《電子技術應用》
您所在的位置:首頁 > 通信與網絡 > 設計應用 > 一種基于云計算的大圖高頻模式挖掘算法
一種基于云計算的大圖高頻模式挖掘算法
張曉蕾,馬曉麗
(石家莊信息工程職業學院 微軟IT學院,河北 石家莊050000)
摘要: 現有的圖挖掘算法在云環境下難以有效地進行大規模圖形的高頻模式挖掘。為此,對SpiderMine算法做了改進,提出一種基于云的SpiderMine算法(c-SpiderMine)。該算法首先利用最小切割算法將大規模圖形數據分為多個子圖,使分區/融合成本最小,然后利用SpiderMine進行模式挖掘,顯著降低了大型模式生成時的組合復雜度。最后采用一種模式鍵函數來保存模式,以保證所有模式可被成功恢復和融合。基于3種真實數據集的仿真實驗結果表明,c-SpiderMine可高效挖掘云環境下的前K個大型模式,在不同數據規模和最小支持設置條件下,c-SpiderMine在內存使用和運行時間方面的性能均優于SpiderMine。
中圖分類號: TP393
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.2015.09.026

中文引用格式: 張曉蕾,馬曉麗. 一種基于云計算的大圖高頻模式挖掘算法[J].電子技術應用,2015,41(9):95-98.
英文引用格式: Zhang Xiaolei,Ma Xiaoli. A high frequency patterns mining algorithm of big graph based on cloud computing[J].Application of Electronic Technique,2015,41(9):95-98.
A high frequency patterns mining algorithm of big graph based on cloud computing
Zhang Xiaolei,Ma Xiaoli
Microsoft IT Department,Shijiazhuang Information Engineering Vocational College,Shijiazhuang 050000,China
Abstract: The existing graph mining algorithms in a cloud environment is difficult to carry out mining the high frequent patterns of a massive graph .To solve this problem, this paper has made the improvement to the SpiderMine algorithm, an improved SpiderMine algorithm is proposed based on the cloud(c-SpiderMine). Firstly, one big graph data into several sub graphs by minimum cut algorithm to minimize partition/merge costs. And then exploits SpiderMine to mine the patterns, which generating large patterns with much lower combinational complexity. Finally, a pattern key (PK) function is proposed to preserve the patterns, which guarantees that all patterns can be successfully recovered and merged. We conduct the experiments with three real data sets, and the experimental results demonstrate that c-SpiderMine can efficiently mine top-k large patterns in the cloud, and performs well in memory usage and execution time with different data sizes and minimum supports than the SpiderMine.
Key words : graph mining;cloud computing;frequent patterns;minimum cut algorithm;pattern key function;execution time

 

0 引言

  圖挖掘問題[1-3]在移動互聯網、大數據處理等領域具有十分重要的應用價值,是目前的研究熱點。文獻[4]提出了一種基于共生頻繁項樹和逆矩陣的圖挖掘算法。文獻[5]中的SpiderMine算法采用概率挖掘理論來尋找前K個最大模式,通過將小規模高頻率模式融合為大規模模式,克服了算法瓶頸,效率較高。文獻[6]提出了一種自適應云端的大規模導出子圖提取算法,以解決資源優化利用與海量圖挖掘等問題。文獻[7]提出一種圖形挖掘系統OPAvion。然而,上述方法均無法進行云環境下大規模圖形的高頻率模式挖掘。為了解決以上問題,本文針對文獻[5]中的SpiderMine算法提出云環境下的新算法c-SpiderMine。c-SpiderMine包括分區、挖掘、融合3個階段。分區階段利用最小切割算法將大規模圖形數據分為多個子圖,使分區/融合成本最小。第2階段為挖掘階段,利用SpiderMine進行模式挖掘,利用約簡器可有效降低圖形同構測試的成本,顯著降低大型模式生成時的組合復雜度。更重要的是,本文構建一個全局表格以避免該階段出現不對稱信息,最后一個階段是模式融合。本文提出一種模式鍵(Pattern Key,PK)函數來保存模式,以保證所有模式可被成功恢復和融合。

1 問題描述

  1.1 圖分割

  將輸入的數據圖表示為G,將分割數據集表示為S。圖分割問題可定義如下:

  定義1:已知圖形G=(V,E),切邊集合C(Ec),其中Ec將G分為多個分區{S1,S2,…,Sn},且對任意i≠j有Ui Si=V。切邊集合Ec為頂點屬于不同分區的邊集合。

  1.2 不對稱信息

  基于經典的MapReduce[8]模型,本文在分區階段將圖形G分割為多個子圖S1,S2,…,Sn。在挖掘階段,需要挖掘初始時頻率較低的圖形模式,稱為spider,定義2中對此進行描述。

