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

        ?

        基于轉(zhuǎn)移自洽和偏好連接的鏈路預(yù)測算法研究

        2019-08-22 10:00:22陸圣宇姚金魁
        計算機技術(shù)與發(fā)展 2019年8期
        關(guān)鍵詞:度數(shù)相似性鏈路

        陸圣宇,史 軍,劉 寶,姚金魁,金 毅

        (江南計算技術(shù)研究所,江蘇 無錫 214083)

        0 引 言

        復(fù)雜網(wǎng)絡(luò)從宏觀角度分析,是具備自組織、自相似、小世界、無標(biāo)度中部分或全部性質(zhì)的網(wǎng)絡(luò)。近年來,復(fù)雜網(wǎng)絡(luò)不僅僅作為數(shù)據(jù)的表現(xiàn)形式,更代表著數(shù)據(jù)科學(xué)、網(wǎng)絡(luò)科學(xué)的主要研究方向,基于數(shù)據(jù)的復(fù)雜系統(tǒng)的數(shù)學(xué)模型正以一種全新的視角快速發(fā)展[1]。許多復(fù)雜系統(tǒng)都可以抽象成一種復(fù)雜網(wǎng)絡(luò)進行分析,比如常見的電力網(wǎng)絡(luò)、航空網(wǎng)絡(luò)、交通網(wǎng)絡(luò)、計算機網(wǎng)絡(luò)以及社交網(wǎng)絡(luò)等,其研究價值日益凸顯。

        鏈路預(yù)測[2]是復(fù)雜網(wǎng)絡(luò)中的高效建模分析方法,通過基于網(wǎng)絡(luò)節(jié)點的屬性信息和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)信息而展開。鏈路預(yù)測主要有兩個研究方向[3],一是對客觀存在但仍然未知的網(wǎng)絡(luò)拓?fù)滏溌愤M行預(yù)測,二是對未來將要發(fā)生連接關(guān)系的網(wǎng)絡(luò)拓?fù)滏溌愤M行預(yù)測。

        作為數(shù)據(jù)挖掘領(lǐng)域的研究模式之一,早期鏈路預(yù)測重點傾向于基于機器學(xué)習(xí)、馬爾可夫鏈[4]等方向。這些通過獲取節(jié)點屬性等外部信息來建立起高效預(yù)測優(yōu)勢,例如綜合網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)信息與網(wǎng)絡(luò)節(jié)點屬性開展預(yù)測,或者通過對節(jié)點屬性定義節(jié)點對的相似性程度開展預(yù)測。但在多數(shù)情況下,對節(jié)點屬性信息的獲取存在明顯困難[2]。因此,在不使用節(jié)點屬性信息的前提下,通過獲取純粹的網(wǎng)絡(luò)結(jié)構(gòu)信息來定義相似性指標(biāo),成為當(dāng)前鏈路預(yù)測的一種主流方法。其核心在于選擇定義網(wǎng)絡(luò)中節(jié)點間的相似性度量指標(biāo),一個重要假設(shè)前提就是兩個節(jié)點之間相似性越大,相應(yīng)兩個節(jié)點之間存在鏈接的可能性就越大[5]。

        在其他的鏈路預(yù)測算法中,當(dāng)前主要有基于似然分析的方法和機器學(xué)習(xí)方法。在基于似然分析的方法中,有通過族譜樹進行網(wǎng)絡(luò)層次劃分的層次結(jié)構(gòu)模型[6],將節(jié)點聚類組成集合進行預(yù)測的連邊的隨機分塊模型[7]和根據(jù)網(wǎng)絡(luò)中封閉回路數(shù)定義網(wǎng)絡(luò)似然的閉路模型[8]。在機器學(xué)習(xí)方法中,針對鏈路預(yù)測主要有基于特征分類、概率圖模型和矩陣分類[9],都是需要有監(jiān)督的機器學(xué)習(xí)方法。

        文中重點從節(jié)點度數(shù)和相似性傳遞的角度分析二者在鏈路預(yù)測過程中的影響,將基于節(jié)點度數(shù)的偏好連接相似性矩陣作為轉(zhuǎn)移自洽相似性指標(biāo)的直接相似性輸入,通過矩陣求逆的方式求解對應(yīng)的轉(zhuǎn)移相似性,并通過調(diào)節(jié)直接相似性與轉(zhuǎn)移相似性比例參數(shù)ε,優(yōu)化最終鏈路預(yù)測結(jié)果的AUC值。然后就基于網(wǎng)絡(luò)結(jié)構(gòu)相似性的指標(biāo)算法進行簡要介紹;通過比較算法的特性,從基于偏好連接相似性和轉(zhuǎn)移自洽相似性指標(biāo)出發(fā),構(gòu)造TSPA相似性指標(biāo)算法;最后結(jié)合經(jīng)典復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)集進行對比分析實驗。

