亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于瀏覽器指紋差異度的回訪用戶識(shí)別算法

        2018-03-02 09:23:28馮映燕陳明志許春耀康年華林偉寧
        計(jì)算機(jī)工程 2018年2期
        關(guān)鍵詞:特征參數(shù)插件列表

        馮映燕,陳明志,許春耀,康年華,林偉寧

        (1.福州大學(xué) a.數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院;b.網(wǎng)絡(luò)系統(tǒng)信息安全福建省高校重點(diǎn)實(shí)驗(yàn)室,福州 350108;2.武警福州指揮學(xué)院 研究部,福州 350002)

        0 概述

        瀏覽器指紋主要用于用戶追蹤、身份認(rèn)證、用戶識(shí)別等領(lǐng)域[1-3]。瀏覽器指紋是一種基于瀏覽器信息組合的識(shí)別方法,通過瀏覽器平臺(tái)從配置信息、軟件組成以及硬件組成等層次獲取到設(shè)備的屏幕信息、插件信息、字體信息等特征參數(shù)[4-5]。最后通過哈希函數(shù)組合形成可以唯一識(shí)別用戶的指紋數(shù)據(jù)[6-8]。

        目前就瀏覽器指紋技術(shù)取得了以下研究成果:文獻(xiàn)[9]提出了一種與Cookies功能相似的用戶識(shí)別方法,稱之為瀏覽器指紋,并通過實(shí)驗(yàn)驗(yàn)證了瀏覽器指紋具有較高的識(shí)別率。文獻(xiàn)[6,10]對(duì)三大商業(yè)指紋算法中的特征參數(shù)獲取方式進(jìn)行了對(duì)比分析,發(fā)現(xiàn)限制Flash與JavaScript的功能能夠有效地抑制指紋生成,進(jìn)而提出了干擾瀏覽器指紋生成的方法。文獻(xiàn)[11-12]提出了一種結(jié)合HTML5的API與Javascript優(yōu)勢(shì)的指紋識(shí)別方法,實(shí)現(xiàn)了基于HTML5的指紋識(shí)別,其中最典型的HTML5指紋方式為帆布指紋。文獻(xiàn)[13-14]提出了JavaScript引擎指紋這一技術(shù),由于不同瀏覽器的JavaScript引擎具有細(xì)微的區(qū)別,因此可利用微小的差異制作指紋。文獻(xiàn)[15]將現(xiàn)有瀏覽器指紋分為瀏覽器定制指紋、帆布指紋、JavaScript引擎指紋以及跨瀏覽器指紋4大類,同時(shí)對(duì)4類指紋的工作原理及優(yōu)缺點(diǎn)進(jìn)行分析,提出了干擾指紋生成的方法。文獻(xiàn)[9,16]為解決無法完全識(shí)別回訪用戶的問題,提出了一種基于瀏覽器指紋相似度的用戶識(shí)別方法,通過逐位比較指紋間字符串的相似度,在一定的相似范圍內(nèi),則認(rèn)為指紋為回訪用戶的更新指紋。

        當(dāng)前文獻(xiàn)主要研究不同類型的瀏覽器指紋的工作原理及干擾指紋生成的方法,較少有文獻(xiàn)關(guān)注特征參數(shù)變化后導(dǎo)致指紋靜態(tài)匹配方式無法完全識(shí)別回訪用戶的問題。因此,本文提出一種新的基于瀏覽器指紋差異度的回訪用戶識(shí)別算法,該算法首先定義8個(gè)指紋特征參數(shù)的局部差異度計(jì)算方法,加權(quán)求和得到衡量?jī)蓚€(gè)指紋之間差異度的公式,接著將指紋間差異度值與事先設(shè)定的差異度閾值作對(duì)比,進(jìn)而判斷用戶是否是回訪用戶。最后通過實(shí)驗(yàn)評(píng)估該算法的執(zhí)行效果。

        1 瀏覽器指紋

        瀏覽器指紋是由具有微小差異的特征參數(shù)通過哈希函數(shù)組合而成。

        1.1 指紋特征參數(shù)選擇

        組成指紋的特征參數(shù)信息與用戶個(gè)人習(xí)慣以及應(yīng)用環(huán)境息息相關(guān),將特征參數(shù)組合在一起時(shí)能夠有效地區(qū)別用戶個(gè)體特征,因此可以作為用戶識(shí)別的依據(jù)。其中指紋的制作過程如圖1所示。