  定義2:將半徑約束在r范圍內的高頻率模式稱為r-spider。用圖形的頭部表示每個spider,Spider的半徑為其節點的最小偏心率,因此,radius(spider)=min{e(v):v∈V(spider)}。

  1.3 模式融合

  在融合階段,將利用挖掘階段生成的spider生成全局高頻率模式。這一問題的簡單求解方法是發送spider然后對其融合。然而,如果在一臺機器上融合所有圖形,則將產生兩個問題。首先,約簡程序的存儲空間無法從所有映射程序中讀取所有的高頻率子圖,因為高頻率模式集合的數據規模大于原始的輸入圖形規模。其次,難以定義合適的融合鍵值。對鍵值做普通選擇會復制切割節點。然而,選擇這些節點作為鍵值會導致部分大規模模式無法被融合。

2 c-SpiderMine算法

  圖1給出了本文方法的框架。

001.jpg

  2.1 分割階段

  本文采用最小切邊算法來進行圖分割。最小切邊集合概念見定義3。

  定義3:已知圖形G(V,E),其中V表示頂點結合,E表示邊緣集合,G(V,E)的最小切邊集合Ec(S,T)可將V分割為S且T=V-S,同時有s∈S,t∈T,且Ec(S,T)=Ec(u,v)的容量最小。

  為了將圖形G(V,E)分割為k個均勻子圖且每個子圖均能保留其結構,首先利用最小切邊集合Ec將一個圖形分割為多個子圖,然后,在u和v分別隸屬的兩個子圖中,復制最小切邊集合Ec上的所有節點對(u,v)。該階段算法見算法1。

  算法1:分割階段

  要求:圖G=(V,E)

  k:圖形分割數量

  輸出:Gsub={g1,…,gk},G被分割的子圖

  1: Gsub←k-Partition(G,k)

  2: for 每個gi,gj∈Gsub  do

  3: Ec←{(vi,vj)|vi∈gi(V),vj∈gj(V)}

  //添加gi和gj中的切邊集合Ec

  4: gi(E)←gi(E)∪Ec

  //添加gi的切割節點集合Vc的連通邊緣

  5: gi(E)←gi(E)∪{(vi,vj)|vi∈Ec|vj∈Ec∧i≠j}

  6: 輸出所有子圖Gsub

  2.2 挖掘階段

  在挖掘階段的第1步,采用文獻[9]中提出的模式增長算法實現spider增長,以便在半徑約束內挖掘所有的高頻率圖形模式,它只需一個處理器就可獲得所有的初始spider。在該階段中,首先需要選擇一個節點作為初始模式。然后,算法利用與模式相連的邊來擴展模式,進而生成新的候選。算法還收集模式嵌入因子。如果嵌入因子數量低于支持閾值,則算法修剪候選。為了實現spider的并行增長,本文采用BSP模型來增長相同深度內不同子圖中的spider,即可以在同一超級步驟內生成邊緣和節點數量相同的所有高頻率spider候選。在挖掘階段的第2步中,通過構建一個全局表來維護每個spider候選的支持數。在同頻率圖形模式候選集合增長期間,通過Canonical forms[10]對候選模式進行編碼,將每個候選模式的本地支持量發送給全局表。然后,在超級步驟結束后修剪頻率較低的候選,并確保所有處理器均增加了候選的可能嵌入因子數。通過這種方法可以保證不會有模式由于信息不對稱而被修剪。挖掘階段的整個步驟見算法2。

  算法2:MiningPhase(挖掘階段)

  要求:Gsub:分割后的子圖

  r:圖形半徑

  最小支持閾值

  輸出:〈Ec(Gid),S′〉,Gsub中的切邊集合和高頻率圖形模式集合

  Map(Key k,Value v)

  1: Gid←k//鍵定義為子圖ID

  2: Gsub←v//值定義為子圖數據

  3: 利用標識頻率對Gsub中所有節點進行同步和排序

  4: for all gi∈Gsub do

  5: 修剪低頻率標識,重新標識gi的節點

  6: 輸出〈Gid,Gsub〉

  Reduce(Key k,Values v[])

  1: Gid←k//鍵為子圖ID

  2: Gsub←v//值為子圖數據

  3: S1←Gsub中所有本地高頻率單邊圖形

  4: for 每個s∈S1 do

  5: supglobal(s)←CalculateSupport(s)

  6: S∈S1;

  7: if  S≠?覫 do

  8:  for 每個s∈S  do

  9:    if supglobal(s)<?茲且Radius(s)≠r then

  10:S′←S-{s}

  11:    else

  12:S′←GrowPattern{s}

  //生成候選圖形模式并更新supglobal

  13:sync(s,supglobal)//BSP模型同步

  14: 輸出〈Ec(Gid),S′〉

  2.3 融合階段

  融合階段包括兩個MapReduce任務。第1個任務是將不同子圖中的spider擴展為更大規模的模式。為了解決融合問題,文中提出一種基于重疊的模式鍵(Pattern Key,PK)函數。鍵(key)定義為每個高頻率圖形模式候選的哈希碼,值(value)定義為候選spider每個子圖中嵌入因子數的支持數之和。PK函數的作用在于保留初始關系,提供兩個子圖間的關聯。PK函數的定義見定義4。