        1 基于結(jié)構(gòu)相似性的鏈路預(yù)測指標(biāo)

        基于結(jié)構(gòu)相似性的指標(biāo)代表了通過節(jié)點之間的結(jié)構(gòu)信息(例如節(jié)點的度、最近鄰居、二階鄰居等)進行加權(quán)計算獲得的相似性指標(biāo)。當(dāng)計算得到的相似性指標(biāo)越大,那么該節(jié)點對之間產(chǎn)生連邊的概率也越大。當(dāng)前大部分基于結(jié)構(gòu)相似性的鏈路預(yù)測相似度都從共同鄰居算法的思想出發(fā),其主要優(yōu)點是共同鄰居信息的獲取較為容易且計算復(fù)雜度低。

        1.1 CN指標(biāo)

        在基于共同鄰居的相似性指標(biāo)集合中,CN指標(biāo)(common neighbors)最早來自于Lorrain等[10]提出的社交網(wǎng)絡(luò)中的個體結(jié)構(gòu)等價性,通過觀察,如果特定的節(jié)點對所共有或共享的外部節(jié)點數(shù)量較多,則判斷特定節(jié)點對之間存在高度的同質(zhì)性。Kossinets[11]在社交網(wǎng)絡(luò)的分析研究中發(fā)現(xiàn),共同朋友越多的人成為好友的潛在可能性越大。Newman[12]同樣在科學(xué)家合作網(wǎng)絡(luò)中發(fā)現(xiàn),存在更多共同的第三方科研合作者的科學(xué)家之間,在未來進行同一科研合作項目的可能性更大。

        CN指標(biāo)如下:

        suv=|Γ(u)∩Γ(v)|

        (1)

        其中,Γ(u)∩Γ(v)表示節(jié)點u與節(jié)點v所共有的鄰居節(jié)點集合。

        1.2 考慮共同鄰居與節(jié)點度綜合計算的指標(biāo)

        在CN指標(biāo)的基礎(chǔ)上,對CN指標(biāo)所定義的相似性結(jié)合節(jié)點度等參數(shù)進行額外步驟計算,衍生出Salton指標(biāo)、Jaccard指標(biāo)等8種相似性指標(biāo)。

        (1)Salton指標(biāo)[13]。

        Salton指標(biāo)在CN指標(biāo)的基礎(chǔ)上,計算過程融入了特定節(jié)點對的度參數(shù),Salton指標(biāo)也稱作余弦相似性。

        Salton指標(biāo)如下:

        (2)

        其中,ku和kv為節(jié)點u、v的度。

        (2)Jaccard指標(biāo)[14]。

        Jaccard指標(biāo)在CN指標(biāo)基礎(chǔ)上,除以節(jié)點對u、v鄰居并集的勢。

        Jaccard指標(biāo)如下:

        (3)

        (3)Sorensen指標(biāo)[15]。

        Sorensen指標(biāo)將CN指標(biāo)的相似度值乘以2再除以節(jié)點對u、v的度之和。

        Sorensen指標(biāo)如下:

        (4)

        (4)HPI[16]與HDI[5]指標(biāo)。

        HPI(hub promoted index)大度節(jié)點有利指標(biāo)主要用于新陳代謝網(wǎng)絡(luò)研究,該指標(biāo)認(rèn)為節(jié)點對之間的相似度與二者度數(shù)中較小者成反比。HDI(hub depressed index)大度節(jié)點不利指標(biāo)則認(rèn)為節(jié)點對之間相似度與二者度數(shù)中較大者成反比。

        HPI指標(biāo)如下:

        (5)

        HDI指標(biāo)如下:

        (6)

        (5)LHN-I指標(biāo)[17]。

        Leicht,Holme與Newman基于共同鄰居思想提出了LHN-I指標(biāo),如下:

        (7)

        其中,節(jié)點u、v的度數(shù)乘積與相似度成反比。

        1.3 考慮鄰居度數(shù)的指標(biāo)

