD數(shù)據(jù)集中對模型進行了驗證,最后證明了該方法下態(tài)勢評估當中的有效性和可行性。

    2 基于貝葉斯優(yōu)化的CatBoost模型

    2.1 貝葉斯優(yōu)化

    很多的機器學(xué)習(xí)模型都有非常多的超參數(shù),超參數(shù)的選定關(guān)系到模型最后成績的好壞,對超參數(shù)的自動化搜索通常有網(wǎng)格搜索、隨機搜索和貝葉斯優(yōu)化三種方法。貝葉斯優(yōu)化和網(wǎng)格搜索、隨機搜索一樣,也是一種自適應(yīng)的超參數(shù)搜索方法,主要思想是在給定的目標函數(shù)上通過不斷地添加樣本點來更新目標函數(shù)的后驗分布,總之就是考慮了上一次參數(shù)的信息,從而更好地調(diào)整當前的參數(shù)。

    網(wǎng)格搜索是在超參數(shù)優(yōu)化模型中應(yīng)用最廣泛的一種,該模型是通過在給定的搜索區(qū)間當中,遍歷所有的可能組合,以此來查找搜索范圍內(nèi)的最佳性能的參數(shù)組合。一般情況下,先給較大區(qū)間和較大步長,然后一步步地縮減參數(shù)范圍,最終得到最優(yōu)結(jié)果。網(wǎng)格搜索的最大問題是,在超參數(shù)多的情況下,它的性能略差,非常消耗計算資源。隨機搜索則具有很大的隨機性,它并不嘗試所有參數(shù)值,而是從指定的區(qū)間中選擇固定數(shù)量的參數(shù)組合。通過對搜索范圍的隨機取樣,隨機搜索一般會比網(wǎng)格搜索要快一些,但是具有隨機性,結(jié)果無法保證。

    貝葉斯優(yōu)化則采用高斯過程,考慮之前的參數(shù)信息,不斷地更新先驗,具有迭代次數(shù)少、速度快的優(yōu)點,并且針對非凸問題依然有較好的效果。對常用的機器學(xué)習(xí)算法,貝葉斯方法也可以得到最優(yōu)的結(jié)果。貝葉斯方法跟蹤過去的評估結(jié)果,會使用過去的結(jié)果形成概率模型,將超參數(shù)映射到目標函數(shù)的得分概率。核心算法是在更有可能得到更好結(jié)果的超參數(shù)范圍內(nèi)選擇新的超參數(shù),算法的核心由兩部分構(gòu)成:使用高斯過程回歸實現(xiàn)對目標函數(shù)的建模,計算每一點處的函數(shù)值的均值和方差;構(gòu)造采集函數(shù),用于決定本次迭代時在哪個點處進行采樣。貝葉斯優(yōu)化是一種為序列模式的模型提供的求全局優(yōu)化的方法,假設(shè)一組超參數(shù)組合是=,,…,x,其中x表示某一個超參數(shù)的值,在模型中不同的超參數(shù)會得到不同效果,貝葉斯優(yōu)化就是要在超參數(shù)與優(yōu)化的損失函數(shù)之間找到一個函數(shù)關(guān)系。如公式(1)所示,其中∈。

    貝葉斯優(yōu)化的算法如下:

    表示超參數(shù)和損失函數(shù)的關(guān)系;

    表示超參數(shù)的搜索空間;

    表示一組超參數(shù)和該組超參數(shù)對應(yīng)的函數(shù)結(jié)果的集合;

    表示采集函數(shù);

    表示對數(shù)據(jù)集擬合得到的模型;

    其中的采集函數(shù)在貝葉斯優(yōu)化中尤為重要,常用的有PI和EI。因為EI既考慮了提升的概率,也考慮了提升的幅度,因此貝葉斯優(yōu)化算法使用EI作為采集函數(shù),并使用樹結(jié)構(gòu)Parzen估計方法模型(TPE)對采集函數(shù)EI進行優(yōu)化。TPE通過轉(zhuǎn)換生成過程來模擬(|),用非參數(shù)密度替換先前配置的分布。TPE算法進行以下替換:均勻→截斷高斯混合,對數(shù)均勻→指數(shù)截斷高斯混合,分類→再加權(quán)分類。在非參數(shù)密度中使用不同的觀察值{,…,x},,這些替換表示可以在配置空間上產(chǎn)生各種密度的學(xué)習(xí)算法。TPE使用如公式(2)所示的密度函數(shù)定義(|)。

    其中,()是通過使用算法{,…,x}觀察形成的密度,使得相應(yīng)的損失(x)小于;()是通過使用剩余觀察值形成的密度。TPE算法取決于大于最佳觀察到的()的,因此可以使用某些點來形成()。

    2.2 Cat Boost模型

    CatBoost算法是一種改進的集成學(xué)習(xí)算法,它的根本原理是基于梯度提升決策樹算法。在訓(xùn)練過程中,連續(xù)地建立一組決策樹。與以前的樹相比,每一棵連續(xù)的樹都減少了損失。