  定義4:已知一個子圖g(V,E),其中V表示節點集合,E表示邊集,Vc表示復制節點集。將切割節點vc∈Vc的重疊切割節點集定義。

  第2個任務稱為模式修剪任務,內容是當兩個模式同形時修剪掉重復的模式。模式修剪任務之后,可以計算每個模式的支持數。最后,將所有模式發送給模式融合任務。因為本文已經在先前的任務中修剪掉了低頻率模式并進行了同構測試,所以通過檢查兩個模式是否擁有相同的PK來進行模式融合。如果兩個模式的PK相同,則通過該相同的spider對其融合。重復這一步驟,直到新生成的模式的直徑超出直徑界限為止。限于篇幅,融合階段的詳細步驟在此略去。

3 仿真實驗

  3.1 實驗環境

  本文在33個虛擬機構成的云計算環境下,將c-SpiderMine部署于HAMA 0.5和Hadoop 1.0.3上,其中一個節點作為主節點,其余節點均作為從屬節點。所有實驗運行于256 GB內存和1 GB以太網英特爾Xeon服務器平臺上。

  3.2 與SpiderMine的比較


002.jpg

  為了證明c-SpiderMine的有效性,選擇SpiderMine作為基準算法來比較節點數量不同時的運行時間,最小支持數不同時的運行時間及內存使用情況。從網站上選擇兩種大型數據集[11]進行測試,如圖2(a)所示,當節點規模變大時運行時間上升,在該圖中,可以發現當數據規模大于20 000時,SpiderMine難以為圖形提供支持,相反,當數據規模增大時,c-SpiderMine的性能較優。圖2(b)表明即使最小支持數較低,c-SpiderMine在運行時間方面的性能仍優于SpiderMine。此外,可以發現當最少支持數低于0.82%時,c-SpiderMine優于SpiderMine。總體來說,本文c-SpiderMine方法在處理大規模圖形數據時顯示出了良好的運行時間性能,降低了內存使用量,且效率高于SpiderMine。

  3.3 伸縮性

  (1)最小支持設置的影響:下面分別在圖3(a)和3(b)中給出com-DBLP和Amazone0302的運行時間。兩組實驗的最小支持設置范圍為0.01%-0.035%,節點規模分別為40 000、70 000和100 000。結果表明,當最小支持設置增加時,運行時間下降。這表明,當最小支持設置增加時,生成的模式數量變小,運行時間降低。此外,當N增加時,運行時間同步增加,明顯表明有更多的節點生成更多的模式,消耗更多的時間。實驗表明,當節點規模和最小支持數增加時,c-SpiderMine在運行時間方面具有良好的伸縮性。

  (2)機器數量的影響:本節研究了機器數量不同時的性能。驗證c-SpiderMine的性能時,對com-DBLP數據集使用4、8、16和32臺機器,最小支持設置為0.25%、0.35%和0.4%,對Amazone0302數據集使用2、4、8、16和32臺機器,最小支持設置為0.2%、0.28%和0.35%。在圖4(a)和4(b)中,當機器數量上升時運行時間呈指數下降。結果表明,機器數量增加可提高性能和效率,這進一步證明云計算可直接提高大規模圖形數據挖掘的伸縮性。

4 結論

  本文提出了c-SpiderMine算法,在處理大規模圖形數據時有效融合了BSP模型、SpiderMine和云計算。實驗結果表明,在不同數據規模和最小支持設置條件下,c-SpiderMine在內存使用和運行時間方面的性能均優于SpiderMine。文中還證明了c-SpiderMine在不同的最小支持設置和機器數量條件下,具有良好的伸縮性。在下一步工作中,可結合更多的真實大型數據集對本文方法展開研究。

參考文獻

  [1] 孫鶴立,陳強,劉瑋,等.利用MapReduce平臺實現高效并行的頻繁子圖挖掘[J].計算機科學與探索,2014,8(7):790-801.

  [2] ANCHURI P,ZAKI M J,BARKOL O,et al.Approximate graph mining with label costs[C].Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining.ACM,2013:518-526.

  [3] KANG U,AKOGLU L,CHAU D H P.Big graph mining:algorithms,anomaly detection,and applications[J].Proceedingsof the ACM ASONAM,2013,13:25-28.

  [4] 李濤,肖南峰.基于共生頻繁項樹和逆矩陣的圖挖掘[J].計算機應用研究,2014,31(10):2916-2919.

