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

        ?

        基于卸載策略的物聯(lián)網(wǎng)邊緣計(jì)算任務(wù)調(diào)度優(yōu)化

        2024-05-17 00:00:00黃如宋國(guó)梁
        關(guān)鍵詞:物聯(lián)網(wǎng)深度學(xué)習(xí)

        摘要:移動(dòng)邊緣計(jì)算 (Mobile Edge Computing, MEC) 通過(guò)將計(jì)算任務(wù)卸載到邊緣服務(wù)器, 為用戶(hù)提供了低延時(shí)、低能耗的服務(wù),解決了傳統(tǒng)云計(jì)算的不足。在移動(dòng)邊緣計(jì)算中,如何進(jìn) 行卸載決策是提供低延時(shí)、低能耗服務(wù)的關(guān)鍵技術(shù)之一。除此之外,由于無(wú)線信道的帶寬資源 有限,不合理的帶寬分配會(huì)使用戶(hù)設(shè)備的能耗和延時(shí)增加,因此如何進(jìn)行合理的資源分配也是 邊緣計(jì)算實(shí)現(xiàn)的關(guān)鍵。為聯(lián)合優(yōu)化時(shí)延、能耗與計(jì)算資源,本文提出了一個(gè)基于蒙特卡洛樹(shù)搜 索的多通道探索算 法 (Multi-Channel Search Algorithm based on Monte Carlo Tree Search, MCS-MCTS)。首先,以延時(shí)和能耗的成本為優(yōu)化目標(biāo),將計(jì)算資源分配決策及傳輸功率建模 決策建模為凸優(yōu)化問(wèn)題,采用梯度下降法求解最優(yōu)傳輸功率分配問(wèn)題,通過(guò)拉格朗日乘子法及 卡羅需-庫(kù)恩-塔克 (Karush-Kuhn-Tucker, KKT) 條件求解最優(yōu)計(jì)算資源分配問(wèn)題。隨后,通過(guò) MCS-MCTS 算法處理二進(jìn)制卸載決策問(wèn)題,為避免搜索結(jié)果陷入局部最優(yōu),引入模擬退火算 法。數(shù)值結(jié)果表明,MCS-MCTS 算法能在線性相干時(shí)間內(nèi)得到接近最優(yōu)的卸載決策與資源分 配決策,與現(xiàn)有的啟發(fā)式搜索算法相比,該算法可以在減少時(shí)間復(fù)雜度和提高系統(tǒng)能量有效性 的同時(shí),達(dá)到接近最優(yōu)的性能。

        關(guān)鍵詞:物聯(lián)網(wǎng);移動(dòng)邊緣計(jì)算;深度學(xué)習(xí);任務(wù)卸載;資源分配

        中圖分類(lèi)號(hào):TN915

        文獻(xiàn)標(biāo)志碼:A

        隨著人工智能、移動(dòng)通信與物聯(lián)網(wǎng)設(shè)備的日益 普及,涌現(xiàn)出了在線游戲、虛擬現(xiàn)實(shí)等眾多新型、高 需求量的應(yīng)用,此類(lèi)應(yīng)用需要無(wú)線設(shè)備終端擁有龐 大的計(jì)算能力,從而導(dǎo)致更多的能量消耗。但是,目 前設(shè)備終端計(jì)算能力是有限的,導(dǎo)致設(shè)備的硬件設(shè) 施條件要求更高,無(wú)法滿(mǎn)足多樣化的應(yīng)用需求,設(shè)備 對(duì)資源消耗過(guò)高的應(yīng)用無(wú)法進(jìn)行實(shí)時(shí)解決。因此, 如何在設(shè)備上提高數(shù)據(jù)計(jì)算處理能力,同時(shí)解決高 時(shí)延與高能耗的問(wèn)題成為了當(dāng)前研究熱點(diǎn)。隨著第 五代移動(dòng)通信技術(shù)的核心技術(shù)之一—移動(dòng)邊緣計(jì) 算技術(shù)[1] 的不斷發(fā)展,無(wú)線設(shè)備的計(jì)算能力得到了顯 著的提升,移動(dòng)邊緣計(jì)算(MEC)將計(jì)算資源和服務(wù) 直接部署在終端的邊緣服務(wù)器,以相對(duì)較低的網(wǎng)絡(luò) 延遲傳輸數(shù)據(jù)信息,從而提供更快的響應(yīng)時(shí)間和更 低的能量消耗,滿(mǎn)足了當(dāng)前市場(chǎng)對(duì)于低時(shí)延和低功 耗的需求。

