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

        ?

        面向虛擬化網(wǎng)絡(luò)環(huán)境的網(wǎng)絡(luò)安全態(tài)勢要素提取及安全態(tài)勢預(yù)測應(yīng)用

        2023-03-07 10:02:38
        電視技術(shù) 2023年1期
        關(guān)鍵詞:態(tài)勢虛擬化架構(gòu)

        王 偉

        (中央廣播電視總臺,北京 100859)

        0 引 言

        隨著信息化的普及和發(fā)展,廣播電視制播技術(shù)已經(jīng)逐步從SDI架構(gòu)轉(zhuǎn)向基于互聯(lián)網(wǎng)的IP架構(gòu),特別是IPTV、網(wǎng)絡(luò)接入服務(wù)等業(yè)務(wù)的拓展,使得廣播電視行業(yè)逐步進入網(wǎng)絡(luò)運營與應(yīng)用范疇。然而,計算機網(wǎng)絡(luò)在顯著提升業(yè)務(wù)推進效率和便捷度的同時,也引入了新的風(fēng)險,即網(wǎng)絡(luò)安全問題。隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展,計算機網(wǎng)絡(luò)軟硬件架構(gòu)處于不斷發(fā)現(xiàn)問題和解決問題的過程中。除去業(yè)務(wù)對于網(wǎng)絡(luò)性能和功能的新需求外,來自內(nèi)部和外部的網(wǎng)絡(luò)安全威脅是最為典型的問題。傳統(tǒng)的網(wǎng)絡(luò)安全檢測與防御往往是面向具體的網(wǎng)絡(luò)架構(gòu)和網(wǎng)絡(luò)所遭受的攻擊行為提出應(yīng)對方案,網(wǎng)絡(luò)安防往往是通過歷史事件倒推網(wǎng)絡(luò)安全漏洞,并事后予以彌補,這顯然無法為網(wǎng)絡(luò)安全提供實時保障,同時也無法應(yīng)對未知網(wǎng)絡(luò)風(fēng)險[1]。同時,隨著網(wǎng)絡(luò)需求和功能的變動,網(wǎng)絡(luò)架構(gòu)和技術(shù)形式往往會有相應(yīng)的變化和升級,特別是隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,利用虛擬化服務(wù)及軟件,對網(wǎng)絡(luò)設(shè)備及架構(gòu)進行實現(xiàn)已經(jīng)成為發(fā)展趨勢。網(wǎng)絡(luò)功能虛擬化(Network Functions Virtualization,NFV)及軟件定義網(wǎng)絡(luò)(Software Defined Network,SDN)的高度融合,就是虛擬化網(wǎng)絡(luò)及服務(wù)的典型應(yīng)用之一??梢钥吹?,在新的技術(shù)發(fā)展趨勢下,網(wǎng)絡(luò)安全需求已經(jīng)從傳統(tǒng)的靜態(tài)安全評估和防護,逐步變?yōu)閷W(wǎng)絡(luò)的實時監(jiān)測和動態(tài)的態(tài)勢預(yù)測。正是基于這一訴求,網(wǎng)絡(luò)安全態(tài)勢預(yù)測被提出。對于網(wǎng)絡(luò)安全態(tài)勢預(yù)測而言,態(tài)勢要素提取和態(tài)勢預(yù)測是兩個關(guān)鍵環(huán)節(jié)[1]。對于不同的網(wǎng)絡(luò)架構(gòu)和技術(shù)形式,特別是大規(guī)模異構(gòu)網(wǎng)絡(luò),其態(tài)勢要素往往有較大差異。因此,態(tài)勢要素的獲取也是態(tài)勢預(yù)測的必要前置條件。而在態(tài)勢預(yù)測階段,常見的實現(xiàn)路徑主要為利用機器學(xué)習(xí)構(gòu)建模型,進而對未來某時刻的網(wǎng)絡(luò)安全態(tài)勢進行預(yù)測。本文擬通過研究面向NFV與SDN高度融合的網(wǎng)絡(luò)環(huán)境的態(tài)勢要素提取方法,進一步對該網(wǎng)絡(luò)技術(shù)架構(gòu)下的安全態(tài)勢預(yù)測問題進行研究。

