《電子技術應用》
您所在的位置:首頁 > 通信與網絡 > 設計應用 > 一種基于統計排序的網絡流量特征選擇方法
一種基于統計排序的網絡流量特征選擇方法
2018年電子技術應用第1期
劉紀偉,趙月顯,趙 楊
國家計算機網絡與信息安全管理中心河北分中心,河北 石家莊 050021
摘要: 利用網絡流量的統計特征進行流量的分類識別需要從眾多的特征中選取最優特征集合,以避免冗余和不相關特征造成的系統模型復雜度過高、分類準確率和效率下降等問題。針對該問題,提出一種基于統計排序的網絡流量特征選擇方法。首先利用基于統計方法定義的特征選擇系數生成初始特征子集,再將基于分類準確率構建的特征影響系數作為特征評估排序的依據,對初始特征子集進行二次特征選擇,生成最優特征子集。實驗結果表明,該方法在保證分類整體準確率的同時有效減少了流量統計特征的個數,在分類效果、效率以及穩定性之間實現了較好的平衡。
中圖分類號: TP393
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.172203
中文引用格式: 劉紀偉,趙月顯,趙楊. 一種基于統計排序的網絡流量特征選擇方法[J].電子技術應用,2018,44(1):84-87.
英文引用格式: Liu Jiwei,Zhao Yuexian,Zhao Yang. A feature selection method of network traffic based on statistic and ranking strategy[J]. Application of Electronic Technique,2018,44(1):84-87.

A feature selection method of network traffic based on statistic and ranking strategy
Liu Jiwei,Zhao Yuexian,Zhao Yang
Network and Information Security Administration Center Hebei Center,Shijiazhuang 050021,China
Abstract: It is required to select the best features from so many ones in order to avoid the high complexity of the model, the low classification accuracy and efficiency caused by redundant and irrelevant features, if network traffic classification is obtained by using the statistical characteristics. To solve the problem, a network traffic feature selection method based on statistic and ranking is proposed, according to generate the initial feature subset by using feature selection coefficient defined by statistic and then generate the optimal feature subset through the second feature selection of the initial feature subset by using feature influence coefficient defined by classification accuracy as the reference of extraction and ranking. Experimental results show that the proposed algorithm can reduce the number of features effectively while ensuring the overall classification accuracy and a good balance is achieved between classification effectiveness, efficiency and stability.
Key words : network traffic classification;feature selection;statistic and ranking;feature influence

0 引言

    網絡流量分類是指將混合有各種應用的流量,按產生這些流量的應用協議進行分類。網絡流量分類既是高性能網絡協議設計的基礎,又是網絡運營管理、網絡發展規劃的依據,也是網絡攻擊與惡意代碼檢測的重要手段[1]

    基于網絡流量的統計特征并利用機器學習的方法進行流量的分類識別是當前學術界的研究熱點,一方面該方法克服了傳統基于標準端口匹配和深度包檢測方法在技術上的不足,另一方面基于網絡流量統計特征的方法不涉及報文的有效載荷信息,避免了對用戶隱私侵犯帶來的法律問題。但是網絡流量特征屬性繁多,目前得到學術界廣泛認可的各類特征數量就已多達240余個,大量冗余和不相關的特征屬性不僅會增加流量分類系統模型的復雜度,還會降低分類算法的效率和性能,造成流量分類準確率和效率同時下降。因此,需要對網絡流量特征進行選擇,剔除冗余和不相關的特征。

    近幾年學術界對此開展了廣泛和深入的研究。文獻[2]提出了一種分治和投票的策略,首先對原始訓練集進行分割,利用分割后的子集分別獲得特征子集,再通過投票獲得最終的特征子集,有效地縮短了算法運行時間;文獻[3]提出一種結合過濾型和封裝型特征選擇算法優點的組合式特征選擇算法,并將該算法用于網絡流量中P2P流量的識別,實驗結果表明在保證分類平均準確率不低于90%的情況下,可以將特征個數縮減至7個;潘吳斌等人在文獻[4]中提出一種基于選擇性集成策略的嵌入式特征選擇方法,采用選擇性集成方法選取5種特征選擇器產生特征子集,再通過改進的序列前向搜索和封裝器組合方法產生最優特征子集,在一定程度上解決了類別不均衡和概念漂移的問題;孫興斌等人在文獻[5]、[6]中也對多類不均衡問題和少數類召回率低的問題進行了研究,提出了有針對性的特征選擇方法,盡管在實驗環境下取得了很好的效果,但由于選取的特征個數與網絡應用種類數相同,在實際應用中依然面臨不小的挑戰;文獻[7]給出了一種以分類準確率作為判決準則的流量特征二次排序選擇的思路,但特征的初次選擇依然采用傳統方式,算法的效率受到一定限制。