    CatBoost有如下優(yōu)點,CatBoost可以對類別型特征的數(shù)據(jù)進行處理,不需要對數(shù)據(jù)中的非數(shù)值型特征進行預(yù)處理。CatBoost還使用了組合類別特征,可以利用特征之間的聯(lián)系,這極大地豐富了特征維度。CatBoost的基模型采用的是對稱樹,計算葉子結(jié)點值的方式和傳統(tǒng)的Boosting算法也不一樣。傳統(tǒng)的Boosting算法計算的是平均數(shù),而CatBoost在這方面采用了其他的算法做了一定程度的優(yōu)化,這些改進都能防止模型過擬合,也在一定程度上提升了模型的通用性。CatBoost還支持快速的GPU和多GPU訓(xùn)練,并且包含可視化工具。

    CatBoost模型和所有其他的梯度提升模型的實現(xiàn)方式一樣,都是通過構(gòu)建新樹對當前模型的梯度進行近似處理。但是,以前所有的梯度提升模型都會出現(xiàn)過擬合的問題,這是由于梯度估計偏移造成的。在常用的梯度提升決策樹算法當中,將會按照如下方式構(gòu)建下一棵新樹,首先是對樹的結(jié)構(gòu)進行構(gòu)建并對構(gòu)建后的樹計算葉子節(jié)點的值。然后通過列舉不同方式的分割,選擇最佳的樹結(jié)構(gòu),并對得到的葉子節(jié)點計算其值,其中計算葉子節(jié)點的值分別被當作梯度或牛頓步長的近似值。CatBoost和其他算法不同,在第一階段使用無偏估計,即改進梯度的步長,第二階段采取傳統(tǒng)的梯度提升決策樹策略。設(shè)構(gòu)建棵樹后的模型為F,構(gòu)建棵樹后第個訓(xùn)練樣本的梯度值為g(X,Y)。為了使模型F具有無偏的梯度估計,需要對模型F在無X的影響下進行訓(xùn)練。因此,需要計算所有訓(xùn)練樣本的梯度無偏估計,對于每一個樣本,需要單獨訓(xùn)練一個模型,并且不使用基于該樣本的梯度估計對該模型進行更新。使用M來估計X上的梯度,并使用這個估計對樹的結(jié)果進行評分。該算法的描述如下:

    其中需要優(yōu)化的損失函數(shù)是(,),是標簽值,是公式計算值。

    CatBoost是使用完全二叉樹作為基學(xué)習(xí)器的,它的節(jié)點是鏡像的。因為對稱樹有利于避免過擬合,增加模型的可靠性,并且能大大加速模型的運算速度。可以將對稱樹中的每個葉子節(jié)點的索引編碼成為二進制向量,并且該向量的長度等于樹的深度。CatBoost使用上述方法對獲取到的特征進行二進制轉(zhuǎn)換操作,然后通過特征值的計算完成模型的評估。通過上述方法,對數(shù)據(jù)進行并行處理,可以將模型的評估速度提升三倍以上,超過很多現(xiàn)有的模型。

    CatBoost模型的分類器存在著一百個參數(shù),在模型的訓(xùn)練過程中使用不同的參數(shù)將對最后的分類效果產(chǎn)生很大的影響,但是如果對如此多的參數(shù)都進行最優(yōu)查找,這會嚴重影響模型的訓(xùn)練,將會耗費大量的時間。因此,需要從眾多的參數(shù)中選擇對模型影響較深的參數(shù)進行優(yōu)化,這樣才可以在模型的效率和準確性之間達到一個平衡。CatBoost中重要的參數(shù),如表1所示。

    表1 CatBoost的主要參數(shù)

    3 實驗結(jié)果與分析

    3.1 數(shù)據(jù)集

    首先是數(shù)據(jù)集方面的選取。過去的很多網(wǎng)絡(luò)安全態(tài)勢感知領(lǐng)域的論文在實驗過程中通常會采用KDD99數(shù)據(jù)集,該數(shù)據(jù)集對模擬的網(wǎng)絡(luò)收集了9周的網(wǎng)絡(luò)連接和系統(tǒng)審計數(shù)據(jù),其中有7周的訓(xùn)練數(shù)據(jù)和2周的測試數(shù)據(jù),包含了Probe、DoS、R2L、U2R四大類攻擊,并且將一些未在訓(xùn)練集中出現(xiàn)的攻擊類型加入到測試集當中。該數(shù)據(jù)集一直被應(yīng)用于網(wǎng)絡(luò)安全態(tài)勢感知領(lǐng)域的研究,其數(shù)據(jù)集的正確性已經(jīng)被驗證,但是該數(shù)據(jù)集從1999年創(chuàng)建到現(xiàn)在已經(jīng)有二十多年的歷史,屬于較老的數(shù)據(jù)集,這將存在如下問題。首先是當年的實驗條件放在當前已經(jīng)落后,不再具有現(xiàn)實意義,并且數(shù)據(jù)集中的攻擊手段也過于落后,現(xiàn)在已經(jīng)從原來的網(wǎng)絡(luò)層攻擊進化為針對應(yīng)用層的攻擊,例如跨站式腳本、數(shù)據(jù)庫注入等攻擊方式。為了追求最新的實驗環(huán)境和最新的攻擊方式,也為了提高訓(xùn)練結(jié)果的正確性,本文在使用KDD99數(shù)據(jù)集的情況下同時選用CICIDS2017數(shù)據(jù)集進行態(tài)勢評估模型的驗證。