        1 NFV與SDN高度融合網(wǎng)絡(luò)架構(gòu)

        1.1 NFV與SDN概述

        1.1.1 NFV概述

        網(wǎng)絡(luò)功能虛擬化(Network Functions Virtualization,NFV),是虛擬網(wǎng)絡(luò)構(gòu)建的一種基礎(chǔ)技術(shù)方案。NFV基于虛擬化技術(shù)實現(xiàn)網(wǎng)絡(luò)功能,對傳統(tǒng)交換機、路由交換協(xié)議、網(wǎng)絡(luò)管理工具等設(shè)備設(shè)施予以替代。該技術(shù)允許網(wǎng)絡(luò)設(shè)計與構(gòu)建人員利用通用服務(wù)器,對所需的各項網(wǎng)絡(luò)設(shè)施進行虛擬化實現(xiàn),在顯著降低傳統(tǒng)網(wǎng)絡(luò)設(shè)備用量、降低實施成本的同時,進一步提升設(shè)備的綜合利用率和管理效率[2]。此外,NFV允許管理者利用一系列開放的應(yīng)用程序接口(Application Programming Interface,API)構(gòu)建可編程、可集中管理、可智能靈活配置部署的整套虛擬化網(wǎng)絡(luò)。更為特殊的一點是,NFV構(gòu)建的網(wǎng)絡(luò)設(shè)備具備彈性可伸縮特性,這就使得未來的升級擴充高效便捷。

        1.1.2 SDN概述

        軟件定義網(wǎng)絡(luò)(Software Defined Network,SDN)的出現(xiàn),解決了網(wǎng)絡(luò)管理對于平臺的“開放”和“集中”訴求?!伴_放”是指不同網(wǎng)絡(luò)設(shè)備的SDN能力開放問題,“集中”則主要指將網(wǎng)內(nèi)各設(shè)備的控制信息集中到一個控制平面進行集成控制。前者能夠有效提升整個控制面板對各類規(guī)格設(shè)備和功能的控制兼容度,使得整套網(wǎng)絡(luò)具備較強的功能控制解耦能力。后者則能夠以最小粒度對網(wǎng)絡(luò)進行集中管理,極大提升管理效率。

        1.2 NFV與SDN融合架構(gòu)

        從NFV與SDN各自的優(yōu)勢可以看出,如果將二者進行高度融合,不僅可以有效提升網(wǎng)絡(luò)的開放性、彈性可伸縮性、敏捷性,而且能夠在顯著降低網(wǎng)絡(luò)復(fù)雜程度的同時,實現(xiàn)高效的內(nèi)部協(xié)調(diào)和管理。這也是NFV與SDN深度融合的基礎(chǔ)與核心驅(qū)動力。NFV與SDN的高度融合架構(gòu)如圖1所示。可以看到,整套架構(gòu)以硬件虛擬化技術(shù)為核心,構(gòu)建了虛擬化資源池。此后基于這一虛擬化資源池,進一步構(gòu)建各級虛擬化計算資源及各層級的虛擬化設(shè)備,并構(gòu)建各層虛擬網(wǎng)絡(luò)功能(Virtual Network Function,VNF),形成虛擬化網(wǎng)絡(luò)。與此同時,利用SDN構(gòu)建管理及控制面,將NFV、VNF及基礎(chǔ)虛擬接口的管理進行集成[3]。由于SDN能夠與南向接口通過協(xié)議直接與轉(zhuǎn)發(fā)設(shè)備交互,同時能夠與外部應(yīng)用通過北向接口通信,這就使得SDN控制器成為網(wǎng)絡(luò)管理和調(diào)度的集成中心。

        圖1 NFV/SDF高度融合架構(gòu)

        2 NFV與SDN高度融合下的態(tài)勢要素提取

        態(tài)勢預(yù)測是基于態(tài)勢要素實現(xiàn)的。對具體問題和場景而言,態(tài)勢要素往往需要根據(jù)實際情形進行分類提取,并不存在一通百通的態(tài)勢要素集合。由于NFV/SDN高度融合下的網(wǎng)絡(luò)形態(tài)和復(fù)雜度都有了顯著的變化,因此,傳統(tǒng)網(wǎng)絡(luò)環(huán)境下的安全態(tài)勢要素顯然無法用于該環(huán)境下網(wǎng)絡(luò)的態(tài)勢預(yù)測。本章節(jié)圍繞態(tài)勢要素提取展開研究,為后續(xù)態(tài)勢預(yù)測提供支撐。