  [5] ZHU F,QU Q,LO D,et al.Mining top-k large structural patterns in a massive network[J].Proceedings of the VLDB Endowment,2011,4(11):807-818.

  [6] 郭鑫,董堅峰,周清平.自適應云端的大規模導出子圖提取算法[J].計算機科學,2014,41(6):155-160.

  [7] AKOGLU L,CHAU D H,KANG U,et al.Opavion:mining and visualization in large graphs[C].Proceedings of the 2012ACM SIGMOD International Conference on Management of Data.ACM,2012:717-720.

  [8] SARMA A D,AFRATI F N,SALIHOGLU S,et al.Upper and lower bounds on the cost of a map-reduce computa-tion[C].Proceedings of the VLDB Endowment. VLDB Endowment,2013,6(4):277-288.

  [9] BORGELT C,MEINL T,BERTHOLD M.Moss:a program for molecular substructure mining[C].Proceedings of the 1st international workshop on open source data mining:frequentpattern mining implementations.ACM,2005:6-15.

  [10] BORGELT C.Canonical forms for frequent graph mining[M].Advances in Data Analysis,Springer Berlin Heidelberg,2007:337-349.

  [11] LESKOVEC J.Stanford large network dataset collection[J].URL http://snap.stanford.edu/data/index.html,2011.