    本文在前述學者的研究工作基礎之上,針對現有網絡流量特征選擇方法存在的問題,提出一種基于統計排序的特征選擇方法(Feature Selection based on Statistic and Ranking,FSSR)。FSSR首先根據特征選擇系數大小選取類相關性強、類別區分度高的特征組成初始特征子集,初始特征子集中的特征個數與網絡應用種類個數相同,然后根據特征影響系數大小按序對初始特征子集進行二次選擇,再次進行降維尋優操作,從而獲得最優特征子集,有效提升分類的效率和效果。

1 FSSR方法

1.1 相關定義

    為了方便描述,對文中使用的標記符號說明如下:C={c1,c2,c3,…,ck}表示具有k個類的網絡應用集合;T={t1,t2,t3,…,tm}表示具有m個網絡流量特征的集合;X={x1,x2,x3,…,xN}表示樣本數量為N的網絡流樣本數據集合,其中xi形式為以T中元素表征的特征向量。

    定義1 特征選擇系數fij

    特征選擇系數fij用來衡量特征ti和類cj之間的相關性以及ti將cj與其他類區分開來的能力。

    根據香農的信息論理論,對于某個特征t,如果類c的樣本在這個特征上的取值越集中,說明c在t上的不確定性越小,即特征t與類c相關性越強,利用特征t能更好地識別類c;如果類c1和類c2的樣本在特征t上的取值區間沒有交集或者交集很小,則利用特征t就能很好地區分類c1和類c2。基于此,定義特征選擇系數如下:

    tx2-gs1.gif

其中,|ti|表示統計所有樣本在特征ti上全部取值的個數,γinj表示統計類cj在特征ti上取第n個值的樣本個數占類cj樣本總數的比例。可見,特征選擇系數大小由類在特征上取值的集中程度和該類與其他所有類在該特征上取值區間的差異程度決定。在特征上的取值越集中,類間的取值區間相差越大,特征系數越大,相應的特征和類相關性越強。

    定義2 特征影響系數Ii

    特征影響系數Ii用來衡量特征ti對分類準確率的影響程度。定義如下:

tx2-gs2.gif

1.2 算法原理

    FSSR方法的核心思想是基于相關性并利用統計的方法找出既能準確標識網絡應用同時又在不同應用類別之間具有明顯分布差異的網絡流量特征。如果所有目標應用的樣本在某些流量特征上的分布都很集中,同時各個應用的分布之間差異明顯,那么顯然利用這些特征能夠很好地區分出各個目標應用。比如,目標應用a的樣本在特征1上的取值分布集合是{1,2},在特征2上的取值分布集合是{1,2,3,4,5},目標應用b的樣本在特征1上的取值分布集合是{9,10},在特征2上的取值分布集合是{4,5,6,7,8},比較特征1和特征2,顯然利用特征1能更好地標識和區分目標應用。1.1節中的特征選擇系數即基于此思想定義。

1.3 算法描述

    FSSR方法主要由特征選擇系數計算、初始特征子集生成、特征影響系數計算和最優特征子集生成四個部分組成。算法運行過程分為兩個階段,第一階段生成初始特征子集,由于初始特征子集中的特征數量與網絡應用類別數量相等,當網絡應用數量較多時,很可能造成選取到冗余和不相關特征,因此第二階段對初始特征子集進行二次選擇,進一步尋優,得到最優特征子集。在第二階段計算各特征的特征影響系數時,采用C4.5決策樹分類算法評估分類準確率。算法詳細步驟描述如下:

    輸入:網絡流樣本訓練數據集X

    輸出:最優特征子集S

    (1)初始化初始特征子集S1,最優特征子集S為空集;

    (2)遍歷訓練集X中的樣本,根據式(1)計算每個網絡應用類型對應每個流量特征的特征選擇系數fij,其中1≤i≤m,1≤j≤k;

    (3)對應用類型cj,掃描集合{fij}(1≤i≤m),計算I=tx2-1.3-x1.gif,得到對應的流量特征tI,放入S1中;如果S1中已有特征tI,則刪除fij,重新計算tx2-1.3-x1.gif

    (4)循環執行步驟(3),直到遍歷完所有的應用類型cj(1≤j≤k),得到初始特征子集S1

    (5)利用初始特征子集S1,對訓練集X使用10次折疊交叉驗證,采用C4.5決策樹分類算法,根據式(2),計算S1中每個特征的特征影響系數;

    (6)查找S1中特征影響系數最大的特征順序放入S中,并將該特征從S1中刪除;

    (7)利用特征子集S,對訓練集X使用10次折疊交叉驗證,采用C4.5決策樹分類算法,計算分類準確率pS

    (8)重復執行步驟(5)~(7),直到pS取得最大值,此時的特征子集S即為最優特征子集;