        2.1 態(tài)勢要素提取網(wǎng)絡(luò)架構(gòu)

        針對NFV/SDN融合環(huán)境的網(wǎng)絡(luò)安全態(tài)勢要素提取問題,本文擬通過構(gòu)建NFV/SDN融合網(wǎng)絡(luò)攻擊信息樣本庫,結(jié)合基于深度條件變分自編碼網(wǎng)絡(luò),對樣本中隱含的有價值的態(tài)勢要素進行分類提取。在該架構(gòu)中,由于隱變量z是原始樣本構(gòu)建的核心,因此核心問題是如何探求隱變量z的分布[4]。本方案考慮在生成網(wǎng)絡(luò)前增加一個編碼網(wǎng)絡(luò),利用樣本及標簽集c作為其輸入,進而獲得隱變量z的分布?;跇撕瀋,樣本可被強制分配至不同的分布空間。由于編碼網(wǎng)絡(luò)與生成網(wǎng)絡(luò)互為鏡像,因此隱變量可將編碼網(wǎng)絡(luò)的輸出重構(gòu)為原始數(shù)據(jù)。最后通過對比原始數(shù)據(jù)與重構(gòu)后的原始數(shù)據(jù)的差異,最終評估訓(xùn)練獲得的各項權(quán)值是否達到最優(yōu)。本文構(gòu)建的態(tài)勢要素分類提取網(wǎng)絡(luò)架構(gòu)如圖2所示。

        圖2 態(tài)勢要素分類提取網(wǎng)絡(luò)架構(gòu)

        2.2 模型訓(xùn)練

        上文所構(gòu)建的態(tài)勢要素分類提取網(wǎng)絡(luò)架構(gòu),其核心在于編碼網(wǎng)絡(luò)和生成網(wǎng)絡(luò)。利用這種深度神經(jīng)網(wǎng)絡(luò),能夠?qū)颖局须[含的高級特征進行捕捉,進而指導(dǎo)攻擊樣本的分類。該過程可描述為樣本處理、輸入網(wǎng)絡(luò)及優(yōu)化參數(shù)三個步驟。

        2.2.1 樣本處理

        根據(jù)獲得的網(wǎng)絡(luò)攻擊數(shù)據(jù)集,及在NFV/SDF融合環(huán)境下獲取到的網(wǎng)絡(luò)攻擊數(shù)據(jù),共同構(gòu)建一套訓(xùn)練數(shù)據(jù)集。樣本處理階段,需要對網(wǎng)絡(luò)攻擊數(shù)據(jù)進行歸一化處理,使其形式和構(gòu)成與網(wǎng)絡(luò)攻擊數(shù)據(jù)集數(shù)據(jù)一致,獲得樣本集x=(x1,x2,…,xn)。此后通過人工標記方式,將網(wǎng)絡(luò)攻擊數(shù)據(jù)樣本進行標記,形成集合c=(c1,c2,…,ck)。據(jù)此可獲得兩個多維數(shù)據(jù)集,其中n,k分別為處理后的數(shù)據(jù)維度。

        2.2.2 輸入網(wǎng)絡(luò)

        將上述數(shù)據(jù)輸入編碼網(wǎng)絡(luò),可獲得隱變量z的分布,可通過中采樣處理進一步獲得其采樣值。此后將z的采樣值作為參數(shù),連同標簽共同作為生成網(wǎng)絡(luò)的輸入?yún)?shù),完成數(shù)據(jù)重構(gòu)。

        2.2.3 優(yōu)化參數(shù)

        通過損失函數(shù)可對網(wǎng)絡(luò)進行反復(fù)優(yōu)化,以最終達到編碼參數(shù)?與生成參數(shù)θ的對數(shù)似然函數(shù)的變分下界最大化的目標[5]。該過程可表示為式(1):

        式中:?表示編碼參數(shù),θ表示生成參數(shù),z表示采樣值,x表示樣本集,c表示樣本標記集,L表示隱變量z的采樣數(shù)。q?(z|x,c)與pθ(x|z,c)分別表示編碼網(wǎng)絡(luò)和生成網(wǎng)絡(luò)的概率分布,其中pθ(x|z,c)主要用于評估隱函數(shù)z在生成網(wǎng)絡(luò)中能夠?qū)颖綾重構(gòu)為原始樣本的概率。此時,應(yīng)視近似概率q?(z|x,c)服從正態(tài)分布N(μ,δ2),條件概率pθ(z|c)服從正態(tài)分布N(μ,1)。通過對上述兩個概率進行KL散度,可評估二者的相似度。若二者不同,則該損失函數(shù)將對網(wǎng)絡(luò)進行懲罰。