    CICIDS2017數(shù)據(jù)集來源于加拿大網(wǎng)絡(luò)安全研究所(CIC)的研究項目,使用新型的網(wǎng)絡(luò)攻擊手段對模擬網(wǎng)絡(luò)進行攻擊,獲取真實的網(wǎng)絡(luò)流量。其中包含了暴力破解攻擊、Heartbleed攻擊、僵尸網(wǎng)絡(luò)攻擊、拒絕服務(wù)攻擊、分布式拒絕服務(wù)、Web攻擊和滲透攻擊這七種攻擊,對這七種攻擊分為14類更加細化的攻擊方式。

    通過對上述兩個數(shù)據(jù)集中特征的觀察,可知每個特征的性質(zhì)、量綱、數(shù)量級等特征均存在部分差異,這就會影響該數(shù)據(jù)集分析網(wǎng)絡(luò)的特征和規(guī)律產(chǎn)生的結(jié)果。當各屬性之間的數(shù)據(jù)量綱差距過大時,如果對數(shù)據(jù)的量綱不進行統(tǒng)一預(yù)處理,將會造成量綱級別高的屬性對模型的影響權(quán)重變大,相對地,量綱級別低的屬性將會對模型的訓(xùn)練造成較小的作用。因此需要對數(shù)據(jù)集進一步標準化處理,本文采用如公式(3)所示的方法進行預(yù)處理,為預(yù)處理后的樣本,為樣本均值,為樣本方差。最后得到的所有數(shù)據(jù)都聚集在0附近,期望為0,方差值為1。

    CICIDS2017數(shù)據(jù)集共有85個特征值,經(jīng)過對無意義特征值的刪除,剩下78組特征,這些特征之間仍然存在著一定程度的冗余,這將會對模型的性能造成很大的影響。本文選用主成分分析方法對數(shù)據(jù)集進一步處理,對每一個特征所占的權(quán)重進行獲取,其中的部分特征已經(jīng)可以對整個數(shù)據(jù)集進行描述,本文選取所占比例大于0.001的特征,該部分特征共有32種,這32種特征即作為最終的數(shù)據(jù)集,用于進一步的研究。

    3.2 實驗介紹

    本文提出的基于貝葉斯優(yōu)化的CatBoost態(tài)勢評估模型是使用Python語言在Python 3.5開發(fā)環(huán)境下實現(xiàn)的,對比模型的來源是sklearn和xgboost工具包,貝葉斯優(yōu)化模型的來源是hyperopt工具包,CatBoost模型的來源是catboost工具包。使用預(yù)處理后的KDD99數(shù)據(jù)集和CICIDS2017數(shù)據(jù)集對基于貝葉斯優(yōu)化的CatBoost模型進行算法的評估與分析。

    為了證明基于貝葉斯優(yōu)化的CatBoost模型的性能是更優(yōu)的,需要選取合適的度量指標對模型的泛化能力進行評估。對于常用的度量指標進行選取,選用macro度量方法,該方法對每個標簽計算對應(yīng)的得分,然后取不加權(quán)平均,得到最后的模型總分。使用macro度量方法的過程是先將多分類問題轉(zhuǎn)化為二分類混淆矩陣,計算出準確率、精確率、召回率和1值,之后對所有標簽進行平均,最后得到模型的總得分。

    在模型對比階段,選取經(jīng)典的分類模型和貝葉斯優(yōu)化后的CatBoost模型進行對比,驗證基于貝葉斯優(yōu)化的CatBoost威脅評估模型的可行性。比如NB(樸素貝葉斯)、KNN(K近鄰)、XGBoost等算法在過去的研究當中均是被證明有效的評估方法,因此選用這些算法進行對比實驗的研究。

    3.3 參數(shù)尋優(yōu)

    使用貝葉斯優(yōu)化在上述預(yù)處理后的CICIDS2017數(shù)據(jù)集上對CatBoost模型的超參數(shù)進行自動尋優(yōu)。本文選用了參數(shù)表中的iterations、learning_rate、depth和l2_leaf_reg這四個參數(shù)進行尋優(yōu),選擇這四個參數(shù)的原因是它們的選取對模型最終的準確率將會有很大影響。

    首先對這四個參數(shù)的范圍進行選取。參數(shù)iterations,一般情況下隨著生成樹的數(shù)量增加模型的準確率將會提升,但是生成樹達到一定數(shù)目后,模型將會達到最優(yōu),繼續(xù)增加生成樹的數(shù)量也不會提升模型的準確率。因此,在500和2000之間初步選取6個iterations值,分別是500、750、1000、1250、1500和2000。對參數(shù)learning_rate的取值進行選取,一般情況下隨著學(xué)習(xí)率的減小模型的準確率將會提升,然而學(xué)習(xí)率越低也就表示算法的學(xué)習(xí)速率越慢,影響學(xué)習(xí)的效率。因此在0和1之間初步選取6個learning_rate的值,分別是0.02、0.05、0.1、0.3、0.6和0.9。對參數(shù)depth的取值進行選取,選取2和10之間的9個整數(shù)作為參數(shù)depth的值。對參數(shù)l2_leaf_reg的取值進行選取,選取2和10之間的9個整數(shù)作為參數(shù)l2_leaf_reg的值。根據(jù)上述參數(shù)區(qū)間,對參數(shù)取值進行任意組合,共使用300組參數(shù)組合對模型進行訓(xùn)練。通過貝葉斯優(yōu)化算法,可以得到一組準確率最優(yōu)的參數(shù)組合,即當iterations為1000、learning_rate為0.3、depth為10、l2_leaf_reg為6時,該組參數(shù)的準確率為0.987。