    (9)結束。

2 實驗與分析

2.1 實驗工具與實驗數據集

    本文使用的主要實驗工具為Weka 3.8。Weka是新西蘭懷卡托大學開發的一個基于JAVA環境的開源機器學習以及數據挖掘軟件,包含多種機器學習算法。同時,Weka提供JAVA接口,為開發者提供了一個基于JAVA的二次開發平臺,支持開發者自己編寫代碼進行新學習算法開發。實驗平臺運行Windows 7操作系統,CPU為Intel Core i5-3470 3.20 GHz,內存大小為4 GB。

    實驗利用MOORE A W等人在文獻[8]中給出的網絡流數據集Moore_set作為實驗測試數據集,這是目前網絡流量分類研究中最為權威的測試數據集。Moore_set中包含10個數據子集、377 526個網絡流樣本、248個流量特征屬性(最后一個屬性是目標應用,即指出網絡流所屬的應用類型)、12種應用類型(數據子集中應用類型FTP又進一步分為:FTP-CONTROL、FTP-PASV和FTP-DATA)。10個數據子集的采集時間在同一天,按先后順序編號,每個數據子集的采集持續時間約30 min,具體統計信息如表1~表3所示。

tx2-b1.gif

tx2-b2.gif

tx2-b3.gif

    從表1可以看出,Moore_set中INT和GAMES兩種應用類型的樣本數量相對過少,不具有代表性,因此刪除這兩種類型的樣本,保留其余樣本。

    從表3可以看出,DB和MMEDIA兩種應用類型分別在數據子集5、6和數據子集9、10中沒有分布。為了保證實驗數據集中應用分布的統一,不選取這4個數據子集作為實驗數據集。經過以上選擇處理后,實驗數據集共包含6個數據子集、205 210個網絡流樣本、10種應用類型,6個數據子集分別是entry01、entry02、entry03、entry04、entry07、entry08[8]

2.2 實驗結果分析

    為了有效評價分類效果,Weka給出了分類算法的總體準確率和按類計算的詳細準確率,詳細準確率包括真正率、假正率、精確率、召回率、F-Measure值等性能指標。文獻[1]中給出了對以上各項性能評價指標的詳細介紹,請參閱。

    實驗首先分別在各個數據子集上運行FSSR特征選擇方法,獲得并記錄從各數據子集選取的初始特征子集和最優特征子集以及分別僅包含初始特征和最優特征的數據子集;然后為了評價FSSR方法的效果和效率,選擇C4.5算法構造分類器,使用10次折疊交叉驗證方法分別在初始特征數據子集、最優特征數據子集和未進行特征選擇的全特征數據子集上執行分類操作,對網絡流量進行分類識別。實驗結果對比如表4~表6所示。

tx2-b4.gif

tx2-b5.gif

tx2-b6.gif

    由表4可知,經過FSSR方法選擇后的特征數量明顯減少,將原來的248個特征平均減少到現在的7.67個,表明FSSR的降維效果明顯。

    由表5可知,FSSR方法在6個實驗數據子集上獲得的平均分類總體準確率略高于原始全特征數據子集的總體準確率,準確率未有較大程度地提升,主要原因是:分類算法C4.5本身性能很好,對未進行特征選擇的原始實驗數據集進行分類時總體準確率已經達到了99.6%以上,提升空間有限,并且實驗數據集樣本數量龐大,增加的少量正確分類樣本數對準確率貢獻較小。

    由表6可知,雖然FSSR方法在提升分類準確率方面貢獻不大,但由于在特征集合降維方面效果明顯,降低了分類模型的復雜度,所以在系統建模時間上,利用FSSR方法獲得的最優特征子集進行分類建模的時間遠遠低于全特征集合。

    表7給出了FSSR在實驗數據集上選取頻率最高的6個特征,其中序號、標識符參照文獻[8]中的定義。

tx2-b7.gif

    總的來說,FSSR特征選擇方法在網絡流量分類識別方面取得了較好的效果,在保證分類總體準確率的同時,大幅度地減少了網絡流量的統計特征數目,從而有效降低了后續分類系統模型的復雜度和對系統資源的占用,提高了分類效率。

3 結論

    本文針對機器學習在網絡流量分類中面臨的流量統計特征選擇問題,提出一種基于統計排序的特征選擇方法,首先利用特征選擇系數為各網絡應用類型選擇相關性強、與其他應用區分度高的特征,組成初始特征子集。考慮到網絡應用類型過多時仍然可能導致選取到冗余和不相關的特征,再將特征影響系數作為特征評估排序的依據,對初始特征子集進行二次特征選擇,生成最優特征子集。實驗結果表明,該方法在保證分類整體準確率的同時,有效減少了流量統計特征的個數,達到了預期的效果。但網絡流量存在應用類別分布不均衡以及概念漂移等問題,在對多類不均衡流量進行分類時,機器學習分類模型往往傾向于多數類,造成少數類召回率較低。目前的特征選擇方法可以很好地解決維數災難的問題,但在解決上述問題方面還有很多不足,下一步的主要研究方向即為結合機器學習和特征選擇解決網絡流量分類中的多類不均衡和概念漂移問題。

參考文獻

[1] 汪立東,錢麗萍,王大偉,等.網絡流量分類方法與實踐[M].北京:人民郵電出版社,2013.