        樣本擴充階段主要通過生成網(wǎng)絡(luò)來完成。該網(wǎng)絡(luò)通過計算生成樣本與元樣本的偏離度,計算構(gòu)建損失,并指定構(gòu)建損失閾值。某類別的損失閾值(或稱最大構(gòu)建損失)可用式(2)表示。

        式中:maxL表示損失閾值,即構(gòu)建損失的過濾標準,max(l(x,c))表示輸入的樣本集x及標記集c的最大重構(gòu)損失值。若該類別樣本構(gòu)建損失超過該閾值,則剔除;反之,則納入新訓(xùn)練集合中,用于對編碼網(wǎng)絡(luò)進行微調(diào)優(yōu)化。

        2.3 樣本分類

        編碼網(wǎng)絡(luò)完成訓(xùn)練后,可為編碼網(wǎng)絡(luò)增加softmax層,用于實現(xiàn)分類結(jié)果的輸出。通過softmax函數(shù),神經(jīng)元的輸出將最終映射到(0,1)區(qū)間內(nèi),直接表示分類概率。分類概率計算公式可表示為式(3):

        式中:W為回歸層的權(quán)重參數(shù),b為偏置值,I為輸出層節(jié)點數(shù)量(表征類別數(shù)量)。

        3 網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法研究

        前文的成果能夠為網(wǎng)絡(luò)安全態(tài)勢預(yù)測提供適當?shù)膽B(tài)勢要素。本文提出一種基于注意力機制的循環(huán)門控單元(Gated Recurrent Unit,GRU)網(wǎng)絡(luò)。該網(wǎng)絡(luò)實質(zhì)上是一種簡化的長短時記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM),是一種具備選擇性短時記憶能力的帶有門控制機制的神經(jīng)網(wǎng)絡(luò),能夠針對網(wǎng)絡(luò)態(tài)勢要素變動的歷史進行綜合衡量,進而對網(wǎng)絡(luò)安全態(tài)勢進行動態(tài)感知[6]。

        3.1 網(wǎng)絡(luò)構(gòu)建

        本文構(gòu)建的網(wǎng)絡(luò)安全態(tài)勢預(yù)測網(wǎng)絡(luò)如圖3所示。輸入層的輸入數(shù)據(jù)來源為:利用前文分類獲取到的網(wǎng)絡(luò)態(tài)勢要素為分類標準,對國家互聯(lián)網(wǎng)應(yīng)急中心發(fā)布的數(shù)據(jù)進行處理,使其符合網(wǎng)絡(luò)輸入層所需的維度和結(jié)構(gòu)。編碼層的核心即GRU網(wǎng)絡(luò)。通過GRU的門結(jié)構(gòu),信息可根據(jù)需要進行短暫存儲,以實現(xiàn)對信息實時流動的調(diào)控。注意力層則主要對數(shù)據(jù)屬性權(quán)重進行調(diào)整,對于各數(shù)據(jù)與網(wǎng)絡(luò)安全趨勢的關(guān)聯(lián)度進行定義,確保整個注意力網(wǎng)絡(luò)能夠側(cè)重于對高影響因子的信息的關(guān)注,進而獲得更精準的預(yù)測結(jié)果[7]。網(wǎng)絡(luò)最后為預(yù)測網(wǎng)絡(luò)結(jié)構(gòu),最終輸出實時的網(wǎng)絡(luò)安全態(tài)勢預(yù)測值。

        圖3 基于注意力機制和GRU的網(wǎng)絡(luò)態(tài)勢預(yù)測網(wǎng)絡(luò)

        3.2 GRU超參數(shù)選擇

        GRU網(wǎng)絡(luò)的性能與網(wǎng)絡(luò)參數(shù)息息相關(guān)[8],諸如網(wǎng)絡(luò)神經(jīng)元數(shù)量m,batchsize,時間步長T等超參數(shù)的尋找十分關(guān)鍵。這里通過粒子群算法設(shè)計如圖4所示的步驟對超參數(shù)進行選擇。