        在特定節(jié)點對的共同鄰居中,擁有大節(jié)點度數(shù)的共同鄰居,對特定節(jié)點對產(chǎn)生的影響、輻射往往會小于小節(jié)點度數(shù)的共同鄰居。在該思想的基礎(chǔ)上,先后出現(xiàn)了預(yù)測性能較好的AA指標(biāo)和RA指標(biāo)。

        (1)AA指標(biāo)[18]。

        在AA指標(biāo)中,根據(jù)共同鄰居節(jié)點的度,為每個共同鄰居節(jié)點賦予一個權(quán)重值,該值等于共同鄰居節(jié)點度的對數(shù)分之一。然后將權(quán)重值累加,獲得特定節(jié)點對之間的相似度。

        (8)

        (2)RA指標(biāo)[19]。

        周濤等受網(wǎng)絡(luò)資源分配過程的啟發(fā),提出RA指標(biāo)(resource allocation)。在RA指標(biāo)中,權(quán)重值由AA指標(biāo)中度的對數(shù)分之一的權(quán)重值變換為度數(shù)分之一。

        (9)

        RA指標(biāo)與AA指標(biāo)通過對共鄰節(jié)點度進行權(quán)重差異化處理,主要體現(xiàn)在RA指標(biāo)中為1/k遞減,而在AA指標(biāo)中為1/logk遞減,因此當(dāng)網(wǎng)絡(luò)中的平均度很小時,AA與RA指標(biāo)的計算結(jié)果近似一致。

        1.4 考慮偏好連接的指標(biāo)

        在PA指標(biāo)[20]中,在節(jié)點v和節(jié)點u之間產(chǎn)生無向邊的概率,應(yīng)該正比于節(jié)點u、v的度ku、kv之積。因此,在預(yù)測網(wǎng)絡(luò)過程中,大度節(jié)點之間更加傾向于產(chǎn)生連接關(guān)系。PA指標(biāo)在預(yù)測非常稀疏的路由網(wǎng)絡(luò)中,效率與準(zhǔn)確率都非常高。

        suv=ku·kv

        (10)

        1.5 考慮自洽轉(zhuǎn)移相似性的指標(biāo)

        孫舵等[21]在研究推薦系統(tǒng)時提出了轉(zhuǎn)移相似性的概念,通過假設(shè)節(jié)點之間相似性可以傳遞來刻畫節(jié)點之間的間接相似程度。該方法可以更加高效地利用已知的結(jié)構(gòu)信息。以節(jié)點A與節(jié)點B相連,節(jié)點B和節(jié)點C相連的簡單圖為例,節(jié)點C、節(jié)點A分別與節(jié)點B之間建立相似性,B和C之間也建立了相似性,通過B的相似性傳遞,A與C之間也可能存在潛在的相似性聯(lián)系。

        TS指標(biāo)如下:

        (11)

        其中,等號右側(cè)第一項為間接相似性;等號右側(cè)第二項suy為輸入任意一種相似性指標(biāo)得到的直接相似性;ε為可調(diào)參數(shù),用以調(diào)節(jié)直接與間接相似性的比例。當(dāng)直接相似性suy定義為鄰接矩陣時,轉(zhuǎn)移相似性矩陣可以等價表示如下:

        STr=(I-εS)-1S

        (12)

        該方法由于需要原始相似性指標(biāo)作為測度輸入、涉及矩陣逆運算,算法客觀上存在計算開銷大的缺點。

        2 一種基于轉(zhuǎn)移偏好自洽相似性的鏈路預(yù)測方法

        2.1 TSPA指標(biāo)

        上一節(jié)介紹了鏈路預(yù)測的常用相似性指標(biāo),在充分考慮節(jié)點度信息與網(wǎng)絡(luò)結(jié)構(gòu)信息的基礎(chǔ)上,文中是將轉(zhuǎn)移自洽相似性與偏好連接方法相整合,提出一種新的鏈路預(yù)測方法—基于轉(zhuǎn)移偏好自洽相似性的鏈路預(yù)測方法(transferring similarity based on preferential attachment,TSPA)。

        首先結(jié)合PA算法只考慮到了節(jié)點對的度數(shù)影響,且度數(shù)越高,二者連邊概率越大。整合進TS方法,為把傳遞相似信息納入,將PA方法與TS方法相結(jié)合,得到基于轉(zhuǎn)移偏好自洽相似性的TSPA方法,定義如下:

        (13)

        通過變形,等價表示如下:

        (14)