        當(dāng)前國(guó)內(nèi)外對(duì)移動(dòng)邊緣計(jì)算任務(wù)卸載技術(shù)的研 究主要集中于能耗與延時(shí)的降低方面。Cui 等[2] 提出了一種新的基于多用戶(hù)細(xì)粒度的物聯(lián)網(wǎng)卸載調(diào) 度方法來(lái)解決 MEC 中細(xì)粒度卸載的能量和延遲問(wèn) 題,將計(jì)算卸載視為一個(gè)約束多目標(biāo)優(yōu)化問(wèn)題,然后 提出了一種改進(jìn)的 NSGA-II 算法來(lái)解決該問(wèn)題,該 算法可以實(shí)現(xiàn)局部和邊緣并行處理,有效地降低了 延遲和能耗。Dai 等[3] 在工業(yè)物聯(lián)網(wǎng)提出了一種使 用 D2D 輔助 MEC 網(wǎng)絡(luò)中整合遷移成本和卸載意愿 的共同卸載框架,在此基礎(chǔ)上設(shè)計(jì)了一種基于學(xué)習(xí) 的任務(wù)協(xié)同卸載算法,該算法使工業(yè)物聯(lián)網(wǎng)設(shè)備能 夠從候選邊緣節(jié)點(diǎn)中觀察和學(xué)習(xí)系統(tǒng)成本,從而在 不需要完整卸載信息的情況下選擇最佳邊緣節(jié)點(diǎn)。 Chen 等[4] 提出了采用人工智能的方法來(lái)實(shí)現(xiàn)物聯(lián)網(wǎng)的普及連接以及可靠的低延時(shí)通信。Zhao 等[5] 提出 了一種基于 ARIMA-BP 的選擇性卸載策略(ABSO), 該策略在滿(mǎn)足延遲要求的同時(shí),最大限度地減少了 移動(dòng)設(shè)備的能耗。Bi 和 Tran 等[6-7] 提出了啟發(fā)式局 部搜索算法,Dinh 等[8] 提出了半定松弛方法。每當(dāng) 信道環(huán)境發(fā)生較大變化時(shí),這些算法都需要重新進(jìn) 行大量的迭代才能適應(yīng)新的信道環(huán)境,因此它們并 不適用于快速衰落信道。 Chen 等 [9]研究了動(dòng) 態(tài) MEC 系統(tǒng)中的任務(wù)卸載調(diào)度問(wèn)題,通過(guò)將能量收集 技術(shù)集成到物聯(lián)網(wǎng)設(shè)備中,提出了一種混合能源供 應(yīng)模型,隨后基于隨機(jī)優(yōu)化理論提出了一種在線動(dòng) 態(tài)任務(wù)卸載算法(DTOME),通過(guò)權(quán)衡系統(tǒng)成本和隊(duì) 列穩(wěn)定性來(lái)做出任務(wù)卸載決策。

        本文以智慧農(nóng)業(yè)大棚的物聯(lián)網(wǎng)環(huán)境監(jiān)控場(chǎng)景為 例,設(shè)計(jì)了一個(gè)多服務(wù)器、多無(wú)線設(shè)備的 MEC 系統(tǒng) 模型,通過(guò)將 MEC 技術(shù)應(yīng)用于智慧農(nóng)業(yè)大棚的環(huán)境 監(jiān)控,來(lái)實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)采集和分析,提高農(nóng)業(yè)生產(chǎn)的 效率和質(zhì)量。相較于以往的研究,本文針對(duì)新的應(yīng) 用場(chǎng)景,通過(guò)建立多服務(wù)器、多無(wú)線設(shè)備的 MEC 系 統(tǒng)模型,解決了傳統(tǒng)單服務(wù)器單設(shè)備的 MEC 系統(tǒng)無(wú) 法滿(mǎn)足大規(guī)模數(shù)據(jù)處理需求的問(wèn)題。同時(shí),本文還 聯(lián)合優(yōu)化任務(wù)時(shí)延、設(shè)備能耗,建立了一個(gè)成本最小 化優(yōu)化問(wèn)題,并提出了一種基于蒙特卡洛樹(shù)搜索的 多通道探索算法,該算法能夠動(dòng)態(tài)調(diào)整通道數(shù)和選 擇最優(yōu)可能導(dǎo)致最優(yōu)解的節(jié)點(diǎn),以適應(yīng)不同的任務(wù) 負(fù)載和網(wǎng)絡(luò)條件,能夠高效地搜索到最優(yōu)解。最后,通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法的有效性。