[2] 高文,錢亞冠,吳春明,等.網絡流量特征選擇方法中的分治投票策略研究[J].電子學報,2015,43(4):795-799.

[3] 儲慧琳,張興明.一種組合式特征選擇算法及其在網絡流量識別中的應用[J].小型微型計算機系統,2012,33(2):325-329.

[4] 潘吳斌,程光,郭曉軍,等.基于選擇性集成策略的嵌入式網絡流特征選擇[J].計算機學報,2014,37(10):2128-2137.

[5] 孫興斌,孫彥贊,鄭小盈,等.面向多類不均衡網絡流量的特征選擇方法[J].計算機應用研究,2017,34(2):568-571.

[6] 孫興斌,芮赟.一種基于統計頻率的網絡流量特征選擇方法[J].小型微型計算機系統,2016,37(11):2483-2487.

[7] 申健,夏靖波,張曉燕,等.基于分治排序策略的流量二次特征選擇[J].電子學報,2017,45(1):128-133.

[8] MOORE A W,ZUEV D,CROGAN M.Discriminators for use in flow-based classification,RR-05-13[R].London:Queen Mary University of London,2005.

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 老司机成人网 | 亚洲综合在线播放 | 国产精品久久国产精品99 gif | 在线中文天堂 | 精品午夜一区二区 | 欧美大片大全 | 狠狠躁夜夜躁人人爽天天天天97 | 一本大道色婷婷在线 | 毛片毛片毛片毛片 | 欧美国产综合色视频 | 国产乱对白精彩 | 人人爱操 | 97久久人人超碰caoprom欧美 | 成人孕妇专区做爰高潮 | 国产拍揄自揄精品视频麻豆 | 日韩黄网 | 99视频在线观看视频 | 特色黄色片| 天天做天天爱天天综合色 | 最近的中文字幕在线看视频 | 青青成人网 | 动漫美女靠逼 | 91在线导航 | 国产新婚疯狂做爰视频 | 少妇野外性xx老女人野外性xx | 久久丁香网| 9lporm自拍视频区论坛 | 成人毛片100免费观看 | 新婚少妇无套内谢国语播放 | 欧美内射深插日本少妇 | 欧州一区二区三区 | 欧美成人手机在线 | 黄视频在线免费 | 日本美女色视频 | 澳门久久 | 欧美一级免费看 | 亚洲欧美不卡 | 国产欧美专区 | 亚洲日韩乱码一区二区三区四区 | 五月婷婷开心网 | 久久艹伊人 | 日韩成人黄色片 | 亚洲熟女综合色一区二区三区 | 国产无遮挡又黄又爽在线视频 | 亚洲第一av在线 | 日韩国产欧美一区 | 婷婷在线视频观看 | 伊人久久久久久久久久久久久 | 热久久伊人| 成人欧美日韩一区二区三区 | 中文字幕在线亚洲精品 | 欧美性猛交丰臀xxxxx网站 | 99国内精品久久久久久久夜夜嗨 | 97久久精品午夜一区二区 | 在线免费成人网 | 伊人性视频| 牲高潮99爽久久久久777 | 国产成人三级在线 | 女同重口另类在线观看 | 影音先锋中文字幕在线 | 无码一区二区三区在线观看 | 夜夜精品无码一区二区三区 | 熟透的岳跟岳弄了69视频 | 欧美日韩一区二区在线观看 | 美女激情av | 红杏亚洲影院一区二区三区 | 青青草无码精品伊人久久 | 欧美性生交xxxxx久久久缅北 | 中文字幕在线视频免费观看 | 国内久久精品视频 | 日韩精品一区二区av在线 | 污污网站在线观看免费 | 中文字幕超清在线免费观看 | 黑人巨茎美女高潮视频 | 潘金莲aa毛片一区二区 | 成人涩涩视频 | 国产精品久久久久久久久久久久午夜 | 国产盗摄精品一区二区酒店 | 久久久久久久女国产乱让韩 | 51成人做爰www免费看网站 | 国产精品久久久久久久av福利 | 中文字幕在线观看一区二区 | 日韩手机看片 | 国产一区二区在线视频观看 | 国产 日韩 欧美在线 | 成人少妇影院yyyy | 