    從iterations和learn_rate參數(shù)區(qū)間的選取可以看出,區(qū)間選取的范圍和步長都較大,因此將其他參數(shù)確定,進一步對這兩個參數(shù)的選取進行精確。通過第一次優(yōu)化的參數(shù)組合,可以確定最優(yōu)的iterations值在1000附近,因此選取從(800,1200)區(qū)間內(nèi)的iterations進行隨機查找。最優(yōu)的learning_rate值在0.3附近,因此選?。?.15,0.55)區(qū)間內(nèi)的learning_rate進行隨機查找。根據(jù)上述參數(shù)區(qū)間,對這兩個參數(shù)取值進行任意組合,使用300組參數(shù)組合對模型進行訓(xùn)練,得到訓(xùn)練結(jié)果。

    綜上所述,可以得到一組最優(yōu)的參數(shù)結(jié)果,當iterations參數(shù)值為1087;learning_rate參數(shù)值為0.339;depth參數(shù)值為10;l2_leaf_reg參數(shù)值為6時,得到模型的最優(yōu)參數(shù)組合,最優(yōu)結(jié)果的準確率為0.988。

    3.4 實驗結(jié)果

    如表2所示,在KDD99數(shù)據(jù)集上,優(yōu)化后的CatBoost算法相較于經(jīng)典的分類算法是更優(yōu)的,可以看到優(yōu)化CatBoost后的模型在所有指標上均是優(yōu)于其他經(jīng)典算法的,優(yōu)化后的CatBoost模型召回率高達0.998,提升顯著,未優(yōu)化的CatBoost模型相較于XGBoost等模型也有了一定程度的提升,而CatBoost模型優(yōu)化后的準確率相較于優(yōu)化前也提升了0.008。結(jié)果表明,針對KDD99數(shù)據(jù)集,基于貝葉斯優(yōu)化的CatBoost模型在準確率、精確率、召回率和1值這幾方面均優(yōu)于其他傳統(tǒng)模型,表明該模型對攻擊種類的分類效果更優(yōu)。

    表2 基于KDD99數(shù)據(jù)集的評估模型比較

    如表3所示,在CICIDS2017數(shù)據(jù)集上,優(yōu)化后的CatBoost算法相較于經(jīng)典的分類算法是更優(yōu)的,可以看到XGBoost和CatBoost這些屬于梯度提升決策樹模型的算法,在所有指標上均是優(yōu)于其他經(jīng)典算法的,原始的CatBoost已經(jīng)比KNN多了0.029的準確率,提升甚是明顯。在梯度提升決策樹類的算法模型當中,優(yōu)化后的CatBoost模型在各方面指標上都要比XGBoost模型更為優(yōu)秀。結(jié)果表明,針對CICIDS2017數(shù)據(jù)集,基于貝葉斯優(yōu)化的CatBoost模型在準確率、精確率、召回率和1值這幾方面均優(yōu)于其他傳統(tǒng)模型,表明該模型對攻擊種類的分類效果更優(yōu)。

    表3 基于CICIDS2017數(shù)據(jù)集的評估模型比較

    如圖1所示,針對KDD99數(shù)據(jù)集,使用貝葉斯優(yōu)化后的CatBoost模型相比于未優(yōu)化的模型在準確率上提高了0.8%。

    圖1 KDD99數(shù)據(jù)集下CatBoost模型對比

    如圖2所示,針對CICIDS2017數(shù)據(jù)集,使用貝葉斯優(yōu)化后的CatBoost模型相比于未優(yōu)化的在準確率上提高了1.5%。

    圖2 CICIDS2017數(shù)據(jù)集下CatBoost模型對比

    綜上所述,實驗結(jié)果表明,優(yōu)化后的模型相比于優(yōu)化前的模型在各個評估指標上都更為優(yōu)秀,驗證了基于貝葉斯優(yōu)化的CatBoost模型在網(wǎng)絡(luò)安全態(tài)勢評估方面的準確性和可行性。

    4 結(jié)語

    針對網(wǎng)絡(luò)安全態(tài)勢感知技術(shù),本文將基于貝葉斯優(yōu)化的CatBoost模型用于網(wǎng)絡(luò)安全態(tài)勢評估當中,針對KDD99和CICIDS2017數(shù)據(jù)集進行實驗分析,可以得到該模型在KDD99數(shù)據(jù)集上有著99.5%的準確率,在CICIDS2017數(shù)據(jù)集上有著98.8%的準確率,在其他各項評估指標上均是優(yōu)于其他常用的分類模型。因此該算法可用于提升網(wǎng)絡(luò)安全態(tài)勢感知中態(tài)勢評估的準確性,具有一定的理論意義和實用價值。

