• <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
    欧美bdsm另类| 国产精品99久久99久久久不卡 | 丝袜脚勾引网站| 亚洲精品,欧美精品| 在线亚洲精品国产二区图片欧美| 美女大奶头黄色视频| 国产日韩欧美亚洲二区| 久久ye,这里只有精品| av.在线天堂| 日韩一区二区视频免费看| 亚洲成人一二三区av| 卡戴珊不雅视频在线播放| 国产熟女午夜一区二区三区| 亚洲av欧美aⅴ国产| 性高湖久久久久久久久免费观看| 久久精品国产亚洲av天美| 国产1区2区3区精品| 国产熟女午夜一区二区三区| 国产不卡av网站在线观看| 亚洲欧美清纯卡通| 日韩一卡2卡3卡4卡2021年| 九九爱精品视频在线观看| 十分钟在线观看高清视频www| 久久精品国产亚洲av高清一级| 久久久久久人妻| 中国国产av一级| 国产极品天堂在线| 久久99热这里只频精品6学生| 国产一区二区激情短视频 | 国产精品蜜桃在线观看| 久久人人爽av亚洲精品天堂| 最新中文字幕久久久久| 成年美女黄网站色视频大全免费| 九九爱精品视频在线观看| 亚洲四区av| av片东京热男人的天堂| 18禁国产床啪视频网站| 999精品在线视频| 青青草视频在线视频观看| 欧美日韩视频精品一区| 国产一区二区激情短视频 | 久久久久国产一级毛片高清牌| 免费观看在线日韩| 丁香六月天网| 亚洲四区av| 国产日韩一区二区三区精品不卡| 日韩不卡一区二区三区视频在线| 人妻一区二区av| 啦啦啦视频在线资源免费观看| 亚洲av国产av综合av卡| 国产成人精品一,二区| 热re99久久精品国产66热6| 中文字幕av电影在线播放| 亚洲av男天堂| 性色av一级| 欧美少妇被猛烈插入视频| 久久婷婷青草| 久久精品久久精品一区二区三区| 各种免费的搞黄视频| 久久精品久久久久久噜噜老黄| 你懂的网址亚洲精品在线观看| 亚洲成人一二三区av| 高清av免费在线| 在线天堂中文资源库| 亚洲av在线观看美女高潮| 天美传媒精品一区二区| 汤姆久久久久久久影院中文字幕| 国产欧美日韩一区二区三区在线| √禁漫天堂资源中文www| 国产成人精品在线电影| 男人舔女人的私密视频| 亚洲av免费高清在线观看| 亚洲伊人久久精品综合| 成年女人在线观看亚洲视频| 久久精品国产自在天天线| 亚洲三级黄色毛片| 热99国产精品久久久久久7| 成人漫画全彩无遮挡| 中国三级夫妇交换| 制服丝袜香蕉在线| 亚洲欧美成人精品一区二区| 妹子高潮喷水视频| 少妇人妻久久综合中文| 伦理电影大哥的女人| 亚洲精品一区蜜桃| 性色avwww在线观看| √禁漫天堂资源中文www| 中文天堂在线官网| 永久免费av网站大全| 亚洲国产欧美日韩在线播放| 久久久久精品性色| 色婷婷av一区二区三区视频| 纵有疾风起免费观看全集完整版| 晚上一个人看的免费电影| 亚洲av电影在线观看一区二区三区| 久久精品国产a三级三级三级| 一本—道久久a久久精品蜜桃钙片| 午夜福利网站1000一区二区三区| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 久久久久久人人人人人| 亚洲欧美中文字幕日韩二区| 国产国语露脸激情在线看| 人妻一区二区av| 日韩中文字幕欧美一区二区 | 亚洲人成网站在线观看播放| 热re99久久精品国产66热6| 色婷婷久久久亚洲欧美| 久久久久国产一级毛片高清牌| 男女下面插进去视频免费观看| 久久精品人人爽人人爽视色| 亚洲国产毛片av蜜桃av| 老司机亚洲免费影院| av片东京热男人的天堂| 婷婷色麻豆天堂久久| 在线精品无人区一区二区三| 亚洲美女搞黄在线观看| 久久99热这里只频精品6学生| 亚洲一级一片aⅴ在线观看| 精品人妻偷拍中文字幕| 国产白丝娇喘喷水9色精品| 国产探花极品一区二区| 热99久久久久精品小说推荐| 999精品在线视频| 欧美少妇被猛烈插入视频| av网站免费在线观看视频| 久久精品国产亚洲av涩爱| 日韩精品免费视频一区二区三区| 国产精品久久久久久精品古装| 天堂8中文在线网| 国产精品 国内视频| 蜜桃在线观看..