        圖1 指紋制作示意圖

        由圖1可知,從瀏覽器平臺(tái)中的配置信息、軟件組成、硬件組成等層次可獲取特征參數(shù)。本文選取的指紋特征參數(shù)主要包括以下8個(gè):字體,插件,User agent,屏幕信息,時(shí)區(qū),HTTP-Accept,Video,Cookies_enabled(指的是Cookies能否接受設(shè)置,返回值為True或False)。上述特征參數(shù)的選取沿用了文獻(xiàn)[9]中的特征參數(shù)。

        1.2 指紋特征參數(shù)評(píng)估

        令一個(gè)瀏覽器指紋算法為BF(·),給定一個(gè)新的瀏覽器信息x,生成一個(gè)瀏覽器指紋BF(x),其離散概率密度函數(shù)為P(fn),n∈[0,1,…,N]。首先,引入自信息I的概念,其定義如式(1)所示。

        I(BF(x)=fn)=-loga(P(fn))

        (1)

        其中,自信息量I表征該瀏覽器指紋包含信息的比特?cái)?shù)。

        P(fn)的信息熵H(BF)為瀏覽器指紋自信息量的期望值,其定義如式(2)所示。

        (2)

        其中,H(BF)的值越大,區(qū)分不同瀏覽器的準(zhǔn)確性越高。

        瀏覽器指紋由不同的特征參數(shù)組合而成,單獨(dú)討論每個(gè)特征參數(shù)的信息量并定義指紋特征參數(shù)的信息熵。設(shè)某個(gè)指紋特征參數(shù)為a,其自信息量與信息熵計(jì)算方法分別如式(3)和式(4)所示。

        I(fn,a)=-loga(P(fn,a))

        (3)

        (4)

        對(duì)于兩個(gè)相互獨(dú)立的特征參數(shù),自信息量計(jì)算可根據(jù)公式直接線性相加。

        2 指紋差異度計(jì)算

        在大部分指紋算法下,用戶升級(jí)瀏覽器版本、更新插件、安裝新的字體等操作都會(huì)使原有指紋發(fā)生變化,導(dǎo)致指紋的靜態(tài)匹配方式無法完全識(shí)別回訪用戶。針對(duì)該問題,文獻(xiàn)[9,16]提出了基于指紋間字符串相似度的回訪用戶識(shí)別方法,通過逐位比較字符串,求兩指紋的相似度,從而判斷用戶是否為回訪用戶。

        而針對(duì)上述問題,本文提出一種新的基于瀏覽器指紋差異度的回訪用戶識(shí)別算法。其中,指紋差異度是用來衡量?jī)芍讣y之間的差異程度,差異度越小表示新的指紋是原有用戶的更新指紋的概率越大,即用戶是回訪用戶的概率越大。在該算法中,指紋間差異度計(jì)算是最重要的環(huán)節(jié)。

        2.1 全局差異度計(jì)算

        定義全局差異度函數(shù)D(BF1,BF2),用來計(jì)算指紋BF1與指紋BF2之間的差異程度,其定義如式(5)所示。

        (5)

        其中,全局差異度函數(shù)D(BF1,BF2)是字體、插件、屏幕信息等8個(gè)指紋特征參數(shù)差異度值的總和。Wattri為每個(gè)特征參數(shù)的權(quán)重,取值為文獻(xiàn)[9]中8個(gè)指紋特征參數(shù)的信息熵。指紋差異度函數(shù)D(BF1,BF2)的取值區(qū)間為[0,1],若指紋完全一致,函數(shù)值為0;若兩者完全不同,則函數(shù)值為1。

        2.2 局部差異度計(jì)算

        為比較指紋BF1與指紋BF2間8個(gè)指紋特征參數(shù)的差異程度,分別定義8個(gè)特征參數(shù)的差異度函數(shù)的計(jì)算公式。

        定義1User agent的差異度

        特征參數(shù)User agent由瀏覽器相關(guān)數(shù)據(jù)以及設(shè)備體系結(jié)構(gòu)相關(guān)數(shù)據(jù)兩部分組成。上述兩部分的差異度分別用Fbr與Farchi表示,兩者定義分別如式(6)與式(7)所示。

        (6)

        (7)

        在式(6)中,指紋間的瀏覽器名稱與版本號(hào)完全一致,Fbr取值為0;若瀏覽器名稱相同而版本號(hào)不一致,Fbr則取值為0.125;若兩者完全不同,取值為1。在式(7)中,Farchi的取值原理與Fbr相同。