    猜你喜歡
    態(tài)勢貝葉斯準確率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
    2019年12月與11月相比汽車產(chǎn)銷延續(xù)了增長態(tài)勢
    汽車與安全(2020年1期)2020-05-14 13:27:19
    匯市延續(xù)小幅震蕩態(tài)勢
    中國外匯(2019年19期)2019-11-26 00:57:36
    我國天然氣供需呈現(xiàn)緊平衡態(tài)勢
    高速公路車牌識別標識站準確率驗證法
    貝葉斯公式及其應(yīng)用
    基于貝葉斯估計的軌道占用識別方法
    一種基于貝葉斯壓縮感知的說話人識別方法
    電子器件(2015年5期)2015-12-29 08:43:15
    成年人午夜在线观看视频| 久久人妻福利社区极品人妻图片| 国产精品av久久久久免费| 欧美亚洲 丝袜 人妻 在线| 精品一区二区三区四区五区乱码| 青青草视频在线视频观看| 欧美 亚洲 国产 日韩一| 久久久久久免费高清国产稀缺| 国产精品久久久av美女十八| 亚洲欧美一区二区三区黑人| 国产精品美女特级片免费视频播放器 | 咕卡用的链子| 久久精品国产a三级三级三级| 久久久久精品人妻al黑| a在线观看视频网站| 国产激情久久老熟女| 欧美人与性动交α欧美软件| 久久久国产欧美日韩av| 精品免费久久久久久久清纯 | 国产亚洲精品一区二区www | 99精国产麻豆久久婷婷| 成人国语在线视频| 老司机亚洲免费影院| 国产日韩欧美亚洲二区| 国产av精品麻豆| 国产国语露脸激情在线看| 亚洲精品久久午夜乱码| 久久久久久久国产电影| 午夜福利免费观看在线| 日本撒尿小便嘘嘘汇集6| 国产成人免费无遮挡视频| 欧美日韩黄片免| 人妻一区二区av| 这个男人来自地球电影免费观看| 精品第一国产精品| 激情视频va一区二区三区| 日韩精品免费视频一区二区三区| 久久免费观看电影| 午夜久久久在线观看| 欧美国产精品va在线观看不卡| 国产野战对白在线观看| 亚洲七黄色美女视频| 狂野欧美激情性xxxx| 精品少妇内射三级| 色在线成人网| 国产福利在线免费观看视频| 丰满人妻熟妇乱又伦精品不卡| 9热在线视频观看99| 99re在线观看精品视频| 国产成人影院久久av| 国产高清videossex| 老司机在亚洲福利影院| 久热这里只有精品99| a级毛片在线看网站| 欧美中文综合在线视频| 麻豆乱淫一区二区| 欧美日本中文国产一区发布| 国产精品秋霞免费鲁丝片| 啦啦啦视频在线资源免费观看| 美女视频免费永久观看网站| 人人妻人人澡人人爽人人夜夜| 国产欧美日韩综合在线一区二区| 热re99久久国产66热| 男人舔女人的私密视频| 少妇裸体淫交视频免费看高清 | 亚洲国产精品一区二区三区在线| 免费av中文字幕在线| 久久国产精品影院| 天天躁夜夜躁狠狠躁躁| 色94色欧美一区二区| 无人区码免费观看不卡 | 国产福利在线免费观看视频| 正在播放国产对白刺激| 美女视频免费永久观看网站| 极品教师在线免费播放| 国产精品久久电影中文字幕 | 老熟妇仑乱视频hdxx| 国产精品.久久久| 欧美乱妇无乱码| 看免费av毛片| 午夜福利视频在线观看免费| 一级片免费观看大全| 国产亚洲午夜精品一区二区久久| 国产一区二区三区视频了| 欧美日本中文国产一区发布| 欧美黄色淫秽网站| 少妇 在线观看| 精品乱码久久久久久99久播| 久久性视频一级片| 午夜福利视频精品| 久久国产精品男人的天堂亚洲| 国产成人精品无人区| 欧美另类亚洲清纯唯美| 激情视频va一区二区三区| 久久久久精品人妻al黑| 国产精品亚洲av一区麻豆| 热99国产精品久久久久久7| 日韩 欧美 亚洲 中文字幕| 久久久久久久精品吃奶| 久久人人爽av亚洲精品天堂| 99久久人妻综合| 99国产综合亚洲精品| 777米奇影视久久| 欧美激情久久久久久爽电影 | 中文字幕高清在线视频| 在线观看一区二区三区激情| 国产成人影院久久av| 精品国产乱子伦一区二区三区| 午夜视频精品福利| 日韩欧美免费精品| www.