| 人妻系列 视频| 不卡av一区二区三区| 91在线精品国自产拍蜜月| 国产精品 欧美亚洲| 日本vs欧美在线观看视频| 国产极品粉嫩免费观看在线| 国产一区二区三区av在线| 久久久久久久久久久免费av| 极品少妇高潮喷水抽搐| 在线观看www视频免费| 精品国产国语对白av| 一边亲一边摸免费视频| 爱豆传媒免费全集在线观看| 国产精品欧美亚洲77777| 国产av精品麻豆| 考比视频在线观看| 一级黄片播放器| 亚洲婷婷狠狠爱综合网| av天堂久久9| 黄色怎么调成土黄色| 国产成人免费观看mmmm| 成人国产麻豆网| 久久久久久伊人网av| 日韩一本色道免费dvd| 大陆偷拍与自拍| 99久久人妻综合| 青春草国产在线视频| 婷婷成人精品国产| 久久精品国产亚洲av天美| 欧美 日韩 精品 国产| 精品国产超薄肉色丝袜足j| 国产精品久久久久成人av| 亚洲一级一片aⅴ在线观看| 国产精品 国内视频| 亚洲成色77777| 欧美激情高清一区二区三区 | 在线观看一区二区三区激情| 久久狼人影院| 涩涩av久久男人的天堂| 一级a爱视频在线免费观看| 99久久综合免费| 午夜激情久久久久久久| 精品久久久久久电影网| 亚洲欧洲国产日韩| 国产 一区精品| 天天躁夜夜躁狠狠久久av| 久久精品国产亚洲av高清一级| 免费人妻精品一区二区三区视频| 午夜福利在线观看免费完整高清在| 国产福利在线免费观看视频| 精品少妇黑人巨大在线播放| 久久久国产欧美日韩av| 国产精品免费视频内射| 免费观看无遮挡的男女| 国产精品女同一区二区软件| 一级片'在线观看视频| 国产精品三级大全| 国产精品女同一区二区软件| 国产精品久久久久久av不卡| 中文字幕精品免费在线观看视频| 久久精品夜色国产| 天天躁夜夜躁狠狠躁躁| 国产免费又黄又爽又色| 亚洲人成网站在线观看播放| 欧美老熟妇乱子伦牲交| 欧美人与善性xxx| 免费大片黄手机在线观看| 精品国产乱码久久久久久男人| 边亲边吃奶的免费视频| 波多野结衣一区麻豆| 国产精品亚洲av一区麻豆 | 男女边吃奶边做爰视频| 在线观看国产h片| 人人澡人人妻人| 我的亚洲天堂| 少妇猛男粗大的猛烈进出视频| 卡戴珊不雅视频在线播放| 国产精品久久久久成人av| 99九九在线精品视频| 男男h啪啪无遮挡| 校园人妻丝袜中文字幕| 人人澡人人妻人| 中国国产av一级| 有码 亚洲区| 午夜久久久在线观看| 丰满乱子伦码专区| 黄片播放在线免费| 日韩成人av中文字幕在线观看| 日日摸夜夜添夜夜爱| 国产精品 欧美亚洲| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品秋霞免费鲁丝片| 91国产中文字幕| 久久99蜜桃精品久久| 一级毛片 在线播放| 这个男人来自地球电影免费观看 | 久久精品国产亚洲av天美| 久久精品国产亚洲av天美| 亚洲欧美中文字幕日韩二区| 久久久久网色| 国产黄色视频一区二区在线观看| 国产日韩欧美视频二区| 如何舔出高潮| 新久久久久国产一级毛片| 一区福利在线观看| 国产毛片在线视频| 