        1""" 系統(tǒng)模型

        本文考慮的 MEC 系統(tǒng)以智慧農(nóng)業(yè)大棚的物聯(lián) 網(wǎng)環(huán)境監(jiān)控為背景,系統(tǒng)模型如圖 1 所示。該 MEC 系統(tǒng)中,無(wú)線設(shè)備產(chǎn)生的任務(wù)遵循二進(jìn)制卸載策略。

        在本文中,令N={1,2,… ,N}表示無(wú)線設(shè)備集合,令M={1,2,… ,M}表示MEC服務(wù)器集合,每一個(gè)無(wú)線設(shè)備可以選擇M種MEC服務(wù)器或者直接本地執(zhí)行處理任務(wù),因此,每一個(gè)無(wú)線設(shè)備有M+1種方式處理計(jì)算任務(wù)。用yn表示每個(gè)無(wú)線設(shè)備的卸載決策,y. E {0,1,2,… ,N}。當(dāng)yn=0時(shí),無(wú)線設(shè)備n的任務(wù)將在本地進(jìn)行計(jì)算;當(dāng)ya=m(l ≤m≤M)時(shí),無(wú)線設(shè)備n的計(jì)算任務(wù)將被卸載到MEC服務(wù)器m中進(jìn)行計(jì)算,用集合幣= fn c N,m ∈ M}表示所有無(wú)線設(shè)備卸載策略。

        本文假設(shè)每個(gè)無(wú)線設(shè)備都有一個(gè)需要完成的計(jì)算密集型任務(wù),表示為T(mén).={D.Z..T\"\"*},其中,D.表示輸入任務(wù)大小,Z表示完成任務(wù)所需的計(jì)算量,T表示任務(wù)所能容忍的最大時(shí)延。

        任務(wù)卸載流程如圖2所示,在產(chǎn)生一個(gè)隨機(jī)任務(wù)后,首先決定是本地執(zhí)行還是卸載到MEC服務(wù)器中執(zhí)行,如果選擇本地執(zhí)行則直接計(jì)算結(jié)果,若選擇卸載到MEC服務(wù)器中執(zhí)行,則需要將任務(wù)上傳到MEC服務(wù)器中,待MEC服務(wù)器計(jì)算完成后再將計(jì)算結(jié)果回傳到無(wú)線設(shè)備中。

        圖 3 示出了迭代次數(shù)、無(wú)線設(shè)備數(shù)量以及模擬 次數(shù)對(duì)幾種方法歸一化獎(jiǎng)勵(lì)函數(shù)的影響,從圖中可 以看出,本文所提出的 MCS-MCTS 算法擴(kuò)大了搜索 過(guò)程,提高了全局搜索的能力,總體性能比較好,隨 著迭代次數(shù)的增加其收斂速度要優(yōu)于其他幾種方 法,在迭代此數(shù)為 120 次左右時(shí)就基本已經(jīng)完成收 斂;而本地執(zhí)行 LE 由于只能使用本地資源,導(dǎo)致系 統(tǒng)處理任務(wù)效率低,因此其獲得的獎(jiǎng)勵(lì)最低;而除了 OE 外其他方法基本 在 200 次左右全部收斂 , 但 OE 方法可能導(dǎo)致系統(tǒng)一些關(guān)鍵功能或性能缺失,系 統(tǒng)的覆蓋范圍受到影響,導(dǎo)致性能下降,從而影響其 歸一化獎(jiǎng)勵(lì)值,因此實(shí)驗(yàn)參數(shù)選取為 220 次迭代次 數(shù)。從圖 3(b) 中可以發(fā)現(xiàn),對(duì)于不同數(shù)量的移動(dòng)設(shè) 備,MCS-MCTS 的中位數(shù)總是接近于 1,置信區(qū)間大 多高于 0.995,相比之下其他兩種方法的置信區(qū)間雖 然大多都大于 0.980,但明顯 MCS-MCTS方法可以在 不同的網(wǎng)絡(luò)布局下實(shí)現(xiàn)接近最優(yōu)的計(jì)算性能。從 圖 3(c) 可以看出,模擬次數(shù)超過(guò) 2000 時(shí),歸一化獎(jiǎng) 勵(lì)值趨于穩(wěn)定,約為 0.998,由此可知,本文所提出的 MCS-MCTS 算法可以獲得接近于最優(yōu)的任務(wù)調(diào)度 解,圖形的波動(dòng)是由于隨機(jī)采樣造成的。