精华液| 欧美成人午夜精品| 黑丝袜美女国产一区| 最新在线观看一区二区三区| 精品少妇一区二区三区视频日本电影| 欧美激情极品国产一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 国产在视频线精品| 久久天堂一区二区三区四区| 日本av免费视频播放| 成人精品一区二区免费| 国产一区有黄有色的免费视频| 国产成人精品久久二区二区91| 欧美中文综合在线视频| 亚洲精品国产区一区二| 肉色欧美久久久久久久蜜桃| 国产人伦9x9x在线观看| 99久久人妻综合| 性色av乱码一区二区三区2| 午夜成年电影在线免费观看| 女人被躁到高潮嗷嗷叫费观| 国产av精品麻豆| 精品午夜福利视频在线观看一区 | 老司机影院毛片| 婷婷丁香在线五月| 国产视频一区二区在线看| 捣出白浆h1v1| 精品午夜福利视频在线观看一区 | 狠狠狠狠99中文字幕| √禁漫天堂资源中文www| 丰满饥渴人妻一区二区三| 成年人免费黄色播放视频| 菩萨蛮人人尽说江南好唐韦庄| 757午夜福利合集在线观看| 80岁老熟妇乱子伦牲交| 亚洲人成伊人成综合网2020| 久久久久网色| 成人免费观看视频高清| 欧美国产精品一级二级三级| 欧美日韩亚洲高清精品| 母亲3免费完整高清在线观看| 久久影院123| 飞空精品影院首页| 亚洲黑人精品在线| 啦啦啦视频在线资源免费观看| 日韩成人在线观看一区二区三区| 嫁个100分男人电影在线观看| 国产免费视频播放在线视频| 午夜福利乱码中文字幕| 国产色视频综合| 亚洲午夜理论影院| 国产欧美日韩一区二区三| 精品熟女少妇八av免费久了| 色婷婷久久久亚洲欧美| 成人免费观看视频高清| 国产高清国产精品国产三级| 午夜免费成人在线视频| 欧美亚洲 丝袜 人妻 在线| 男男h啪啪无遮挡| 久久狼人影院| 一区二区av电影网| 亚洲欧美日韩另类电影网站| 露出奶头的视频| 人妻久久中文字幕网| 热re99久久精品国产66热6| 国产成人精品在线电影| 欧美国产精品一级二级三级| 国产高清视频在线播放一区| 亚洲精华国产精华精| 国产av国产精品国产| 国产野战对白在线观看| 一边摸一边抽搐一进一小说 | 97在线人人人人妻| 制服诱惑二区| 国产精品一区二区精品视频观看| 欧美激情极品国产一区二区三区| 男女高潮啪啪啪动态图| 自线自在国产av| cao死你这个sao货| 大片免费播放器 马上看| 一区福利在线观看| 国产一区二区在线观看av| 国产精品1区2区在线观看. | 久久天躁狠狠躁夜夜2o2o| 日日摸夜夜添夜夜添小说| 国产又爽黄色视频| 一区在线观看完整版| av不卡在线播放| 国产精品免费一区二区三区在线 | 国产高清videossex| 成人国产一区最新在线观看| 老鸭窝网址在线观看| 国产成人免费无遮挡视频| 在线观看免费视频网站a站| 欧美日韩视频精品一区| 亚洲va日本ⅴa欧美va伊人久久| 午夜福利,免费看| 免费不卡黄色视频| 一边摸一边做爽爽视频免费| 亚洲国产精品一区二区三区在线| 亚洲国产欧美网| 欧美变态另类bdsm刘玥| 狂野欧美激情性xxxx| 国产精品久久久久久精品古装| 免费观看av网站的网址| 真人做人爱边吃奶动态| 深夜精品福利| 男女高潮啪啪啪动态图| 国产成人系列免费观看| 国产成人av教育| 在线十欧美十亚洲十日本专区| 99精品欧美一区二区三区四区| 国产成人免费观看mmmm| 纯流量卡能插随身wifi吗| 亚洲av欧美aⅴ国产| 在线观看免费高清a一片| av视频免费观看在线观看| 老司机午夜十八禁免费视频| 国产高清视频在线播放一区| 欧美日韩成人在线一区二区| 午夜激情av网站| 亚洲av日韩精品久久久久久密| 国产亚洲午夜精品一区二区久久| 国产精品麻豆人妻色哟哟久久| 中文欧美无线码| 99久久99久久久精品蜜桃| 宅男免费午夜| 国产亚洲午夜精品一区二区久久| 国产精品久久久av美女十八| 99久久精品国产亚洲精品| 黑人巨大精品欧美一区二区mp4| 俄罗斯特黄特色一大片| 真人做人爱边吃奶动态| 天堂动漫精品| 制服人妻中文乱码| 久久久国产欧美日韩av| 久久久精品国产亚洲av高清涩受| 在线观看免费视频日本深夜| 极品教师在线免费播放| 一区二区三区国产精品乱码| 亚洲成人国产一区在线观看| av又黄又爽大尺度在线免费看| 老汉色∧v一级毛片| 欧美精品一区二区大全| 两性午夜刺激爽爽歪歪视频在线观看 | 午夜两性在线视频| 天天操日日干夜夜撸| 亚洲性夜色夜夜综合| 亚洲中文日韩欧美视频| 精品乱码久久久久久99久播| 亚洲avbb在线观看| 无遮挡黄片免费观看| 男人操女人黄网站| 色综合婷婷激情| 国产精品久久久人人做人人爽| 久久久久久亚洲精品国产蜜桃av| 天天躁夜夜躁狠狠躁躁| 麻豆国产av国片精品| 水蜜桃什么品种好| 天堂中文最新版在线下载| 窝窝影院91人妻| 亚洲视频免费观看视频| 多毛熟女@视频| 精品亚洲成国产av| 黄色片一级片一级黄色片| 精品少妇一区二区三区视频日本电影| 夜夜爽天天搞| 亚洲va日本ⅴa欧美va伊人久久| 女人久久www免费人成看片| 国产片内射在线| 免费黄频网站在线观看国产| 日本撒尿小便嘘嘘汇集6| 美女视频免费永久观看网站| 中文欧美无线码| 水蜜桃什么品种好| 精品福利永久在线观看| 一本大道久久a久久精品| 欧美日本中文国产一区发布| 怎么达到女性高潮| 99国产精品免费福利视频| 一级毛片电影观看| av欧美777| 