        TSPA相似性理解可以從兩個角度展開,一個是節(jié)點對之間已經(jīng)存在的連邊關(guān)系,另一個則是通過節(jié)點對的共同鄰居的局部結(jié)構(gòu)傳遞而具備的間接相似性。TSPA方法整合了PA與TS方法,在傳統(tǒng)PA方法中只通過計算兩個節(jié)點度數(shù)之積來建立相似性比較,而對間接的相似性信息沒有充分加以利用。TSPA方法通過中間節(jié)點的傳遞特性,針對性克服了結(jié)構(gòu)信息利用不充分的缺點。同時,TSPA方法中通過對ε參數(shù)的調(diào)優(yōu),可以看到中間節(jié)點相似性傳遞對特定節(jié)點對的影響大小,結(jié)合不同特性的網(wǎng)絡(luò),通過調(diào)節(jié)ε可以看到不同的預(yù)測結(jié)果。

        2.2 TSPA算法設(shè)計

        根據(jù)上一節(jié)描述,TSPA方法的算法描述如下:

        輸入:特定網(wǎng)絡(luò)鄰接矩陣M;

        輸出:相似性矩陣S,其中Su,v表示特定節(jié)點u、v產(chǎn)生連邊關(guān)系的相似性得分,Su,v越大表示連邊可能性越高,若Mu,v=1,則表示已經(jīng)產(chǎn)生連邊關(guān)系,在Su,v中直接置0。

        算法步驟:

        (1)構(gòu)造列向量存儲每個節(jié)點對應(yīng)的度:

        deg_row=sum(M,2)

        將鄰接矩陣M中每一行求和,即為每個節(jié)點對應(yīng)的度的列向量。

        (2)將列向量Deg乘以其轉(zhuǎn)置,得到PA方法的相似性矩陣Sim:

        Sim=deg_row * deg_row'

        (3)結(jié)合PA測度輸入,計算傳遞相似性矩陣:

        S=(I-ε*Sim)-1*Sim

        (4)刪去S中值為1的已存在邊元素:

        S=S-S?M

        在步驟4中,?表示兩矩陣對應(yīng)位置元素相乘,對應(yīng)Matlab中的矩陣“.*”運算規(guī)則。

        3 實驗與分析

        實驗將現(xiàn)有的CN共同鄰居算法、RA資源分配算法、PA偏好連接算法和提出的TSPA算法應(yīng)用到復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測中的經(jīng)典數(shù)據(jù)集,通過分析比較各算法對應(yīng)的AUC值,對各算法預(yù)測性能進行對比分析。

        3.1 實驗數(shù)據(jù)集

        實驗采用7個復(fù)雜網(wǎng)絡(luò)預(yù)測常用的數(shù)據(jù)集[2],Router為Internet中路由器層次的網(wǎng)絡(luò),節(jié)點表示路由器,連邊表示兩路由器通過光纖等方式直連進行數(shù)據(jù)包交換;USAir為美國航空網(wǎng)絡(luò),每個節(jié)點對應(yīng)一個機場,機場間若存在直達航線則表示存在連接關(guān)系;Yeast為蛋白質(zhì)相互作用網(wǎng)絡(luò),節(jié)點為蛋白質(zhì)大分子,若蛋白質(zhì)之間存在相互作用關(guān)系則認(rèn)為存在連接關(guān)系;PB為美國某政治論壇博客網(wǎng)絡(luò),博主為網(wǎng)絡(luò)節(jié)點,如果博客間存在超鏈接關(guān)系則認(rèn)為兩個博主之間存在連接關(guān)系;NS為發(fā)表過復(fù)雜網(wǎng)絡(luò)為主題的科學(xué)家合作網(wǎng)絡(luò),科學(xué)家為網(wǎng)絡(luò)節(jié)點,如果科學(xué)家之間存在論文合作關(guān)系,則認(rèn)為科學(xué)家之間存在連接關(guān)系;C.elegans為線蟲的神經(jīng)網(wǎng)絡(luò),節(jié)點由線蟲的神經(jīng)元表示,神經(jīng)元的突觸或者間隙連接存在,則認(rèn)為神經(jīng)元之間存在連接關(guān)系。

        表1將7個復(fù)雜網(wǎng)絡(luò)經(jīng)典數(shù)據(jù)集以統(tǒng)計量的形式展現(xiàn)出來,其中N為網(wǎng)絡(luò)節(jié)點數(shù)量,M為網(wǎng)絡(luò)的邊數(shù),K為網(wǎng)絡(luò)平均度,C為聚類系數(shù),D為網(wǎng)絡(luò)直徑,L為平均最短路徑。