国产极品美女做性视频 | www7788久久久久久久久 | 伊人中文字幕无码专区 | 欧美日韩亚洲一区二区 | 伊人青青草视频 | 色丁香av| 少妇无套内谢久久久久 | 日韩国产成人在线 | 五月天三级 | 香蕉国产片一级一级一级一级 | 免费毛片a | 日本少妇做爰奶水狂喷小说 | 成年美女黄网站色大免费全看 | 成人国产片女人爽到高潮 | 国产午夜性春猛交ⅹxxx | 国产熟妇勾子乱视频 | 成人欧美一区二区三区黑人 | 国产白丝精品91爽爽久久 | 黄色aa视频 | 一级黄色片a | 国产伦精品一区二区三区免费观看 | 欧美高清精品一区二区 | 哭悲在线观看免费高清恐怖片段 | 嫖妓丰满肥熟妇在线精品 | 国产精品呻吟久久av凹凸 | 亚洲成人福利 | 强制中出し~大桥未久在线播放 | 黑人性猛爱xxxxx免费 | 六月丁香婷婷色狠狠久久 | 久久久久成人网站 | 午夜丰满少妇高清毛片1000部 | 探花精品 | 亚洲色图综合在线 | 国产永久毛片 | 一级美女黄色片 | 免费看一区二区三区四区 | 亚洲国产精品无码久久98 | 日韩亚洲欧美中文高清 | 99久久99久久精品国产片果冻 | 男人狂躁女人爽的尖叫的免费视频 | 欧美性黑人极品hd | 精品熟女少妇av免费久久 | 欧美videos最新极品 | 国产成人精品av | 无尽3d精品hentai在线视频 | av看片| 男女男精品视频网站 | 免费的黄色av | 亚洲精品中文字幕乱码三区 | 一本无码av中文出轨人妻 | 国产精品久久久免费 | 天天操天天谢 | 中文字幕有码视频 | 精品国产一区二区三区四区 | 国产福利在线视频 | 成人在线亚洲 | 国产香蕉尹人视频在线 | 天天操你 | 狠狠躁日日躁夜夜躁 | 五月综合久久 | 中文字幕丰满伦孑 | 婷婷久久伊人 | 24小时日本在线www免费的 | www.日韩在线观看 | 极品美女极度色诱视频在线 | 国产精品夫妇激情 | 亚洲国产午夜精品理论片在线播放 | 性饥渴的农村熟妇 | 麻豆av少妇aa喷水 | 欧美日韩在线视频免费播放 | 欧美乱码精品一区二区三区 | 一区二区三区无码高清视频 | 午夜精品在线视频 | 午夜在线视频免费 | 国产99久久九九精品的功能介绍 | 日韩高清影视 | 老司机精品久久 | a级港片免费完整在线观看 a级高清毛片 | 久久久久久久久久久久久女过产乱 | 国产视频在线一区二区 | 日本道之久久综合久久爱 | 精品二三区| 亚洲蜜桃精久久久久久久 | 国产人成 | 国产成人精品日本亚洲第一区 | 国产综合av | 成人精品久久 | 久久综合久久鬼 | 日本一级特黄aa大片 | 国产tv在线观看 | a级毛片在线免费看 | 男女做爰猛烈吃奶啪啪喷水网站 | 成人vr视频专区 | zzijzzij亚洲成熟少妇 | 亚洲精品伊人 | 欧美久久国产精品 | 69久久国产露脸精品国产 | 91av视频免费观看 | 五月天婷婷在线观看 | 国产区日韩区欧美区 | 国产一区二区三区视频在线 | 美女av影院 | 欧美狠狠干 | 亚洲精品玖玖玖av在线看 | 国产区高清 | 色女孩综合网 | 色综合色综合 | 成人免费黄色av | 性欧美18-19sex性高清播放 | 午夜精品一区二区三区的区别 | 成人无码av片在线观看 | 国产欧美在线观看不卡 | 国产理论av| 三个少妇的按摩69xx | 激情av小说 | 成人福利在线观看 | 波多野结衣办公室33分钟 | 1000部无遮挡拍拍拍免费视频观看 | 久久精品网站视频 | 美女啪啪网 | 亚洲一区二区三区影院 | a级片免费视频 | 欧美色老头又长又大 | 蜜桃精品免费久久久久影院 | 欧美成人免费一区二区三区视频 | 免费a级毛片出奶水 | 9999久久久久 | 极品少妇被黑人白浆直流 | 日本免费三片免费观看东热 | 玖玖精品在线视频 | 日韩视频免费观看高清 | 国产专区精品 | 人人超人人超碰超国产97超碰 | 91久久精品一区二区别 | 少妇一边呻吟一边说使劲视频 | 激情春色网 | 天天狠天天狠天天鲁 | 亚洲成人网在线观看 | 免费观看黄色 | 99国产在线视频 | 免费黄色网页 | aaa私人欧美69 | 欧美三级视频网站 | 麻豆精品一区二区综合av | 免费日批视频 | 欧美三级韩国三级日本一级 | 综合色网站| 欧美高清在线精品一区 | 日韩在线二区 | 国产精品ssss在线亚洲 | 91精品国产综合久久香蕉最新版 | 午夜裸体性播放 | 狠狠色噜噜狠狠狠8888米奇 | www.