性少妇av在线| 免费在线观看影片大全网站| tocl精华| 一区二区三区激情视频| 亚洲人成电影观看| 国产精品99久久99久久久不卡| 91av网站免费观看| 国产亚洲精品一区二区www | 电影成人av| 一本大道久久a久久精品| 久久精品人人爽人人爽视色| 免费一级毛片在线播放高清视频 | 日韩免费高清中文字幕av| 国产精品九九99| 久久久久久久久免费视频了| 亚洲男人天堂网一区| 亚洲国产欧美在线一区| av天堂在线播放| 精品国产乱码久久久久久小说| 一区二区三区激情视频| 国产精品偷伦视频观看了| 亚洲午夜精品一区,二区,三区| 香蕉丝袜av| 亚洲av片天天在线观看| 国产一区二区三区在线臀色熟女 | av天堂久久9| 国产主播在线观看一区二区| 欧美中文综合在线视频| 80岁老熟妇乱子伦牲交| 在线播放国产精品三级| 久久精品国产亚洲av香蕉五月 | 曰老女人黄片| 少妇裸体淫交视频免费看高清 | 欧美日韩一级在线毛片| 国产成人欧美| 久久精品亚洲av国产电影网| 欧美人与性动交α欧美软件| 极品教师在线免费播放| 日日爽夜夜爽网站| 亚洲熟妇熟女久久| 久久 成人 亚洲| 99re6热这里在线精品视频| 男女高潮啪啪啪动态图| 国产不卡av网站在线观看| 欧美日韩亚洲国产一区二区在线观看 | 欧美激情久久久久久爽电影 | 黄网站色视频无遮挡免费观看| av网站免费在线观看视频| 在线十欧美十亚洲十日本专区| 日韩欧美免费精品| 香蕉久久夜色| 18禁美女被吸乳视频| 亚洲av成人一区二区三| 久久中文字幕一级| 亚洲专区字幕在线| 欧美日韩中文字幕国产精品一区二区三区 | 在线观看免费日韩欧美大片| 亚洲精品国产色婷婷电影| 国产男靠女视频免费网站| 99riav亚洲国产免费| 午夜福利影视在线免费观看| 午夜福利乱码中文字幕| 一进一出抽搐动态| 在线观看www视频免费| 欧美日韩中文字幕国产精品一区二区三区 | 波多野结衣av一区二区av| 国产成人影院久久av| 国产av国产精品国产| 国产又爽黄色视频| 午夜精品久久久久久毛片777| 热99国产精品久久久久久7| 捣出白浆h1v1| 久久久久久亚洲精品国产蜜桃av| 下体分泌物呈黄色| 天堂动漫精品| 美女主播在线视频| 中文字幕精品免费在线观看视频| 久久狼人影院| 国产成人啪精品午夜网站| 日本五十路高清| 十八禁人妻一区二区| 看免费av毛片| 亚洲色图av天堂| 欧美精品av麻豆av| 建设人人有责人人尽责人人享有的| 亚洲第一青青草原| 久久精品91无色码中文字幕| 91精品国产国语对白视频| 国产野战对白在线观看| 国产黄色免费在线视频| 精品国内亚洲2022精品成人 | 亚洲色图 男人天堂 中文字幕| 国产精品自产拍在线观看55亚洲 | 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲欧美精品综合一区二区三区| 久久人妻福利社区极品人妻图片| 色视频在线一区二区三区| 99re在线观看精品视频| 日本wwww免费看| 久久久久久免费高清国产稀缺| 国产有黄有色有爽视频| 99精品久久久久人妻精品| 亚洲av片天天在线观看| xxxhd国产人妻xxx| 精品国产国语对白av| 天天影视国产精品| 国产成人啪精品午夜网站| 午夜福利一区二区在线看| 伦理电影免费视频| www.999成人在线观看| 99精品在免费线老司机午夜| 亚洲av日韩精品久久久久久密| 中文字幕高清在线视频| 免费女性裸体啪啪无遮挡网站| 欧美性长视频在线观看| 男女边摸边吃奶| 亚洲熟女毛片儿| 在线观看免费日韩欧美大片| 午夜视频精品福利| e午夜精品久久久久久久| 亚洲国产毛片av蜜桃av| 黑人猛操日本美女一级片| 宅男免费午夜| 亚洲精品av麻豆狂野| 女性生殖器流出的白浆| 夜夜骑夜夜射夜夜干| 精品免费久久久久久久清纯 | 亚洲全国av大片| 日本vs欧美在线观看视频| 午夜福利视频在线观看免费| 法律面前人人平等表现在哪些方面| 他把我摸到了高潮在线观看 | 1024视频免费在线观看| 欧美日韩精品网址| 欧美精品一区二区免费开放| 国产深夜福利视频在线观看| 久久久久视频综合| 国产精品国产av在线观看| 久久人妻av系列| 亚洲熟妇熟女久久| 午夜福利影视在线免费观看| av超薄肉色丝袜交足视频| 日本黄色视频三级网站网址 | 成人精品一区二区免费| 国产伦人伦偷精品视频| 侵犯人妻中文字幕一二三四区| 中文欧美无线码| 男人舔女人的私密视频| 在线av久久热| 久久毛片免费看一区二区三区| svipshipincom国产片| 欧美午夜高清在线| 99精品在免费线老司机午夜| 国产有黄有色有爽视频| 亚洲专区国产一区二区| av福利片在线| 午夜福利视频在线观看免费| 男女高潮啪啪啪动态图| 成年人免费黄色播放视频| 午夜91福利影院| 