亚洲欧美成人精品一区二区| 免费黄频网站在线观看国产| 国产精品久久久久久精品古装| 啦啦啦啦在线视频资源| 韩国精品一区二区三区| 亚洲美女搞黄在线观看| 男女午夜视频在线观看| 精品亚洲乱码少妇综合久久| 日韩一区二区视频免费看| 久久久欧美国产精品| 国产欧美亚洲国产| 久久女婷五月综合色啪小说| 欧美黄色片欧美黄色片| 精品一品国产午夜福利视频| 国产精品麻豆人妻色哟哟久久| 国产淫语在线视频| 天堂俺去俺来也www色官网| 三上悠亚av全集在线观看| 乱人伦中国视频| 自线自在国产av| 老熟女久久久| 久久国内精品自在自线图片| av在线播放精品| 多毛熟女@视频| 桃花免费在线播放| 少妇的丰满在线观看| 极品人妻少妇av视频| 中文字幕人妻熟女乱码| 人妻 亚洲 视频| 男人爽女人下面视频在线观看| 亚洲精品乱久久久久久| 亚洲av欧美aⅴ国产| 男人操女人黄网站| 亚洲成国产人片在线观看| 777米奇影视久久| 亚洲国产精品一区三区| 最近手机中文字幕大全| 韩国av在线不卡| 黑人巨大精品欧美一区二区蜜桃| 欧美精品高潮呻吟av久久| 免费黄频网站在线观看国产| 香蕉丝袜av| 久久鲁丝午夜福利片| 欧美av亚洲av综合av国产av | 亚洲一级一片aⅴ在线观看| 国产成人免费观看mmmm| 有码 亚洲区| 国产日韩一区二区三区精品不卡| 大片电影免费在线观看免费| 美女国产视频在线观看| av网站在线播放免费| 精品国产一区二区久久| 免费不卡的大黄色大毛片视频在线观看| 各种免费的搞黄视频| 成人影院久久| 久久青草综合色| 高清av免费在线| 亚洲av男天堂| av片东京热男人的天堂| 性少妇av在线| 欧美另类一区| 99热网站在线观看| 日本午夜av视频| 少妇被粗大猛烈的视频| 日本午夜av视频| 国产黄色免费在线视频| 婷婷色综合大香蕉| 日韩伦理黄色片| 中文字幕色久视频| 亚洲精品视频女| 国产成人免费观看mmmm| 亚洲精品久久午夜乱码| 丝袜喷水一区| 久久99蜜桃精品久久| 久久午夜福利片| 欧美亚洲 丝袜 人妻 在线| 久久热在线av| 亚洲国产欧美日韩在线播放| 成人亚洲精品一区在线观看| 久久久久国产一级毛片高清牌| 久久韩国三级中文字幕| 天天躁夜夜躁狠狠躁躁| 日韩av在线免费看完整版不卡| 午夜91福利影院| 免费看不卡的av| 99热网站在线观看| 中文乱码字字幕精品一区二区三区| 久久亚洲国产成人精品v| 在线天堂最新版资源| 久久久久视频综合| 欧美精品亚洲一区二区| 国产成人精品福利久久| 自拍欧美九色日韩亚洲蝌蚪91| av不卡在线播放| 18+在线观看网站| 大话2 男鬼变身卡| freevideosex欧美| 日韩av免费高清视频| 亚洲成人一二三区av| 你懂的网址亚洲精品在线观看| 十分钟在线观看高清视频www| 建设人人有责人人尽责人人享有的| 精品99又大又爽又粗少妇毛片| 深夜精品福利| 国产极品天堂在线| 色哟哟·www| 久久精品夜色国产| 18禁国产床啪视频网站| 国产一区二区三区av在线| 日日爽夜夜爽网站| www.自偷自拍.com| 最近最新中文字幕大全免费视频 | 人妻系列 视频| 久久久久久久久久人人人人人人| 丝袜人妻中文字幕| 97在线视频观看| 在线观看www视频免费| 国产探花极品一区二区| 18在线观看网站| 亚洲内射少妇av| 亚洲一区中文字幕在线| 国产成人精品一,二区| 伊人亚洲综合成人网| 亚洲av电影在线观看一区二区三区| 成年av动漫网址| 大陆偷拍与自拍| 男女高潮啪啪啪动态图| 性色av一级| 欧美日本中文国产一区发布| 久久精品亚洲av国产电影网| 