欧美在线观看 | aaa一级片 | 国产对白不带套毛片av | 女女互揉吃奶揉到高潮视频 | 亚洲精品国产精品乱码不99 | 色女人网站 | 波多野结衣在线观看一区二区三区 | 天干天干天干夜夜爽av | 久久久久香蕉国产线看观看伊 | 中文字幕天堂av | 国产性生活毛片 | 国产精品无码久久综合网 | 日本肉感丰满bbw | 欧美在线视频精品 | 国产黄色自拍视频 | 免费国产网站 | 国产91麻豆视频 | 色老头一区二区三区 | 亚洲欧美一区二区三区 | 男人亚洲天堂 | 黑人巨大xxxxx性猛交 | 男女互操视频网站 | 天干天干天啪啪夜爽爽av | 日韩 欧美 综合 | 波多野一区 | 性xxx欧美| 日韩久久国产 | 国产福利合集 | 九九色影院 | 中文精品在线 | 蜜桃久久久久久久 | 精品国产va久久久久久久 | 久草资源网| 午夜精品久久久久久久99热浪潮 | 西野翔中文久久精品国产 | 欧美肥婆性猛交xxxx中国1 | 成年精品 | 国精产品一区一区三区免费视频 | 97视频免费在线观看 | 久久国产精品久久精品国产 | 高潮又爽又无遮挡又免费 | 香蕉久久一区二区不卡无毒影院 | 日韩av高清在线观看 | 国产二区自拍 | 香蕉人人超人人超碰超国产 | 亚洲成aⅴ人片久青草影院 亚洲无av码一区二区三区 | 亚洲成av人综合在线观看 | 精品一区二区三区无码免费视频 | 国产精品成人一区无码 | 成人av影片在线观看 | 美女一区二区视频 | 亚洲综合色站 | 国产成人无码av在线影院 | 2019av视频| 高潮流白浆潮喷在线播放视频 | 日韩在线永久免费播放 | 欧美人与动牲交免费观看网 | 国产va在线 | 中文字幕丝袜精品久久 | 先锋影音av最新资源 | 日日躁夜夜躁狠狠躁aⅴ蜜 日日躁夜夜躁狠狠躁超爽2001 | 成 人 免费 黄 色 视频 | jizzjizz视频| 天天操天天操天天 | 欧美久久成人 | 国产精品精品视频一区二区三区 | 欧美亚洲黄色 | 国产又爽又大又黄a片 | 精品无码国产自产拍在线观看 | 正在播放超嫩在线播放 | 欧美精品在线视频观看 | 午夜视频在线播放 | 国产欧美激情在线观看 | 久久综合精品国产丝袜长腿 | 日本在线www | 国产精品xxxx喷水欧美 | 久久精品视频7 | 少妇裸体做爰免费视频网站 | 国产高清免费在线观看 | 精品国产色 | 丁香花免费高清完整在线播放 | 日本少妇中文字幕 | 欧美性色黄大片 | 不卡无码人妻一区二区三区 | 加勒比一本heyzo高清视频 | 99在线成人精品视频 | 中文字幕av久久爽一区 | 中国一级特黄真人毛片 | 99久无码中文字幕一本久道 | 日本一区二区观看 | dy888夜精品国产专区 | 一二三四在线视频观看社区 | 亚洲日韩久久综合中文字幕 | 亚洲男男无套gv大学生 | 毛片一区二区三区无码 | 男人的亚洲天堂 | 羞羞视频2023 | 亚洲 欧美 偷自乱 图片 | 香蕉久久夜色精品国产更新时间 | 日本一区二区在线播放 | 亚洲专区区免费 | 老牛影视av老牛影视av | 中文字幕免费一区 | 四虎视频国产精品免费 | 一个人看的www免费视频在线观看 | 国偷自产av一区二区三区麻豆 | 老熟女毛茸茸浓毛 | 国产亚洲精品一区二区三区 | 欧美福利视频一区二区 | 久久免费看少妇a高潮一片黄特 | 国产精品国产精品国产专区蜜臀ah | 