        令Fbr與Farchi這兩部分?jǐn)?shù)據(jù)權(quán)重相等,則指紋與間User agent的差異度函數(shù)d(attr1(BF1,BF2))的定義如式(8)所示。

        d(attr1(BF1,BF2))=0.5×Fbr+0.5×Farchi

        (8)

        其中,差異度函數(shù)d(attr1(BF1,BF2))取值區(qū)間為[0,1]。若指紋與的User agent完全相同,函數(shù)值則為0,若兩指紋的User agent完全不同,函數(shù)值則為1。

        定義2插件信息的差異度

        插件信息是由插件名稱與插件版本兩部分組成。令插件列表為LP,指紋BF1的插件列表為LP(BF2),指紋BF2的插件列表為LP(BF2)。指紋BF1與BF2的2個(gè)插件列表中的插件總數(shù)為FU(兩插件列表中相同的插件只統(tǒng)計(jì)一次)。求解過程如下:

        FU=|(LP(BF1)(LP(BF1)∩LP(BF2)))∪LP(BF2)|

        (9)

        對(duì)于指紋BF1與BF2,計(jì)算兩插件列表中特有插件的比例,其結(jié)果分別用F1和F2表示,求解過程分別如式(10)與式(11)所示。

        (10)

        (11)

        計(jì)算LP(BF1)與LP(BF2)兩插件列表中插件名稱相同,版本號(hào)不同的插件比例并用F3表示,求解過程如式(12)所示。

        (12)

        計(jì)算LP(BF1)與LP(BF2)兩插件列表中插件名稱與版本號(hào)都相同的插件比例并用F4表示,其求解過程如式(13)所示。

        (13)

        對(duì)于指紋BF1與BF2,兩插件列表的差異度函數(shù)d(attr2(BF1,BF2))的定義如式(14)所示。

        (14)

        其中,差異度函數(shù)d(attr2(BF1,BF2))取值區(qū)間為[0,1]。若指紋BF1與BF2的插件列表完全相同,差異度值則為0,若兩指紋的插件信息完全不同,差異度值則為1。

        定義3字體信息的差異度

        令指紋BF1的字體列表為LF(BF1),指紋BF2的字體列表為LF(BF2)。兩字體列表中的字體總數(shù)FU(兩字體列表中相同的字體只統(tǒng)計(jì)一次)的計(jì)算過程如式(15)所示。

        FU=|(LF(BF1)(LF(BF1)∩LF(BF2)))∪LF(BF2)|

        (15)

        字體列表LF(BF1)中特有的字體比例用F1表示,F1的求解過程如式(16)所示。

        (16)

        LF(BF2)字體列表中特有的字體比例用F2表示,F2的求解過程如式(17)所示。

        (17)

        字體列表LF(BF1)與LF(BF2)中具有相同字體的比例用F3表示,F3的求解過程如式(18)所示。

        (18)

        對(duì)于指紋BF1與BF2,字體列表間的差異度函數(shù)d(attr3(BF1,BF2))的定義如式(19)所示。

        (19)

        其中,差異度函數(shù)d(attr3(BF1),attr3(BF2))取值區(qū)間為[0,1]。

        定義4屏幕分辨率、時(shí)區(qū)、HTTP-Accept、Video以及Cookies_enabled的差異度

        上述5個(gè)特征參數(shù)的差異度定義如下。

        (20)

        其中,差異度函數(shù)d(attrx(BF1,BF2))取值區(qū)間為[0,1]。

        3 回訪用戶的識(shí)別

        基于上述指紋差異度計(jì)算,本文提出一種能夠高精度地識(shí)別回訪用戶的算法,該算法的思路如圖2所示。

        圖2 回訪用戶識(shí)別流程

        圖2中的基于瀏覽器指紋差異度的回訪用戶識(shí)別算法的步驟如下:

        1)采集指紋特征參數(shù)并利用哈希函數(shù)制作指紋。

        2)判斷新指紋在指紋庫中是否存在,若存在,可判定該指紋是回訪用戶生成的指紋,則無需進(jìn)行指紋更新操作。

        3)若指紋庫中不存在該指紋,則需將該指紋與指紋庫中已有的指紋逐條進(jìn)行全局差異度計(jì)算。

        4)與事先設(shè)定差異度閾值作比較,若兩指紋之間的差異度值小于已設(shè)定的閾值,則認(rèn)為該指紋是回訪用戶由于特征參數(shù)改變后產(chǎn)生的升級(jí)指紋,用戶為回訪用戶。最后用升級(jí)指紋替代原始指紋,完成指紋的更新操作。