天美传媒精品一区二区| 18禁动态无遮挡网站| 午夜福利网站1000一区二区三区| 国产人伦9x9x在线观看 | 亚洲精品自拍成人| 欧美国产精品一级二级三级| 热99国产精品久久久久久7| 欧美av亚洲av综合av国产av | 久久久国产精品麻豆| 成人国语在线视频| 最近2019中文字幕mv第一页| 中文字幕人妻丝袜一区二区 | 亚洲欧美成人综合另类久久久| 777久久人妻少妇嫩草av网站| 亚洲精品美女久久久久99蜜臀 | 97精品久久久久久久久久精品| 看十八女毛片水多多多| 丝袜人妻中文字幕| 91久久精品国产一区二区三区| 韩国av在线不卡| 久久鲁丝午夜福利片| 久久久久国产一级毛片高清牌| 久久久久国产精品人妻一区二区| 看十八女毛片水多多多| 成年女人毛片免费观看观看9 | 久久人人爽av亚洲精品天堂| 久热久热在线精品观看| 大陆偷拍与自拍| 免费av中文字幕在线| 亚洲国产成人一精品久久久| 国产av精品麻豆| 国产麻豆69| 春色校园在线视频观看| 欧美精品高潮呻吟av久久| 制服丝袜香蕉在线| av一本久久久久| 18禁动态无遮挡网站| 亚洲欧美一区二区三区黑人 | 久久精品熟女亚洲av麻豆精品| 哪个播放器可以免费观看大片| 国产精品嫩草影院av在线观看| 青春草视频在线免费观看| 欧美日韩成人在线一区二区| 国产精品久久久久久av不卡| 午夜福利乱码中文字幕| 精品国产一区二区久久| 久久久久网色| 午夜影院在线不卡| 亚洲精品aⅴ在线观看| 国产人伦9x9x在线观看 | freevideosex欧美| 成人漫画全彩无遮挡| 日本欧美视频一区| 最新的欧美精品一区二区| 亚洲精品av麻豆狂野| 欧美日韩av久久| 午夜福利一区二区在线看| 亚洲av成人精品一二三区| 久久久久精品性色| 97在线人人人人妻| 日本-黄色视频高清免费观看| 亚洲综合色网址| 亚洲欧美日韩另类电影网站| 午夜福利一区二区在线看| 亚洲欧美成人综合另类久久久| 国产精品一二三区在线看| 寂寞人妻少妇视频99o| 免费在线观看黄色视频的| 一区二区三区乱码不卡18| 亚洲成av片中文字幕在线观看 | 久久精品久久久久久噜噜老黄| 亚洲精品成人av观看孕妇| 日本-黄色视频高清免费观看| 国产片内射在线| 老汉色∧v一级毛片| 欧美日韩综合久久久久久| 桃花免费在线播放| 建设人人有责人人尽责人人享有的| 国产欧美亚洲国产| 一本色道久久久久久精品综合| 亚洲精品国产色婷婷电影| www.熟女人妻精品国产| 国产乱来视频区| 熟女电影av网| 久久久久久久久免费视频了| 男人舔女人的私密视频| 男女边摸边吃奶| 亚洲 欧美一区二区三区| 男女无遮挡免费网站观看| 免费在线观看黄色视频的| 一本大道久久a久久精品| 99re6热这里在线精品视频| 女人精品久久久久毛片| av女优亚洲男人天堂| 午夜福利,免费看| 国产成人91sexporn| 国产精品99久久99久久久不卡 | av在线app专区| 国产极品天堂在线| 在线 av 中文字幕| 美女高潮到喷水免费观看| 两个人看的免费小视频| 伊人久久国产一区二区| 久久精品亚洲av国产电影网| 老司机亚洲免费影院| 亚洲在久久综合| 亚洲一级一片aⅴ在线观看| 一级黄片播放器| 人人妻人人澡人人爽人人夜夜| 高清av免费在线| 飞空精品影院首页| 欧美精品人与动牲交sv欧美| 亚洲国产欧美网| 亚洲在久久综合| 成年女人毛片免费观看观看9 | 咕卡用的链子| 免费看不卡的av| 亚洲精品久久久久久婷婷小说| av在线播放精品| 久久久a久久爽久久v久久| 亚洲av中文av极速乱| 咕卡用的链子| 在线天堂中文资源库| www.