        圖4 超參數(shù)組合優(yōu)化算法邏輯

        首先,初始化粒子群參數(shù),設(shè)定包括種群規(guī)模I、迭代次數(shù)p、慣性權(quán)重W,以及c1,c2變化區(qū)間在內(nèi)的所有粒子群建立所必須的參數(shù)。

        其次,對種群根據(jù)規(guī)模I進行隨機生成,參數(shù)包括網(wǎng)絡(luò)神經(jīng)元數(shù)量m,batchsize,時間步長T,同時對粒子初始速度和初始位置進行指定。

        此后根據(jù)每輪迭代,參照式(4)和式(5)對粒子位置進行實時調(diào)整,并對粒子與歷史最佳位置和種群最佳位置進行對比,評估是否到達了優(yōu)化終點。

        3.3 模型求解

        前文對GRU網(wǎng)絡(luò)參數(shù)進行了最優(yōu)化,本階段將對模型進行求解,完成輸入到輸出各步驟的設(shè)計。

        第一步,定義輸入數(shù)據(jù)。這里將帶有時間序列的輸入數(shù)據(jù)用式(6)表示。

        式中:T為時間步長,n為數(shù)據(jù)屬性數(shù)量。

        第二步,通過式(7)—式(10)對GRU中重置門、更新門的控制邏輯進行定義,實現(xiàn)信息記憶與遺忘機制。

        式中:Wr表示重置門的權(quán)值矩陣,Wz表示更新門的權(quán)重矩陣,br表示重置門的偏置值,bz表示更新門的偏置值,°表示矩陣乘法。最終可獲得編碼器的映射結(jié)果ht。

        第三步,利用h及原始訓(xùn)練樣本作為輸入值,輸入注意力層。在該層中,首先利用式(11)對h與其他屬性間的相似性進行評估。

        式中:k在[1,n]區(qū)間內(nèi),表示安全指標的編號,ht-1表示上一時刻編碼器的隱藏狀態(tài),xk表示第k個安全指標在一個時間步長中的數(shù)據(jù)。此后通過softmax對該評估值進行歸一化,最終使得所有注意力權(quán)重總和為1。最終加權(quán)求和,獲得t時刻綜合權(quán)值ct(該權(quán)值充分考慮了歷史信息)。

        第四步,利用預(yù)測網(wǎng)絡(luò)計算該時刻的預(yù)測輸出,并更新GRU的隱藏狀態(tài)。最終可獲得t時刻的網(wǎng)絡(luò)安全態(tài)勢預(yù)測值該過程可由式(12)和式(13)描述。

        式中:g為基于softmax函數(shù)的線性變換,ct為t時刻的綜合權(quán)值,dt表示此刻GRU的隱藏狀態(tài)更新。

        3.4 實驗及模型評價

        3.4.1 評價指標及對照模型選擇

        本文選擇平均絕對誤差(Mean Absolute Error,MAE)及均方根誤差(Root Mean Square Error,RMSE)作為模型效果的評估指標。可描述為式(14)及式(15)。

        式中:N為預(yù)測次數(shù),與測試數(shù)據(jù)集大小一致,yi為預(yù)測結(jié)果,為樣本標記的真實態(tài)勢值。

        為客觀評估本文設(shè)計的模型性能,選取Attention-RNN、AIS-LSTM兩種神經(jīng)網(wǎng)絡(luò)預(yù)測模型,以及PSO-SVM這一傳統(tǒng)機器學(xué)習(xí)模型作為本次評價的對照模型。

        3.4.2 數(shù)據(jù)預(yù)處理

        數(shù)據(jù)方面,本文選取國家互聯(lián)網(wǎng)應(yīng)急中心發(fā)布的周數(shù)據(jù)以及在NFV/SDF融合環(huán)境下的安全態(tài)勢數(shù)據(jù),并確定以安全漏洞新增數(shù)量、外部攻擊中Web內(nèi)容篡改攻擊數(shù)量、網(wǎng)內(nèi)病毒感染數(shù)量、外部DDOS攻擊數(shù)量作為主要安全指標。選取時間步長為周,準備了共計260組訓(xùn)練數(shù)據(jù)及130組測試數(shù)據(jù)。