        圖 4 描述了不同參數(shù)下幾種算法的系統(tǒng)成本對(duì) 比。圖 4(a) 示出了無(wú)線設(shè)備數(shù)量 N 對(duì)系統(tǒng)成本的影 響。隨著移動(dòng)設(shè)備數(shù)量增多,系統(tǒng)成本急劇增長(zhǎng),這 是因?yàn)橐苿?dòng)設(shè)備數(shù)量越多,所需要處理的任務(wù)也更 多,導(dǎo)致傳輸時(shí)延與能耗都更高,因此所需系統(tǒng)總成 本會(huì)更大。圖 4(b) 描述了幾種方法在不同的時(shí)間權(quán) 重 與和能耗權(quán)重 下對(duì)系統(tǒng)成本的影響,當(dāng) 取 不同參數(shù)時(shí),則相應(yīng)地 ,由圖可以看出,本 地執(zhí)行時(shí)系統(tǒng)成本隨著 的增大、 的減小而不斷 減小,卸載執(zhí)行時(shí)系統(tǒng)成本則隨之不斷增大,而其他 方法在增大到一定程度時(shí),系統(tǒng)成本有著下降的趨 勢(shì),從圖中明顯看出,MCS-MCTS 算法要優(yōu)于其他 DQN 算法與 GA 算法。圖 4(c)與圖 4(d) 描述了輸入 任務(wù)大小與完成任務(wù)所需計(jì)算量變化時(shí),幾種方法 所需系統(tǒng)成本的對(duì)比。從圖中可以看出,除了本地 執(zhí)行計(jì)算任務(wù)時(shí),系統(tǒng)成本不會(huì)隨著輸入任務(wù)大小 增大而改變外,其余方法均隨著輸入任務(wù)大小或隨 著完成任務(wù)所需計(jì)算量的增大而增大。本地執(zhí)行計(jì) 算任務(wù)時(shí),由于其計(jì)算時(shí)間與能耗均與輸入的任務(wù) 大小無(wú)關(guān),因此本地計(jì)算時(shí)系統(tǒng)成本不會(huì)隨著輸入 任務(wù)大小改變而改變。綜上,與其他幾種方式相比, MCS-MCTS 算法在減小系統(tǒng)成本上有著明顯優(yōu)勢(shì)。 因此,選擇合適的輸入任務(wù)大小與完成任務(wù)所需計(jì) 算量,對(duì)降低系統(tǒng)成本有著很大的作用。

        圖 5 描述了無(wú)線設(shè)備數(shù) N 與服務(wù)器數(shù) M 不同 時(shí),幾種方法對(duì)系統(tǒng)開(kāi)銷(xiāo)成本與獎(jiǎng)勵(lì)值的對(duì)比。由 圖 5(a)~5(c) 可以看出,當(dāng) N 不變,M 增加時(shí),只有本 地執(zhí)行時(shí)的成本不變,這是因?yàn)楸镜貓?zhí)行時(shí)與是否 有邊緣服務(wù)器無(wú)關(guān),而其他幾種方式的系統(tǒng)成本均 隨著服務(wù)器數(shù)量增加而減小,因?yàn)檫吘壏?wù)器數(shù)量 越多,會(huì)增加任務(wù)卸載時(shí)可供選擇方案,當(dāng)出現(xiàn)更優(yōu)服務(wù)器時(shí),卸載成本就會(huì)下降,從而使系統(tǒng)總成本下 降;而當(dāng) M 不變,N 增加時(shí),無(wú)線設(shè)備數(shù)量越多,所需 處理的任務(wù)越多,因此整體所花時(shí)間與能耗均增大, 導(dǎo)致系統(tǒng)開(kāi)銷(xiāo)成本增高。顯然本文所提出的 MCS[1]MCTS 方法所獲得的系統(tǒng)成本明顯低于其他幾種。 由圖 5(d) 可以看出,無(wú)論無(wú)線設(shè)備數(shù)量還是服務(wù)器 數(shù)量改變時(shí),本文所提出的 MCS-MCTS 方法都能獲 得更優(yōu)的獎(jiǎng)勵(lì)值。