此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 国产色无码精品视频免费 | 无码精品人妻一区二区三区影院 | 国产精品拍拍 | 国产a∨精品一区二区三区不卡 | 麻豆一区二区三区 | 欧美性猛交xxxx黑人猛交 | 99精品久久毛片a片 在线亚洲高清揄拍自拍一品区 | 亚洲精品午夜久久久久久久 | 91亚洲精品一区二区 | 久久久影视文化传媒有限公司 | 久久zyz资源站无码中文动漫 | 亚洲污片| 3d动漫精品啪啪一区二区中 | 欧美视频在线观看免费 | 亚洲精品无圣光一区二区 | 欧美日韩三 | 精品国产依人香蕉在线精品 | 毛片网站在线看 | 成人三级视频 | 日韩精品无玛区免费专区又长又大 | 天堂资源地址在线 | 橘梨纱av一区二区三区在线观看 | 欧美xxx性 | 久久99精品国产麻豆91樱花 | 亚洲愉拍99热成人精品 | 黑人大荫蒂高潮视频 | 久久99精品久久久久久秒播九色 | 日本三级吃奶头添泬 | 日本大人吃奶视频xxxx | 午夜爱爱免费视频体验区 | 亚洲欧美综合区自拍另类 | 人人cao | 深夜福利一区二区 | 伊人网在线 | 青青青国产精品一区二区 | 无码丰满少妇2在线观看 | 国产午夜精品av一区二区麻豆 | 一出一进一爽一粗一大视频 | 国产成人鲁鲁免费视频a | 国产乱人伦精品一区二区 | 日日摸日日碰夜夜爽久久四季 | 国产一级做a爰片久久毛片男 | 日本少妇做爰全过程二区 | 特级做a爰片毛片免费看无码 | 国产精品成久久久久三级6二k | 国产又粗又猛又爽又黄91 | 绯色av一区二区三区在线观看 | 毛片3| 51久久成人国产精品麻豆 | 奇米四色在线观看 | 天美乌鸦星空mv | 少妇被粗大的猛烈进出 | 一级片黄色毛片 | 亚洲女同在线 | 在线视频日本 | 国产精品亚洲一区二区三区 | 97久久天天综合色天天综合色hd | 久久er热在这里只有精品66 | 国产福利合集 | 亚洲做受高潮软件 | 色欲狠狠躁天天躁无码中文字幕 | 亚洲蜜臀av乱码久久精品蜜桃 | 美女野外找人搭讪啪啪 | 在线观看黄色片网站 | www网站在线观看 | 夜夜躁很很躁日日躁麻豆 | 亚洲欧美日韩一区二区三区四区 | 欧美经典一区二区三区 | 国产一级αⅴ片免费看 | 午夜福利伦伦电影理论片在线观看 | 成x99人av在线www | 99蜜桃臀久久久欧美精品网站 | 老头老太吃奶xb视频 | 日韩 欧美 综合 | 国产美女自拍视频 | 大尺度做爰床戏呻吟色戒韩国 | 东方av正在进入 | 美女嘘嘘嘘aaaaaaaa级 | 九色丨9lpony丨大学生 | 午夜精品久久久久久99热软件 | 国产成人亚洲综合青青 | 国产黄色av片 | 五月婷激情 | 欧美日韩久久久精品a片 | 久久波多野 | 中文精品无码中文字幕无码专区 | 国产偷人妻精品一区 | 国产探花视频在线观看 | www.美色吧.com | 日韩av手机在线播放 | 红桃视频一区 | 最新国产视频 | 激情内射亚洲一区二区三区爱妻 | 91精品在线播放 | 久久99精品一区二区蜜桃臀 | 天天免费看av | 亚洲欧美少妇 | 日本做暖暖xo小视频 | 9999国产精品 | 少妇献身老头系列 | 日本高清视频在线 | 巨乳美女在线 | 伊人久久大香线蕉综合影院首页 | 国产精品羞羞答答xxdd | 强制中出し~大桥未久10在线播放 | 男人在线网站 | 欧美黑粗大 | 日本在线高清视频 | 亚洲成人免费视频在线 | 精品少妇一区二区三区在线观看 | 白嫩少妇和二男三p爽的大声呻吟 | 日韩国产一区二区三区四区 | 老熟女一区二区免费 | 中文字幕日韩一区二区三区不卡 | 99精品免费久久久久久久久 | 美女天天干 | 亚洲欧洲一区二区在线观看 | 日韩视频h | 四虎4hu永久免费深夜福利 | 欧美在线你懂的 | 亚洲熟妇无码爱v在线观看 又色又爽又黄18禁美女裸身无遮挡 | 国产一区第一页 | 国产精品高潮呻吟久久av郑州 | 国产女人爽到高潮免费视频 | 精品国产乱码久久久久久108 | 182tv午夜 | 欧美精品在线观看一区二区 | 女人夜夜春精品a片 | 成人免费做受小说 | 国产精品乱码久久久 | 久久久久久亚洲av毛片大全 | 毛片视频在线免费观看 | 国产在线拍揄自揄视精品按摩 | 川上优av一区二区线观看 | 国产精品毛片久久久久久久 | 婷婷五月小说 | 久久精品一 | 欧美日韩中文在线观看 | 亚洲色图20p | 欧美午夜性春猛交xxxx明星 | 日韩精品一区二区三区国语自制 | 欧美性大战xxxxx久久久 | 国产精品无码一区二区桃花视频 | 亚洲一级特黄 | 国产乱妇4p交换乱免费视频 | 