熟女人妻精品国产| 欧美av亚洲av综合av国产av | 欧美bdsm另类| 韩国高清视频一区二区三区| 国产福利在线免费观看视频| 国产1区2区3区精品| 午夜影院在线不卡| av在线观看视频网站免费| 9191精品国产免费久久| 午夜精品国产一区二区电影| 欧美精品人与动牲交sv欧美| 欧美人与性动交α欧美软件| 99re6热这里在线精品视频| 国产片内射在线| 日韩视频在线欧美| 国产精品亚洲av一区麻豆 | 99热全是精品| 国产成人精品久久二区二区91 | 亚洲精品自拍成人| 丰满少妇做爰视频| 欧美老熟妇乱子伦牲交| 各种免费的搞黄视频| 在线亚洲精品国产二区图片欧美| 丝袜人妻中文字幕| 亚洲欧美中文字幕日韩二区| 国产熟女欧美一区二区| 卡戴珊不雅视频在线播放| 99re6热这里在线精品视频| 激情五月婷婷亚洲| 日韩精品免费视频一区二区三区| 国产97色在线日韩免费| 中文字幕亚洲精品专区| 大话2 男鬼变身卡| av在线播放精品| 少妇的逼水好多| 亚洲av成人精品一二三区| 国产日韩欧美视频二区| 伊人亚洲综合成人网| 日本欧美国产在线视频| 香蕉丝袜av| 午夜91福利影院| 色网站视频免费| 国产精品久久久久久av不卡| 国产毛片在线视频| 久久久久人妻精品一区果冻| 午夜福利乱码中文字幕| 欧美日韩亚洲国产一区二区在线观看 | 少妇熟女欧美另类| 人成视频在线观看免费观看| 五月天丁香电影| 午夜福利在线观看免费完整高清在| 亚洲国产最新在线播放| 亚洲经典国产精华液单| 啦啦啦视频在线资源免费观看| 亚洲在久久综合| 天堂8中文在线网| 亚洲精华国产精华液的使用体验| 一边亲一边摸免费视频| 精品人妻一区二区三区麻豆| 香蕉国产在线看| 黄色视频在线播放观看不卡| 人人妻人人澡人人爽人人夜夜| 欧美日韩视频高清一区二区三区二| 成年女人在线观看亚洲视频| 一级片'在线观看视频| 久久国产精品男人的天堂亚洲| 日韩三级伦理在线观看| 国产日韩欧美亚洲二区| 精品一区二区三区四区五区乱码 | 黑人巨大精品欧美一区二区蜜桃| 精品国产乱码久久久久久男人| 国产免费视频播放在线视频| 深夜精品福利| 97在线视频观看| 男女无遮挡免费网站观看| 国产一区二区在线观看av| 高清在线视频一区二区三区| 日韩制服骚丝袜av| 97在线人人人人妻| 国产国语露脸激情在线看| 三上悠亚av全集在线观看| 欧美日韩成人在线一区二区| 水蜜桃什么品种好| 日韩av不卡免费在线播放| 午夜激情av网站| 肉色欧美久久久久久久蜜桃| 丝袜美足系列| 成人免费观看视频高清| 丰满迷人的少妇在线观看| av视频免费观看在线观看| 一边亲一边摸免费视频| 巨乳人妻的诱惑在线观看| 日韩大片免费观看网站| 亚洲国产毛片av蜜桃av| av网站在线播放免费| 日韩一区二区视频免费看| 欧美另类一区| 免费在线观看完整版高清| 综合色丁香网| 国产成人精品福利久久| 亚洲成人手机| 免费观看在线日韩| 99久久精品国产国产毛片| 黄频高清免费视频| 精品少妇内射三级| 国产免费现黄频在线看| 少妇猛男粗大的猛烈进出视频| 国产在线免费精品| 免费观看无遮挡的男女| 在线精品无人区一区二区三| 欧美日韩视频高清一区二区三区二| 久久久久精品人妻al黑| 精品少妇内射三级| 国产有黄有色有爽视频| 亚洲欧美中文字幕日韩二区| 亚洲精品日韩在线中文字幕| 一区二区三区激情视频| 91国产中文字幕| 男人舔女人的私密视频| av免费在线看不卡| 免费黄频网站在线观看国产| 欧美中文综合在线视频| 欧美老熟妇乱子伦牲交| 亚洲 欧美一区二区三区| 久久久久久久久久人人人人人人|