        4""" 結(jié) 論

        在物聯(lián)網(wǎng) MEC 系統(tǒng)中,隨著無(wú)線設(shè)備計(jì)算能力 的增強(qiáng)與功能的復(fù)雜化,任務(wù)量不斷增加。此時(shí),若 任務(wù)全部本地執(zhí)行或全部卸載執(zhí)行都會(huì)造成計(jì)算壓 力的急劇增加。本文針對(duì)智慧農(nóng)業(yè)大棚的環(huán)境監(jiān)控 應(yīng)用場(chǎng)景下的 MEC 系統(tǒng)任務(wù)調(diào)度問(wèn)題,建立了移動(dòng) 邊緣計(jì)算任務(wù)調(diào)度架構(gòu)?;谠摷軜?gòu),以聯(lián)合優(yōu)化 能耗與延時(shí)為目標(biāo),提出了系統(tǒng)開(kāi)銷(xiāo)成本最小化的 優(yōu)化問(wèn)題。根據(jù)該優(yōu)化問(wèn)題,將計(jì)算資源分配決策 和傳輸功率分配決策建模為凸優(yōu)化問(wèn)題,并通過(guò)拉 格朗日乘子法與 KKT 條件獲得最優(yōu)資源分配策略, 使用梯度下降法獲得最優(yōu)傳輸功率分配策略。接 著,本文設(shè)計(jì)了一個(gè) MCS-MCTS 算法來(lái)生成最優(yōu)卸 載決策,并引入模擬退火算法增加了 MCS-MCTS 算 法收斂于最優(yōu)解的可能性。在仿真實(shí)驗(yàn)中,對(duì)比了 MCS-MCTS、DQN、GA、OE、LE 這幾種方法在不同 無(wú)線設(shè)備數(shù)量、時(shí)延與能耗權(quán)重、輸入任務(wù)大小等不 同指標(biāo)下的表現(xiàn)。結(jié)果顯示,本文所提出的 MCS[1]MCTS 算法在保證決策生成效率的同時(shí),生成了最優(yōu) 的卸載決策,降低了系統(tǒng)的總體開(kāi)銷(xiāo)。在未來(lái)的研 究中,我們將分析大任務(wù)量時(shí)的卸載決策策略和資 源分配策略。

        參考文獻(xiàn):

        SIRIWARDHANA" Y," PORAMBAGE" P," LIYANAGE M, et al." A" survey" on" mobile" augmented" reality" with" 5G mobile" edge" computing:" Architectures," applications," and technical" aspects[J]." IEEE" Communications" Surveys" amp; Tutorials, 2021, 23(2): 1160-1192.

        CUI" Y," ZHANG" D," ZHANG" T, et al." A" novel" offloading scheduling" method" for" mobile" application" in" mobile" edge computing[J]. Wireless Networks, 2022, 28(6): 2345-2363.

        DAI" X," XIAO" Z," JIANG" H, et al." Task" co-offloading" for D2D-assisted mobile edge computing in industrial internet of" things[J]." IEEE" Transactions" on" Industrial" Informatics, 2022, 19(1): 480-490.

        CHEN" M" Z," CHALLITA" U," SAAD" W, et al." Artificial neural networks-based" machine" learning" for" wireless"" net[1]works:" A" tutorial[J]." IEEE" Communications" Surveys" amp; Tutorials, 2019, 21(4): 3039-3071.

        ZHAO" M," ZHOU" K." Selective" offloading" by" exploiting ARIMA-BP for" energy" optimization" in" mobile" edge"" com[1]puting networks[J]. Algorithms, 2019, 12(2): 48.