亚洲精品成人无码中文毛片不卡 | 国产精品九九九九九 | 91亚洲乱码卡一卡二卡新区豆 | 成人黄色在线播放 | 一区二区免费视频 | 亚洲欧美综合精品久久成人网无毒不卡 | 国产成年人网站 | 国产精品a无线 | 伊人精品在线观看 | 黄色精品在线观看 | 亚洲日韩电影久久 | 国产无遮挡a片又黄又爽 | 成人免费看片39在线 | 你懂的视频在线播放 | 光棍影院av | 欧美亚洲视频 | 97av麻豆蜜桃一区二区 | 小鲜肉自慰网站xnxx | 亚洲国产成人久久综合 | 成人交性视频免费看 | 一级片免费网站 | 91丨九色丨国产丨porny | 性无码专区无码 | 一级片免费观看视频 | 偷国产乱人伦偷精品视频 | 亚洲中文字幕无码中文字 | 99国产精品久久久 | 青青草原综合久久大伊人精品 | 亚洲国产成人精品久久久国产成人 | 伊人网在线播放 | 成人精品喷水视频www | 三级网址在线播放 | 熟妇人妻不卡中文字幕 | 成人国内精品久久久久影院vr | 九九九视频在线观看 | 亚洲欧洲精品成人久久曰 | 国产网红主播一区二区三区 | 精品国产髙清在线看国产毛片 | 亚洲va天堂va欧美ⅴa在线 | 又大又黄又爽视频一区二区 | 日本高清一区免费中文视频 | 日韩高清国产一区在线 | 狠狠久久亚洲欧美专区 | 亚洲最大成人在线视频 | 久草热视频 | 欧亚一区二区三区 | 九九九九九九精品 | 少妇一级淫片免费放 | 久久国产乱子伦精品免费午夜,浪货好紧 | 欧美 日韩 精品 | 国产对白乱刺激福利视频 | 黄色免费毛片 | 亚洲综合日韩精品欧美综合区 | 国产精品污www在线观看 | 午夜美女裸体福利视频 | 免费看av大片 | 一级国产20岁美女毛片 | 国产激情无码一区二区app | 日韩人妻无码精品—专区 | 天天爱天天草 | 国语对白做受欧美 | 亚洲精品二三区 | 国产做a爱片久久毛片a片 | 免费av网站观看 | 国模一区二区 | 精品久久久久久综合日本 | 国产永久毛片 | 亚洲精品日本久久一区二区三区 | 在线免费小视频 | 精品少妇一区二区视频在线观看 | 亚洲一区二区三区丝袜 | 国产又粗又猛又黄视频 | 粗壮挺进人妻水蜜桃成熟 | 日韩av在线看免费观看 | 国产精品视频免费在线观看 | 免费看又黄又无码的网站 | 麻豆乱码国产一区二区三区 | 中文 在线 日韩 亚洲 欧美 | 欧美a v在线播放 | 狠狠躁夜夜躁人人爽天天5 中国china露脸自拍性hd | 97人人澡人人深人人添 | 国产精品欧美精品 | 亚洲精品乱码久久久久v最新版 | 天天鲁夜夜免费观看视频 | 亚洲久色影视 | 能看的av网站 | 久久不见久久见免费影院 | 午夜视频在线观看视频 | 99九九99九九九视频精品 | 伊人久久大香线蕉综合影院首页 | 精品国产三级在线观看 | 国产高清不卡无码视频 | 91嫩草影视 | 特黄aaaaaaaaa毛片免 | 国产自在自线午夜精品 | yy6080高清性理论片啪 | 超碰网站在线 | 亚洲 中文 欧美 日韩 在线 | 亚洲国产片 | 中文字幕无码人妻aaa片 | 欧美交a欧美精品喷水 | 爱情岛论坛亚洲首页入口章节 | 日韩小视频在线 | 女人喷液抽搐高潮视频 | 人妻一本久道久久综合久久鬼色 | 国产福利免费观看 | av资源首页 | 午夜美女国产毛片福利视频 | 中文字幕久热精品视频在线 | 欧美激情久久久久 | 国产香蕉av| 亚洲色图偷拍视频 | 在线视频观看免费视频18 | 日本中文在线 | 伊人久久婷婷色综合98网 | 国产精品丝袜高跟鞋 | 裸体丰满少妇xxxxxxxx | 懂色av一区二区三区免费看 | 少妇又色又紧又爽又刺激视频 | 中文字幕第31页 | 日韩精品一区在线 | 国产精品久久久久久白浆 | 亚洲成人经典 | 精品国产91乱码一区二区三区 | 黄色国产精品 | 无码精品国产一区二区三区免费 | 777爽死你无码免费看一二区 | www69堂| 亚洲欧洲美洲精品一区二区三区 | 国产a免费 | 国产精品久久久久久久久久久久午 | 成人黄色小说视频 | 久久久国产片 | 久久99在线 | 国产亚洲欧美日韩精品一区二区三区 | 天堂网avav | 亚洲天堂网在线视频 | 国产精品久久久久亚洲影视 | 精品国产一区二区三区四区五区 | 精品视频久久久 | 久久综合资源 | 亚洲女人天堂网 | 女性向av片在线观看免费 | 日韩aa| 欧美黄色www | 2020无码专区人妻系列日韩 | 日本激情一区二区三区 | 成人国产一区 | 日韩欧美福利视频 | 欧美hdse| 久久亚洲精品小早川怜子 | 美女赤身免费网站 | 欧美黑人添添高潮a片www | 女性隐私黄www网站视频 | 日韩高清影视在线观看 | 国产在线视频不卡 | 成人免费视频网站在线看 | 色哟哟精品视频在线观看 | 日本一区午夜艳熟免费 | 亚洲性久久9久久爽 | 亚洲精品字幕在线观看 | 国产精品高潮呻吟久久av免费动漫 | 欧美看片| 国产又粗又猛又大爽 | 欧美性色黄大片a级毛片视频 | 夜夜爽www | 免费看日产一区二区三区 | 黄色av网站免费看 | 电车痴汉在线观看 | 日韩一区在线播放 | 亚洲一区二区在线播放相泽 | 女同互舔互慰dv毛片 | 欧美激情视频一区二区 | 狠狠伊人 | 免费久久99精品国产婷婷六月 | 中文字幕第99页 | 免费放黄网站在线播放 | 午夜婷婷在线观看 | 综合人妻久久一区二区精品 | 欧美丝袜一区二区三区 | 午夜福利电影 | 欧美成人91 | 国产小视频在线看 | 狠狠做五月深爱婷婷 | 亚洲熟女乱色综合亚洲图片 | 欧美成人精精品一区二区频 | 久久久久久久久无码精品亚洲日韩 | 精品国产一区二区三区久久久蜜月 | 精品少妇人妻av免费久久久 | 激情丁香婷婷 | 亚洲一区 在线播放 | 成人性生交xxxxx网站 | 日韩另类视频 | 亚洲精品久久久无码一区二区 | 国产老熟女网站 | 国产传媒在线视频 | 欧美做受高潮中文字幕 | 女人被男人爽到呻吟的视频 | 日韩精品一区二区三区四区在线观看 | 亚洲一区中文字幕在线观看 | 久久人人爽人人爽人人片av免费 | 国产成人免费片在线观看 | 国产精品无码一区二区三区不卡 | 拔擦拔擦8x国产精品免费 | 男人和女人做爽爽视频 | 午夜两性视频 | 777午夜福利理伦电影网 | 亚洲成a人片在线观看无码专区 | 国产免费麻豆 | 午夜视频久久久 | 欧美色图11p| 国产午夜手机精彩视频 | 日本寂寞少妇 | 中文字幕熟妇人妻在线视频 | 亚洲成年轻人电影网站www | 少妇熟女久久综合网色欲 | 鲁大师在线视频播放免费观看 | 农村真人裸体丰满少妇毛片 | 在线欧美日韩国产 | 午夜大片男女免费观看爽爽爽尤物 | 国产精品久久久久久久久人妻 | 免费一级做a爰片久久毛片潮 | 精品九九久久 | 国产毛片精品国产一区二区三区 | 国产一区二区三区免费 | 中国一级特黄真人毛片免费观看 | 欧美激情综合色综合啪啪五月 | 亚洲a级在线观看 | 亚洲三级国产 | 两男一前一后cao一女 | 女人舌吻男人茎视频 | 91久| 国产午夜片无码区在线播放 | 国产伦精品一区二区三区千人斩 | 国产精品久久久久久久久免费樱桃 | www91av| 国产成人亚洲综合无码99 | 综合精品视频 | 国产精品区一区二 | 欧美丰满大乳大屁股毛片图片 | 成人男男视频拍拍拍在线观看 | 69免费 | а天堂中文地址在线 | 国产精品熟女高潮视频 | 亚洲精品一线二线 | 国产一级二级 | 又色又爽又高潮免费视频国产 | 欧美日韩一区二区三区不卡 | 中文在线天堂网 | 最好看十大无码av | 国产精品第12页 | 国产精品久久麻豆 | 黄色免费在线播放 | 久久久www免费人成黑人精品 | 欧洲a老妇女黄大片 | 成年美女黄网站色大免费视频 | 男人天堂网在线 | 亚洲第9页| 精品久久香蕉国产线看观看亚洲 | 性户外野战hd | 999精品在线视频 | 孕妇丨91丨九色 | 人人妻久久人人澡人人爽人人精品 | 中文字幕第一页在线 | 国产91在线视频观看 | 欧美一级一区 | 日韩一级片网站 | 色噜噜av | 国产叼嘿视频 | 一个人看的免费高清www视频 | 久久99国产综合精品 | 欧美精品久久 | 秋霞在线视频观看 | 亚洲日本va午夜中文字幕一区 | 国产欧美精品aaaaa久久 | 尤物视频在线观看免费 | 欧美人妻精品一区二区三区 | 亚洲国产精品ⅴa在线观看 天堂中文在线资源 | 熟女俱乐部五十路六十路 | 午夜三级做爰高潮 | 最爽无遮挡行房视频 | 国产成人麻豆精品午夜福利在线 | 日本道精品一区二区三区 | 久久久久亚洲精品男人的天堂 | 吃奶摸下激烈视频学生软件 | 久久99精品国产.久久久久 | 国产在线免费 | 午夜视频福利网站 | 色婷婷丁香 | 亚洲国产精品毛片 | 成人午夜视频免费在线观看 | 欧美日本精品一区二区三区 | 加勒比色综合久久久久久久久 | 久久久精品午夜免费不卡 | av午夜影院 | 蜜桃视频在线观看免费视频网站www | 黄色中文视频 | 日本大尺度激情做爰电2022 | 欧美日韩精品久久 | 爽妇网国产精品 | 酒店大战丝袜高跟鞋人妻 | 国产99视频精品免费视频7 | 成人免费xxxxx在线视频 | juliaann精品艳妇在线 | 91理论片 | 中文字幕人成无码人妻综合社区 | 91av资源在线| 中文字幕高清在线免费播放 | 天堂av免费在线观看 | 亚洲精品无码久久久久久久 | 