        5)若兩指紋之間的差異度值大于或等于設(shè)定的差異度閾值,即可判定用戶是首次訪問該網(wǎng)站,最后將該指紋存入指紋庫中。

        4 實(shí)驗(yàn)結(jié)果及分析

        為了測(cè)試基于瀏覽器指紋差異度的回訪用戶識(shí)別算法的可行性與準(zhǔn)確性,設(shè)計(jì)基于Web的數(shù)據(jù)采集模塊DeviceFingerprint。該模塊主要用于采集特征參數(shù)與制作指紋。不僅通過DeviceFingerprint獲取到每個(gè)用戶的Cookies_enabled作為特征參數(shù)之一,同時(shí)還要獲取Cookies,目的是通過Cookies給每條指紋打上標(biāo)記,為后續(xù)該回訪用戶識(shí)別算法執(zhí)行效果的評(píng)估做準(zhǔn)備。

        實(shí)驗(yàn)通過嵌入網(wǎng)頁中的DeviceFingerprint模塊獲取用戶遞交的HTTP請(qǐng)求,從而獲取了HTTP-Accept;通過執(zhí)行JavaScript代碼,獲取用戶User agent(包含瀏覽器類型、版本號(hào)以及操作系統(tǒng)等信息)、插件、屏幕信息、時(shí)區(qū)、Video以及Cookies_enabled這些參數(shù);通過JavaScript與Flash結(jié)合的方式獲取用戶的字體信息。其中,8個(gè)特征參數(shù)的獲取方式、數(shù)據(jù)類型以及變化情況如表1所示。

        表1 8個(gè)特征參數(shù)的獲取方式及特征參數(shù)描述

        為保證實(shí)驗(yàn)數(shù)據(jù)的真實(shí)性,從2016年12月3日,截止到2016年12月23日,在線收集了共102條不同的指紋數(shù)據(jù)。其中,102條指紋數(shù)據(jù)中出現(xiàn)了79個(gè)不同Cookies,即對(duì)應(yīng)分別79個(gè)不同的用戶。

        在本實(shí)驗(yàn)中,根據(jù)式(5)可計(jì)算2個(gè)指紋之間的差異度值。本文采用文獻(xiàn)[9]中的8個(gè)特征參數(shù)的信息熵,分別作為8個(gè)局部差異度函數(shù)的權(quán)重。因?yàn)槲墨I(xiàn)[9]中采集的指紋樣本數(shù)量龐大,以此作為統(tǒng)一的權(quán)重標(biāo)準(zhǔn),可減少誤差。8個(gè)特征參數(shù)按照信息熵的值從大到小排列情況如表2所示。

        表2 8個(gè)特征參數(shù)的信息熵

        如表2所示,插件、字體以及User agent這3個(gè)特征參數(shù)的信息熵較大,表明插件、字體以及User agent這3個(gè)特征參數(shù)變化引起的兩指紋間的差異度值變化程度也較大。

        以實(shí)驗(yàn)中的2條指紋為例,分析基于指紋差異度的回訪用戶識(shí)別算法具有可行性。這2條指紋除了User agent參數(shù)之外,其他7個(gè)特征參數(shù)分別相同。指紋 1的 User agent列表為:Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36(KHTML,like Gecko) Chrome/38.0.2125.122 Safari/537.36。指紋 2的 User agent列表為:Mozilla/5.0 (Windows NT 6.3;WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/45.0.2454.101 Safari/537.36。

        根據(jù)式(5)~式(8)以及表2中的權(quán)重,計(jì)算得到指紋1與指紋2的差異度值為0.017。該差異度值接近于0,則表明兩指紋高度相似,可認(rèn)為兩條指紋來自同一用戶。造成指紋發(fā)生變化的原因是由于用戶更新瀏覽器版本所致。

        本實(shí)驗(yàn)關(guān)鍵的一個(gè)環(huán)節(jié)是差異度閾值的設(shè)定,利用差異度閾值可界定指紋是否為回訪用戶生成的指紋。如圖2所示,對(duì)新采集的指紋,首先通過字符串匹配方式,初次判斷用戶是否為回訪用戶。若初次匹配失敗,進(jìn)一步根據(jù)差異度計(jì)算公式,逐一計(jì)算待判定的指紋與指紋庫中已有指紋之間的差異度值。若差異度值小于事先設(shè)定的差異度閾值,則認(rèn)為兩指紋來自用一用戶,即該用戶為該網(wǎng)站的回訪用戶。