91麻豆精品91久久久久同性 | 少妇精品偷拍高潮白浆 | 94精品激情一区二区三区 | 亚洲成年人影院 | 麻豆色淫网站av水蜜桃三级 | 人人妻人人狠人人爽天天综合网 | 久久久噜噜噜 | 少妇口述疯狂刺激的交换经历 | 青青草这里只有精品 | 国产精品无码久久久久久久久久 | 97成人在线 | 中文字幕精品一区二区三区精品 | 国产午夜精品无码一区二区 | 精品国产乱子伦 | 中文字幕乱码人妻一区二区三区 | av亚洲产国偷v产偷v自拍 | 亚洲熟妇久久精品 | 韩日一区二区三区 | 美女亚洲一区 | 欧美美女一区 | 一 级 黄 色 片免费网站 | 天天揉久久久久亚洲精品 | 日本激情网 | av一二三四区 | 性一交一乱一伦视频免费观看 | 欧日韩在线观看 | 久久视频在线观看 | 国产成人精品一区二区阿娇陈冠希 | а天堂中文地址在线 | 亚洲国产久 | 精品成人在线 | 鲁鲁狠狠狠7777一区二区 | 久久久精品国产99久久精品芒果 | 无码高潮少妇毛多水多水免费 | 精品精品欲天堂导航 | 波多野结衣a级片 | 亚洲专区 变态 另类 | 日本a大片| 又色又爽又黄又刺激免费 | 美国av导航| 亚洲精品亚洲人成人网 | 女同av久久中文字幕字 | 免费观看全黄做爰的视频 | 无码内射中文字幕岛国片 | 99看片| 精品人妻无码一区二区三区 | 国产精品免费视频观看 | 北岛玲日韩一区二区三区 | 精品白嫩初高中害羞小美女 | 在线看h网站 | 久久99深爱久久99精品 | 免费a网站| 亚洲精品欧美 | 国产稀缺真实呦乱在线 | 特级特黄aaaa免费看 | 精品少妇一区二区三区视频 | 免费福利片2019潦草影视午夜 | 成人人人人人欧美片做爰 | 精品国产乱码久久久久久三级人 | 内射后入在线观看一区 | 久久精品国产曰本波多野结衣 | 99精品大学生啪啪自拍 | 老外一级黄色片 | 好湿好紧太硬了我太爽了视频 | 日本中文字幕在线不卡 | 播放灌醉水嫩大学生国内精品 | 瑜伽裤国产一区二区三区 | 国产成人精品国内自产拍免费看 | 亚洲综合无码精品一区二区三区 | 自拍偷拍激情视频 | 天天噜日日噜 | 337p日本欧洲亚洲大胆色噜噜 | 天堂mv在线mv免费mv香蕉 | 国产成人免费在线观看 | 日韩国产欧美视频 | 亚洲成人系列 | 强开小婷嫩苞又嫩又紧视频 | 天天玩天天干 | 欧美午夜网 | 欧美成人毛片 | 精品国产一区二区三区不卡蜜臂 | 国产精品传媒麻豆 | 我要看黄色1级片 | 区二区欧美性插b在线视频网站 | 一级黄片毛片 | 国产精品99久久久久久久久 | 午夜精品在线免费观看 | 醉酒后少妇被疯狂内射视频 | 午夜久久久久久久久久一区二区 | 99热视屏 | 乌克兰黄色片 | 91插插视频| 韩国黄色片网站 | 久久久久久久久国产精品 | 少妇尝试黑人粗吊受不了 | 亚洲最大成人综合网720p | 永久免费看黄 | 成年人在线观看视频免费 | 亚洲免费在线观看 | 粉嫩av国产一区二区三区 | 91国产视频在线 | 88av视频 | 免费成人av在线 | 国产又粗又猛又大爽又黄 | 一色道久久88加勒比一 | 男女啪啪免费视频网站 | 国产极品美女做性视频 | 欧美一级艳片视频免费观看 | 女教师痴汉调教hd中字 | 色一情一交一乱一区二区 | 一级片免费 | 无码专区aaaaaa免费视频 | 亚洲第一成网站 | 色综合视频二区偷拍在线 | 成人本色视频在线观看 | 精品久草 | 久久99草 | 国产又大又黄又猛 | 亚洲综合不卡 | 人人看超碰| 伊人五月综合 | 亚洲国产精品视频在线观看 | 91九色国产ts另类人妖 | 亚洲综合无码精品一区二区三区 | 天天弄天天模 | 国产精品国产精品国产专区蜜臀ah | 欧美色噜噜 | 超碰不卡| 中国偷拍毛茸茸肥老熟妇 | 亚洲精品无码国产 | 狠狠色综合7777久夜色撩人 | 一级一毛片 | 在线免费观看av网 | 日韩xxx高潮hd | 