中国美女黄色一级片 | 福利资源在线观看 | 中文在线天堂资源 | 久久久噜噜噜久久中文福利 | 亚洲欧美一区二区三区 | 欧美一级啪啪 | 天天夜碰日日摸日日澡性色av | 成人无码视频在线观看网站 | 亚洲色欲综合一区二区三区 | 小视频在线免费观看 | 亚洲另类激情视频 | 毛片直接看 | 日本少妇喂奶视频 | 色偷av| 久久精品国产导航 | 94久久国产乱子伦精品免费 | 天天色影网 | 日日碰狠狠躁久久躁综合小说 | 亚洲精品乱码久久久久蜜桃 | 成熟老妇女视频 | 色牛影院| 国产 国语对白 露脸 | 狠狠色狠狠色综合久久第一次 | 亚洲乱码国产乱码精品精在线网站 | 精品久久久久久一区二区里番 | 台湾佬成人中文网222vvv | 一级肉体全黄裸片高潮不断 | 国产亚洲精品久久久久5区 成熟了的熟妇毛茸茸 | 超h高h污肉校园np在线观看 | 人妻aⅴ无码一区二区三区 日本一卡2卡3卡四卡精品网站 | 91丨九色丨蝌蚪丰满 | 国产亚洲激情 | 韩国三级hd中文字幕三义 | 老头把女人躁得呻吟 | 五月天久久婷婷 | 欧美日韩乱 | 午夜看片在线 | 超碰在线进入 | 狠狠做深爱婷婷久久综合一区 | 国产在线精品无码二区 | jyzz中国jizz十八岁免费 | 激情亚洲色图 | 日本少妇网站 | 久久国产精品99久久久久久进口 | 日韩欧美一区二区在线 | 96国产精品久久久久aⅴ四区 | aa视频免费观看 | 国产一级片毛片 | 日韩性色 | 久久伊人热 | 丁香婷婷深情五月亚洲 | 激情午夜视频 | 久久国产精99精产国高潮 | 亚洲第一字幕 | 成年人视频网站 | 一区二区三区 欧美 | 欧美综合激情 | 欧美韩日精品 | 日本午夜在线视频 | 国产日韩一区二区三区在线观看 | 国产欧亚州美日韩综合区 | 超碰激情 | av女优天堂在线观看 | 久草97| 国产午夜鲁丝片av无码 | 黄色在线观看国产 | 狂虐性器残忍蹂躏 | 波多野吉衣在线视频 | 日本高清视频网站 | 女男羞羞视频网站免费 | 国产视频手机在线观看 | 影音先锋中文字幕在线视频 | 国产亚洲欧美日韩在线一区二区三区 | 粉嫩91精品久久久久久久99蜜桃 | 精品国产福利一区二区 | 老头老夫妇自拍性tv | 久久国产亚洲精品无码 | 九九在线视频免费观看精彩 | 亚洲国产成人aⅴ毛片大全密桃 | 欧洲色视频 | 国产区精品 | 国产在线青青草 | 欧美饥渴熟妇高潮喷水水 | 特级黄一级播放 | 仁科百华av解禁在线播放 | 一级黄色大片在线观看 | 亚洲成熟少妇视频在线观看 | 黄色在线视频播放 | 国产一区二区三区精品在线观看 | 欧美日韩新片 | 九九热在线观看 | xxxx黄色| 夜夜夜夜猛噜噜噜噜噜婷婷 | 久久99精品国产麻豆蜜芽 | 欧美成人精品网站 | 日韩人妻无码精品久久 | wwwyjizcom性欧美| 精品国产成人一区二区 | 日韩在线视频在线 | 久久久久久久久久免费视频 | 久久久亚洲成人 | 国产午夜成人久久无码一区二区 | 国产精品免费观看久久 | 一区二区三区中文字幕 | 国产乱子伦在线观看 | 国产精品免费一区 | 少妇又色又紧又爽又高潮 | 日本性生活一级片 | 日韩 欧美 综合 | 人与禽性视频77777 | 亚洲精品国产精品乱码视色 | 在线欧美日韩国产 | 在线观看国精产品二区1819 | 日韩第一页在线 | 人人妻人人狠人人爽天天综合网 | 老妇肥熟凸凹丰满刺激 | 国产又色又爽又黄又免费软件 | 精品国产精品国产偷麻豆 | 91国语对白| 久久国产v综合v亚洲欧美蜜臀 | 国产精品福利视频推女郎 | 女人高潮内射99精品 | 亚洲情热 | 人妻少妇被猛烈进入中文字幕 | 小宝极品内射国产在线 | 亚欧成a人无码精品va片 | 中文字幕第一页在线 | 人妻妺妺窝人体色www聚色窝 | 午夜精品久久久久久中宇 | 天天操天天摸天天干 | 麻豆精品在线观看 | 久久久久久网址 | 久久精品丝袜高跟鞋 | 福利一区在线观看 | 极品熟妇大蝴蝶20p 国产女人高潮叫床视频 | 午夜影院在线播放 | 高清av一区二区三区 | 久久不卡日韩美女 | 国产黄色精品视频 | 日本欧美一区二区三区不卡视频 | 天天舔天天舔 | 日韩欧美视频免费在线观看 | 亚洲精品美女久久17c | 嫩草视屏| 亚洲一区二区影视 | 中国av毛片 | 无码国产乱人伦偷精品视频 | 色香视频首页 | 色婷婷久久久 | 亚洲午夜久久久影院 | 久久av资源 | 九九在线观看免费高清版 | 久久久久国产精 | 第一次处破女hd精品出血 | 久久精品免费一区二区 | 99久久国产露脸精品吞精 | 欧美亚洲福利 | 日韩视频在线观看二区 | 天堂一区二区mv在线观看 | 国产精品亚洲lv粉色 |