        將指紋的識(shí)別率作為基于瀏覽器指紋差異度的回訪用戶識(shí)別算法準(zhǔn)確性的評(píng)估指標(biāo)。其中,指紋識(shí)別率表示的是能夠正確地識(shí)別出回訪用戶的比例。

        為了評(píng)估該算法的執(zhí)行效果,設(shè)定3個(gè)不同的差異度閾值,分別為0.025、0.05以及0.10。在不同差異度閾值下的指紋識(shí)別率如表3所示。

        表3 不同差異度閾值下的指紋識(shí)別率

        如表3所示,差異度閾值的設(shè)定影響著回訪用戶的識(shí)別率。設(shè)定的指紋差異度閾值越大,則表示容許的指紋之間的差異程度越大。在上述0.025、0.05以及0.10這3種不同的差異度閾值情況下,指紋的識(shí)別率均在86%以上。

        綜上所述,基于瀏覽器指紋差異度的回訪用戶識(shí)別算法具有一定的可行性且識(shí)別回訪用戶的準(zhǔn)確率較高。其中,指紋差異度計(jì)算以及差異度閾值設(shè)定是回訪用戶識(shí)別算法中最重要的2個(gè)環(huán)節(jié)。選擇適當(dāng)?shù)牟町惗乳撝的軌蛴行У靥岣呋卦L用戶的識(shí)別率。

        5 結(jié)束語

        針對(duì)指紋的靜態(tài)匹配方式不能夠完全識(shí)別回訪用戶的問題,本文提出了一種基于瀏覽器指紋差異度的回訪用戶識(shí)別算法,通過比較瀏覽器指紋之間的差異度,可以有效地識(shí)別出網(wǎng)站的回訪用戶。為了驗(yàn)證該算法的執(zhí)行效果,在線進(jìn)行了數(shù)據(jù)采集與測(cè)試。實(shí)驗(yàn)結(jié)果表明該算法能夠有效地識(shí)別回訪用戶,且在差異度閾值選擇得當(dāng)?shù)那闆r下識(shí)別的準(zhǔn)確率較高。但是由于采集的指紋數(shù)據(jù)有限,一定程度上影響實(shí)驗(yàn)結(jié)果的準(zhǔn)確度。因此在后續(xù)工作中,將盡可能采集更多的指紋樣本數(shù)據(jù),使得實(shí)驗(yàn)結(jié)果更精確,同時(shí)在指紋特征參數(shù)的選擇上會(huì)嘗試選擇更多潛在的具體區(qū)分性的參數(shù)制作指紋。

        [1] SAITO T,ISO Y,KIRYU N.A Study of Technical Aspect of Web Browser Fingerprinting[C]//Proceedings of the 31st Symposium on Cryptography and Information Security.Berlin,Germany:Springer,2010.

        [2] 張夢(mèng)媛.瀏覽器的安全訪問及指紋識(shí)別技術(shù)[D].南京:南京郵電大學(xué),2012.

        [3] 吳建濤.瀏覽器指紋技術(shù)研究與實(shí)現(xiàn)[D].西安:西北大學(xué),2014.

        [4] 王研昊,馬媛媛,楊 明,等.基于隱性標(biāo)識(shí)符的零權(quán)限 Android智能終端識(shí)別[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,45(6):1046-1050.

        [5] 王研昊.Android設(shè)備指紋識(shí)別技術(shù)的研究與實(shí)現(xiàn)[D].南京:東南大學(xué),2015.

        [6] NIKIFORAKIS N,KAPRAVELOS A,JOOSEN W,et al.On the Workings and Current Practices of Web-based Device Fingerprinting[J].IEEE Security & Privacy,2014,12(3):28-36.

        [7] ACAR G,JUAREZ M,NIKIFORAKIS N,et al.Fpdetective:Dusting the Web for Fingerprinters[C]//Proceedings of ACM SIGSAC Conference on Computer & Communications Security.Washington D.C.,USA:IEEE Press,2013:1129-1140.

        [8] 張玉清,武倩如,劉奇旭,等.第三方追蹤的安全研究[J].通信學(xué)報(bào),2014,35(9):1-11.