        BI" S" Z," ZHANG" Y" J." Computation" rate" maximization" for wireless powered mobile-edge computing with binary com[1]putation" offloading[J]. IEEE" Transactions" on" Wireless Communications, 2018, 17(6): 4177-4190.

        TRAN" T" X," POMPILI" D." Joint" task" offloading" and resource allocation" for" multi-server" mobile-edge"" comput[1]ing" networks[J]. IEEE Transactions" on" Vehicular" Techno[1]logy, 2019, 68(1): 856-868.

        DINH" T" Q," TANG" J" H," LA" Q" D, et al." Offloading" in mobile edge computing: Task allocation and computational frequency scaling[J]." IEEE" Transactions" on"" Communica[1]tions, 2017, 65(8): 3571-3584.

        CHEN Y, ZHAO F, LU Y, et al. Dynamic task offloading for" mobile" edge" computing" with" hybrid" energy" supply[J]. Tsinghua Science and Technology, 2022, 28(3): 421-432.

        TRAN" T" X," POMPILI" D." Joint" task" offloading" and resource allocation" for" multi-server" mobile-edge"" comput[1]ing networks[J]." IEEE" Transactions" on" Vehicular" Techno[1]logy, 2018, 68(1): 856-868.

        CHEN" X." Decentralized" computation" offloading" game" for mobile cloud computing[J]. IEEE Transactions on Parallel and Distributed Systems, 2014, 26(4): 974-983.

        LYU" X," TIAN" H," SENGUL" C, et al." Multiuser" joint" task offloading" and" resource" optimization" in" proximate clouds[J]." IEEE" Transactions" on" Vehicular" Technology, 2016, 66(4): 3435-3447.

        MNIH"" V,"" KACUKCUOLU"" K,"" SLIVER"" D, et al."" Hu[1]manlevel"" control"" through"" deep"" reinforcement "learning[J]. Nature, 2015, 518(7540): 529-533.

        猜你喜歡
        物聯(lián)網(wǎng)深度學(xué)習(xí)
        有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
        電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
        MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
        大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
        深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
        基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
        軟件工程(2016年8期)2016-10-25 15:47:34
        基于物聯(lián)網(wǎng)的煤礦智能倉(cāng)儲(chǔ)與物流運(yùn)輸管理系統(tǒng)設(shè)計(jì)與應(yīng)用
        基于高職院校物聯(lián)網(wǎng)技術(shù)應(yīng)用人才培養(yǎng)的思考分析
        基于LABVIEW的溫室管理系統(tǒng)的研究與設(shè)計(jì)
        論智能油田的發(fā)展趨勢(shì)及必要性
        国产亚洲成性色av人片在线观| 少妇激情高潮视频网站| 国产午夜福利小视频在线观看| 欧美成人免费观看国产| 免费国产99久久久香蕉| 国产亚洲精品综合99久久| 东京热日本道免费高清| 一本色道久久亚洲av红楼| 韩国av一区二区三区不卡| 国产综合久久久久久鬼色| 亚洲熟女乱色综合亚洲图片| 国产精品白浆一区二小说| 欧美日韩区1区2区3区| 亚洲女同同性少妇熟女| 日韩国产自拍视频在线观看 | 黄色网址国产| 国产亚洲成年网址在线观看| 国产高清自产拍av在线| 国产av在线观看一区二区三区| 亚洲人成自拍网站在线观看| 久久精品免费一区二区三区 | 激情网色图区蜜桃av| 亚洲女av中文字幕一区二区| 大桥未久av一区二区三区| 色八区人妻在线视频免费| 一区二区日韩国产精品| 亚洲成a人片在线观看中文!!! | 在线观看国产成人av天堂野外| 中文字幕日韩欧美一区二区三区 | 老色鬼永久精品网站| 日韩AV无码免费二三区| 天堂Av无码Av一区二区三区| 蜜桃码一区二区三区在线观看| 99久久99久久久精品蜜桃| 香蕉免费一区二区三区| 蜜臀久久99精品久久久久久小说| 中文字幕第八页| 在线亚洲精品一区二区三区| 日韩人妻精品中文字幕专区| 免费看男女做羞羞的事网站| 精品88久久久久88久久久|