        由于網(wǎng)絡(luò)隨機性較強,數(shù)據(jù)量綱差異較大,為便于訓(xùn)練,本文采用式(16)所描述的方法對數(shù)據(jù)進行歸一化處理,以數(shù)據(jù)自身度量其變化程度,將數(shù)據(jù)變化的表達方式統(tǒng)一化。

        式中:x為目標數(shù)據(jù),max(x)和min(x)分別為x的最大值和最小值。

        3.4.3 結(jié)果對比及評價

        通過對本文設(shè)計的模型、Attention-RNN、AISLSTM、PSO-SVM四種模型進行訓(xùn)練和測試,得到如表1所示的結(jié)果??梢钥吹?,本文設(shè)計的基于GRU的注意力模型的整體表現(xiàn)不僅遠超傳統(tǒng)支持向量機(Support Vector Machine,SVM)模型,在與同類神經(jīng)網(wǎng)絡(luò)模型相比時也有更好的表現(xiàn)。該結(jié)果可以證實,注意力機制本身對于權(quán)重分配的優(yōu)化有較高的價值。

        表1 四種模型的誤差值對比結(jié)果

        4 結(jié) 語

        本文面向NFV與SDN高度融合的網(wǎng)絡(luò)安全態(tài)勢預(yù)測問題進行了研究。首先介紹了NFV與SDN網(wǎng)絡(luò)的特征和優(yōu)勢,并提出其與傳統(tǒng)網(wǎng)絡(luò)的差異;其次,探討了面向NFV/SDN融合網(wǎng)絡(luò)的態(tài)勢預(yù)測難點和步驟;再次,通過構(gòu)建態(tài)勢要素分類算法,提出了面向NFV/SDN融合網(wǎng)絡(luò)的態(tài)勢要素提取機制;最后,利用基于注意力機制的GRU網(wǎng)絡(luò),對網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型進行構(gòu)建和求解。期望本文的研究能夠為網(wǎng)絡(luò)安全領(lǐng)域的工作提供一些幫助。

        猜你喜歡
        態(tài)勢虛擬化架構(gòu)
        基于FPGA的RNN硬件加速架構(gòu)
        功能架構(gòu)在電子電氣架構(gòu)開發(fā)中的應(yīng)用和實踐
        汽車工程(2021年12期)2021-03-08 02:34:30
        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
        基于OpenStack虛擬化網(wǎng)絡(luò)管理平臺的設(shè)計與實現(xiàn)
        電子制作(2019年10期)2019-06-17 11:45:10
        對基于Docker的虛擬化技術(shù)的幾點探討
        電子制作(2018年14期)2018-08-21 01:38:20
        虛擬化技術(shù)在計算機技術(shù)創(chuàng)造中的應(yīng)用
        電子測試(2017年11期)2017-12-15 08:57:56
        LSN DCI EVPN VxLAN組網(wǎng)架構(gòu)研究及實現(xiàn)
        存儲虛擬化還有優(yōu)勢嗎?
        人妻丰满熟妇av一区二区| 国产精品国产三级国产av创| 亚洲精品无码专区| 日本老熟妇乱| 国产午夜精品视频在线观看| 精品少妇人妻成人一区二区| 一本一道波多野结衣av中文| 精品国产黄一区二区三区| 国产免费播放一区二区| 99久久99久久精品免费看蜜桃| 国产女人精品一区二区三区| 国产精品久久久久亚洲| 国产大学生粉嫩无套流白浆| 国产av一区二区三区在线播放 | 综合网在线视频| 女人和拘做受全程看视频 | 欧美丰满熟妇aaaaa片| 国产让女高潮的av毛片| 亚洲一区二区三区在线观看播放| 国产天美传媒性色av| 久久黄色视频| 久久精品av在线视频| 日本第一区二区三区视频| 成人做爰视频www| 999zyz玖玖资源站永久| 国产视频在线播放亚洲| 亚洲国产精品久久久久久网站| 免费大黄网站| 中美日韩在线一区黄色大片| 中文字幕一区,二区,三区| 人人看人人做人人爱精品| 亚洲色欲色欲www在线观看| 女女同恋一区二区在线观看| 区三区久久精品水蜜桃av| 妞干网中文字幕| 精品爆乳一区二区三区无码av| 无码人妻一区二区三区免费视频| 国产一区二区黄色网页| 白白白色视频在线观看播放 | 亚洲av无码一区二区三区性色| 欧美性猛交xxxx三人|