        表1 用于鏈路預(yù)測實驗的網(wǎng)絡(luò)基本統(tǒng)計特征

        下面通過可視化的形式,展示測試的7個復(fù)雜網(wǎng)絡(luò)中的路由器Router網(wǎng)絡(luò)和PB博客關(guān)系網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。具體如圖1和圖2所示。

        圖1 Router網(wǎng)絡(luò)

        圖2 PB網(wǎng)絡(luò)

        3.2 評價指標(biāo)

        在鏈路預(yù)測算法評估中,存在AUC、精確度(precision)、排序分(ranking score)三個評價指標(biāo)。精確度指標(biāo)首先需要確定一個值L,L表示根據(jù)特定算法獲得的前L個預(yù)測結(jié)果,然后在前L個結(jié)果中對比真實鏈路情況,找出準(zhǔn)確預(yù)測的鏈路個數(shù)m,最終m/L的值即為精確度。精確度越大,則算法的準(zhǔn)確度越高。排序分則考慮了測試集中邊在最終排序總結(jié)果中的位置,取re為測試邊在排序中的名次,集合H為未知邊集合,則單條測試邊排序分為RSe=re/|H|。遍歷所有測試邊進行累加求均值,即可得到最終的排序分,排序分越小,說明算法準(zhǔn)確度越高。

        AUC指標(biāo)[22]在鏈路預(yù)測、機器學(xué)習(xí)等領(lǐng)域應(yīng)用廣泛。AUC指標(biāo)從整體上把握衡量算法的精準(zhǔn)程度,相比Precision指標(biāo)[23]僅考慮前L條邊的預(yù)測準(zhǔn)確程度和Ranking Score指標(biāo)[24]更多考慮所預(yù)測邊的排序情況,AUC綜合衡量算法的準(zhǔn)確程度與實用性更強。

        3.3 實驗過程與結(jié)果

        在實驗過程中,將復(fù)雜網(wǎng)絡(luò)經(jīng)典數(shù)據(jù)集進行隨機劃分,訓(xùn)練集占總邊數(shù)的90%,測試集占總邊數(shù)的10%,每個數(shù)據(jù)集進行100次獨立實驗。在訓(xùn)練集計算過程中,通過先獲取數(shù)據(jù)集節(jié)點對間的Sim相似度矩陣,然后通過相似度矩陣測算各類邊的連邊概率,得到AUC值,并結(jié)合獨立實驗次數(shù),得到最終的AUC均值。

        網(wǎng)絡(luò)基本統(tǒng)計特征如表2所示。

        表2 用于鏈路預(yù)測實驗的網(wǎng)絡(luò)基本統(tǒng)計特征

        從不同種類算法的橫向角度比較,TSPA指標(biāo)在路由網(wǎng)絡(luò)、航空網(wǎng)絡(luò)、蛋白質(zhì)網(wǎng)絡(luò)、政治博客網(wǎng)絡(luò)中取得了較好的預(yù)測結(jié)果。TSPA在和RA、CN這兩個基于網(wǎng)絡(luò)結(jié)構(gòu)相似性預(yù)測性能較好的指標(biāo)對比中,在路由網(wǎng)絡(luò)這種低網(wǎng)絡(luò)平均度、低網(wǎng)絡(luò)聚類系數(shù)的環(huán)境下,取得了明顯的預(yù)測優(yōu)勢。

        圖3 TSPA取不同ε參數(shù)的AUC值

        在TSPA指標(biāo)與同源的PA指標(biāo)類比中,在選取的三個ε參數(shù)(-0.1、-0.05、-0.01)中,分別在7個真實網(wǎng)絡(luò)的預(yù)測中取得了對PA指標(biāo)的5、1、6個網(wǎng)絡(luò)的預(yù)測優(yōu)勢。即便在預(yù)測情況較低的參數(shù)(-0.05)下,剩余6個網(wǎng)絡(luò)預(yù)測AUC值也和PA指標(biāo)結(jié)果非常接近,體現(xiàn)了TSPA指標(biāo)較傳統(tǒng)PA指標(biāo)的預(yù)測穩(wěn)定性。具體如圖3和圖4所示。