        [9] ECKERSLEY P.How Unique is Your Web Browser[C]//Proceedings of the 10th Privacy Enhancing Technologies Symposium.Berlin,Germany:Springer,2010:1-18.

        [10] NIKIFORAKIS N,KAPRAVELOS A,JOOSEN W.Cookieless Monster:Exploring the Ecosystem of Web-based Device Fingerprinting[C]//Proceedings of the 34th IEEE Symposium of Security and Privacy.Washington D.C.,USA:IEEE Press,2013:541-555.

        [11] MOWERY K,SHACHAM H.Pixel Perfect:Fingerprinting Canvas in HTML5[C]//Proceedings of Web 2.0 Security and Privacy Conference.Washington D.C.,USA:IEEE Press,2012:1-12.

        [12] TAKASU K,SAITO T,YAMADA T.A Survey of Hardware Features in Modern Browsers:2015 Edition[C]//Proceedings of the 9th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing.Washington D.C.,USA:IEEE Press,2015:520-524.

        [13] MOWERY K,BOGENREIF D,YILEK S,et al.Fingerprinting Information in JavaScript Imple-mentations[C]//Proceedings of IEEE International Conference on Acoustics,Speech & Signal Processing.Washington D.C.,USA:IEEE Press,2013:9-12.

        [14] MULAZZANI M,RESCHL P,HUBER M,et al.Fast and Reliable Browser Identification with Javascript Engine Fingerprinting[C]//Proceedings of Web 2.0 Security and Privacy Conference.Washington D.C.,USA:IEEE Press,2013:503-506.

        [15] UPATHILAKE R,LI Yingkun,MATRAWY A.A Classification of Web Browser Fingerprinting Techniques[C]//Proceedings of the 7th International Conference on New Technologies,Mobility and Security.Washington D.C.,USA:IEEE Press,2015:1-5.

        [16] 王 維,王偉平,王建新.一種基于升級(jí)瀏覽器指紋的用戶識(shí)別方法[C]//第七屆信息安全漏洞分析與風(fēng)險(xiǎn)評(píng)估大會(huì)論文集.南京:[出版者不詳],2014:189-197.

        猜你喜歡
        特征參數(shù)插件列表
        巧用列表來推理
        故障診斷中信號(hào)特征參數(shù)擇取方法
        基于特征參數(shù)化的木工CAD/CAM系統(tǒng)
        學(xué)習(xí)運(yùn)用列表法
        擴(kuò)列吧
        自編插件完善App Inventor與樂高機(jī)器人通信
        電子制作(2019年22期)2020-01-14 03:16:34
        基于PSO-VMD的齒輪特征參數(shù)提取方法研究
        MapWindowGIS插件機(jī)制及應(yīng)用
        統(tǒng)計(jì)特征參數(shù)及多分類SVM的局部放電類型識(shí)別
        基于Revit MEP的插件制作探討
        国产女人18毛片水真多18精品| 日韩AV无码中文无码AV| 亚洲人妻av在线播放| 久久红精品一区二区三区| 亚洲精品无人区| 国产区福利| 一区二区三区岛国av毛片| 国产对白刺激在线观看| 精品一区二区三区国产av | 精品视频一区二区三区在线观看| 欧美日韩亚洲国产精品| 99久久这里只精品国产免费| 久久久婷婷综合亚洲av| 日本视频一区二区三区在线观看| 亚洲av无码乱码在线观看裸奔| 亚洲国产综合人成综合网站| 九九久久国产精品大片| 亚洲精品国产av成人网| 少妇被又大又粗又爽毛片久久黑人| 亚洲精品一区国产欧美| 超薄肉色丝袜一区二区| 激,情四虎欧美视频图片| 国产一区二区三区白浆肉丝| 日本一区二区三区爆乳| 亚洲 高清 成人 动漫| 岛国视频在线无码| 亚洲一区二区三区地址| 日韩人妻无码精品久久| 免费中文熟妇在线影片| 亚洲精品中文字幕乱码3| 无码人妻一区二区三区免费看| 日本巨大的奶头在线观看| 亚洲乱精品中文字字幕| 亚洲午夜精品一区二区麻豆av| 中文字幕一区二区人妻性色| 福利视频一二区| 日韩av中文字幕少妇精品| 亚洲综合网国产精品一区| 国产精品亚洲综合色区韩国| 亚洲精品美女久久久久网站| 富婆猛男一区二区三区|