国产成人精品久久二区二区91| 国产亚洲av高清不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 在线观看人妻少妇| 国产片内射在线| 久久久水蜜桃国产精品网| 丰满少妇做爰视频| 色精品久久人妻99蜜桃| 中文字幕制服av| 成人国语在线视频| 考比视频在线观看| 啦啦啦在线免费观看视频4| 精品久久久久久久毛片微露脸| www日本在线高清视频| 久久天躁狠狠躁夜夜2o2o| 国产成人欧美| 亚洲精品乱久久久久久| 久久精品国产亚洲av香蕉五月 | 午夜精品国产一区二区电影| 老司机午夜福利在线观看视频 | 欧美另类亚洲清纯唯美| 91精品三级在线观看| 久久精品国产综合久久久| 人成视频在线观看免费观看| 不卡一级毛片| 久久久久久亚洲精品国产蜜桃av| 国产精品国产av在线观看| 国产精品电影一区二区三区 | 人妻久久中文字幕网| 免费在线观看完整版高清| 午夜福利视频精品| 纵有疾风起免费观看全集完整版| 精品国产亚洲在线| 国产成人免费观看mmmm| 欧美变态另类bdsm刘玥| 在线观看免费高清a一片| 在线看a的网站| 一边摸一边做爽爽视频免费| 日本wwww免费看| av欧美777| 免费在线观看日本一区| 一夜夜www| 丰满饥渴人妻一区二区三| 极品人妻少妇av视频| 久热这里只有精品99| 窝窝影院91人妻| 亚洲七黄色美女视频| 激情视频va一区二区三区| 免费不卡黄色视频| 欧美午夜高清在线| 王馨瑶露胸无遮挡在线观看| 亚洲精品自拍成人| 久久人人97超碰香蕉20202| 大片电影免费在线观看免费| www.999成人在线观看| 日韩免费高清中文字幕av| 国产成人影院久久av| 久久精品国产a三级三级三级| 高清av免费在线| 亚洲熟妇熟女久久| 久久久久网色| 欧美日韩一级在线毛片| 在线观看一区二区三区激情| 午夜免费鲁丝| 亚洲av日韩在线播放| 999精品在线视频| 国产单亲对白刺激| 中文字幕人妻丝袜一区二区| 欧美乱码精品一区二区三区| 久久精品成人免费网站| 久久精品国产a三级三级三级| 黑人猛操日本美女一级片| 性高湖久久久久久久久免费观看| 国产精品一区二区精品视频观看| 人人妻人人澡人人看| 日韩精品免费视频一区二区三区| 久久青草综合色| 亚洲欧美一区二区三区黑人| 老司机靠b影院| 精品午夜福利视频在线观看一区 | 国产精品一区二区在线不卡| 人人妻人人澡人人爽人人夜夜| 黄色成人免费大全| 精品久久久久久电影网| 1024香蕉在线观看| 一本综合久久免费| 两性夫妻黄色片| 丁香欧美五月| 色视频在线一区二区三区| 18禁美女被吸乳视频| 欧美亚洲日本最大视频资源| 成年女人毛片免费观看观看9 | 免费观看人在逋| 激情视频va一区二区三区| 成人国语在线视频| 91精品三级在线观看| 欧美精品啪啪一区二区三区| 午夜精品久久久久久毛片777| 亚洲国产看品久久| 午夜福利视频精品| 国产黄色免费在线视频| 亚洲美女黄片视频| 两个人看的免费小视频| 亚洲精品中文字幕一二三四区 | 色综合欧美亚洲国产小说| 啦啦啦 在线观看视频| 老司机在亚洲福利影院| 国产麻豆69| 国产精品免费一区二区三区在线 | 黑人巨大精品欧美一区二区mp4| 性少妇av在线| 亚洲成av片中文字幕在线观看| 国产精品熟女久久久久浪| 成年人黄色毛片网站| 精品国产一区二区三区四区第35| 真人做人爱边吃奶动态| 又大又爽又粗| 色在线成人网| 亚洲色图综合在线观看| 亚洲精华国产精华精| 国产精品影院久久| 久久久久久久久免费视频了| 久久99一区二区三区| 好男人电影高清在线观看| 久久ye,这里只有精品| 肉色欧美久久久久久久蜜桃| 女人被躁到高潮嗷嗷叫费观| 丰满人妻熟妇乱又伦精品不卡| 俄罗斯特黄特色一大片| 婷婷成人精品国产| 法律面前人人平等表现在哪些方面| 91成年电影在线观看| 天堂俺去俺来也www色官网| 精品午夜福利视频在线观看一区 | 中文字幕人妻熟女乱码| 国产精品亚洲av一区麻豆| 国产在线观看jvid| 午夜久久久在线观看| 日韩三级视频一区二区三区| 无限看片的www在线观看| 黄频高清免费视频| 国产精品久久久久久精品电影小说| 中国美女看黄片| 国产亚洲一区二区精品| 操出白浆在线播放| 巨乳人妻的诱惑在线观看| 欧美精品av麻豆av| 亚洲视频免费观看视频| 人人妻人人添人人爽欧美一区卜| 亚洲中文av在线| 中文字幕精品免费在线观看视频| 亚洲av国产av综合av卡| 国产成人系列免费观看| 99国产精品99久久久久| 大香蕉久久成人网| 国产xxxxx性猛交| 亚洲国产欧美网| 后天国语完整版免费观看| 80岁老熟妇乱子伦牲交| 欧美人与性动交α欧美软件| 视频区图区小说| 一本一本久久a久久精品综合妖精| 美女国产高潮福利片在线看|