        圖4 TSPA與其他方法的AUC值對比

        通過將基于偏好連接方法獲取的網(wǎng)絡(luò)度結(jié)構(gòu)信息,與轉(zhuǎn)移自洽相似性方法相整合,形成的全新TSPA指標(biāo)在真實網(wǎng)絡(luò)預(yù)測中得到了有效驗證。預(yù)測的AUC準(zhǔn)確度結(jié)果在與一眾經(jīng)典鏈路預(yù)測指標(biāo)對比中,建立了針對具體特征網(wǎng)絡(luò)的預(yù)測優(yōu)勢,并通過ε值的對比分析,表明如果將ε值調(diào)整為正數(shù),將對TSPA指標(biāo)中最終預(yù)測結(jié)果產(chǎn)生反向降低AUC值的影響。

        4 結(jié)束語

        在綜合利用節(jié)點度信息與網(wǎng)絡(luò)結(jié)構(gòu)相似性傳遞信息的基礎(chǔ)上,提出了一種基于轉(zhuǎn)移偏好自洽相似性的鏈路預(yù)測方法TSPA。該方法將節(jié)點對之間的度乘積信息形成的相似性矩陣,作為測度信息傳入TS方法,并就具體的ε值進行驗證。TSPA方法相比傳統(tǒng)鏈路預(yù)測相似性方法,納入了更多的網(wǎng)絡(luò)結(jié)構(gòu)信息,在對低平均度、低聚類系數(shù)的網(wǎng)絡(luò)中展現(xiàn)出了更好的預(yù)測性能。

        在后續(xù)的研究工作中,雖然TSPA在特定網(wǎng)絡(luò)中的預(yù)測優(yōu)勢明顯,但計算方法過程中涉及到矩陣求逆等操作,算法的時間開銷相比CN、RA等方法存在一定劣勢。在下一階段工作中,一是在多樣化研究和測試不同鏈路預(yù)測方法的基礎(chǔ)上,對元路徑的異質(zhì)信息[25]、局部路徑節(jié)點度冪指數(shù)規(guī)律[5]進行研究,降低對網(wǎng)絡(luò)結(jié)構(gòu)的計算規(guī)模,在提高或維持算法的預(yù)測精度的基礎(chǔ)上,降低算法流程上的時間開銷,使TSPA方法的預(yù)測效果得到進一步提高。

        猜你喜歡
        度數(shù)相似性鏈路
        家紡“全鏈路”升級
        一類上三角算子矩陣的相似性與酉相似性
        眼鏡的度數(shù)是如何得出的
        天空地一體化網(wǎng)絡(luò)多中繼鏈路自適應(yīng)調(diào)度技術(shù)
        移動通信(2021年5期)2021-10-25 11:41:48
        淺析當(dāng)代中西方繪畫的相似性
        河北畫報(2020年8期)2020-10-27 02:54:20
        圖形中角的度數(shù)
        隱形眼鏡度數(shù)換算
        低滲透黏土中氯離子彌散作用離心模擬相似性
        基于3G的VPDN技術(shù)在高速公路備份鏈路中的應(yīng)用
        高速光纖鏈路通信HSSL的設(shè)計與實現(xiàn)
        国产区精品| 中文字幕亚洲乱码熟女1区2区| 久久AⅤ无码精品色午麻豆| 久久精品国产亚洲av蜜桃av| 熟女高潮av一区二区| 青青草成人免费在线视频| 无码小电影在线观看网站免费| 亚洲avav天堂av在线网爱情| 丰满女人又爽又紧又丰满| 岛国成人在线| 亚洲无码毛片免费视频在线观看| 日本一区二区啪啪视频| 蜜桃视频在线免费观看| 中文无码一区二区三区在线观看 | 亚洲另类国产综合第一| 亚洲a级片在线观看| 亚洲精品无人区一区二区三区| 中文字幕一区二区av| 97久久综合区小说区图片区| 熟妇与小伙子matur老熟妇e | 色偷偷av一区二区三区人妖| 人妖一区二区三区在线| 色妞色视频一区二区三区四区| 亚洲国产18成人中文字幕久久久久无码av| 日韩精品一区二区三区毛片| 亚洲性码不卡视频在线| 91熟女av一区二区在线| 综合偷自拍亚洲乱中文字幕| 亚洲欧美综合区自拍另类| 18禁美女裸体网站无遮挡| 北岛玲精品一区二区三区| 午夜一区二区三区福利视频| 亚洲av无码专区在线| 亚洲熟女一区二区三区| 一本久道久久综合五月丁香| 亚洲区一区二区中文字幕| 日韩精品视频免费网站| 无码区a∨视频体验区30秒| 久久天天躁狠狠躁夜夜爽蜜月| 日本一本草久国产欧美日韩| 玖玖资源站亚洲最大的网站|