国产精品亚洲lv粉色 | 精品人妻人人做人人爽夜夜爽 | 久久久国产精品人人片 | 国产精品成人片在线观看 | 成人性生交大片免费看中文 | 国产精品国产亚洲精品看不卡15 | 日本特黄特刺激一级猛片 | 樱花草在线社区www 国产又爽又黄又刺激的视频 | 激情亚洲 | 国产精品视频yjizz免费 | 香港三级网站 | 天堂在线日本 | 亚洲乱码国产乱码精品精98午夜 | 亚洲视频 中文字幕 | eeuss鲁片一区二区三区小说 | 国产免费视频传媒 | 国产伦子伦视频在线观看 | 天天干天天爱天天操 | 成人av免费播放 | 超碰色偷偷男人的天堂 | 青青草成人在线观看 | 国产精品高潮呻吟视频 | 理论片中文 | 国产无套精品一区二区三区 | 黄色免费片 | 巨肉黄暴辣文高h文帐中香 巨乳动漫美女 | 国产精品久久久久久久久久久久冷 | 国产亚洲精品久久久久的角色 | 成人午夜视频在线 | 亚洲精品久久久久久国产精华液 | 欧美做受高潮1 | 中文字幕在线不卡 | 日韩精品久久久久久久的张开腿让 | 18pao国产成人免费视频 | 欧美a天堂 | 欧美精品久久一区二区 | 亂倫近親相姦中文字幕 | 国产一区二区日本欧美精品久久久 | 色窝| 一区二区精彩视频 | 五月天在线播放 | 国产精品久久久久久久久久辛辛 | 国产乡下妇女做爰 | 久久精品国产99国产精品亚洲 | 久久久久国产视频 | 亚洲欧美日韩一区 | 亚洲国产综合无码一区 | 国产精品色婷婷99久久精品 | 成人网址在线观看 | 中文字幕乱码亚洲精品一区 | 快色在线 | 久久久黄色片 | 精品人妻无码专区在线无广告视频 | 黄色一级片免费播放 | 91激情小视频 | 一个人看的www日本高清视频 | 伊人久久影视 | 媚药一区二区三区四区 | 哪里有毛片看 | 91色呦呦| 国产一级片麻豆 | 色猫咪免费人成网站在线观看 | 激情成人综合网 | 国产情侣激情在线对白 | 小舞同人18吸乳羞羞在线观看 | 天天射天天干天天 | 乱人伦精品视频在线观看 | 亚洲第一性理论片 | 国产精品污www一区二区三区 | 91超碰在线免费观看 | 五月天一区二区 | 蜜桃精品视频 | 爱情岛成人www亚洲网站 | 亚洲国产成人精品无码区99 | 好吊一区二区三区 | 亚洲欧美v | 夜夜骑天天射 | 秋葵视频成人 | 国产乱码精品一区二区三区不卡 | 亚洲国产精品久久艾草 | 国产综合视频在线观看 | 国产爆乳无码一区二区麻豆 | 国产日产久久高清欧美一区 | 在线日本中文字幕 | 少妇又色又紧又爽又高潮 | 成人免费观看a | 国产av天堂亚洲国产av天堂 | 777奇米888色狠狠俺也去 | 中文字幕第7页 | 欧美亚洲一二三区 | 亚洲精品中文字幕乱码无线 | 国产精品理论片在线观看 | 拔插拔插海外华人永久免费 | 日本免费一区二区三区四区五区 | 图书馆的女友在线观看 | 国产伦精品一区二区三区在线播放 | 午夜精品久久久久久久星辰影院 | 欧美日韩一区免费 | 99蜜桃臀久久久欧美精品网站 | 漂亮少妇高潮伦理 | 精品少妇一区二区三区在线观看 | 女同理伦片在线观看禁男之园 | 久久综合伊人中文字幕 | 蜜桃tv一区二区三区 | 午夜a视频| 国产欧美日韩精品在线 | 奴色虐av一区二区三区 | 日本少妇吞精囗交 | 麻豆传传媒久久久爱 | 免费毛片一区二区三区 | 大黄一级片 | 免费看黄在线看 | 国产偷窥熟妇高潮呻吟 | 国精产品999一区二区三区有 | 中国女人内谢69xxxx | 免费观看日本污污ww网站 | 欧美牲交40_50a欧美牲交aⅴ | 国产人人干 | 久久无码专区国产精品s | 国产精品毛片av | 9l视频自拍蝌蚪9l视频 | 激情视频国产 | 欧美射图 | 国产suv精品一区二区五 | 九色蝌蚪91 | 天天撸日日夜夜 | 老司机午夜精品99久久免费 | 风间由美一区二区 | 免费av网站在线播放 | 国产成人综合自拍 | 亚洲天堂成人在线观看 |