日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

Adapter+持續(xù)學(xué)習(xí):惡意流量識(shí)別少樣本增量更新的新思路

Adapter+持續(xù)學(xué)習(xí):惡意流量識(shí)別少樣本增量更新的新思路 打開(kāi)你的安全運(yùn)營(yíng)后臺(tái)昨天剛上線的新攻擊檢測(cè)模型今天收到告警某個(gè)老威脅家族的檢出率從 93% 掉到了 71%。你以為是特征沒(méi)對(duì)齊排查了半天發(fā)現(xiàn)問(wèn)題出在“模型更新”本身。這不是運(yùn)維失誤而是深度學(xué)習(xí)模型在持續(xù)學(xué)習(xí)場(chǎng)景下的經(jīng)典問(wèn)題——災(zāi)難性遺忘Catastrophic Forgetting。在惡意流量識(shí)別領(lǐng)域這個(gè)矛盾尤其尖銳。新型攻擊源源不斷出現(xiàn)每類(lèi)樣本又常常只有幾百條甚至幾十條安全團(tuán)隊(duì)不可能等數(shù)據(jù)攢夠再做一次全量訓(xùn)練。模型必須在小樣本條件下持續(xù)更新又不能忘了以前學(xué)過(guò)的攻擊形態(tài)。這篇文章聚焦一個(gè)正在被工業(yè)界驗(yàn)證的組合思路用 Adapter 模塊把 Few-Shot Learning 和 Continual Learning 結(jié)合起來(lái)應(yīng)用于惡意數(shù)據(jù)包識(shí)別。我的判斷很明確在安全場(chǎng)景下與其追求“一個(gè)全知全能的大模型”不如采用“一個(gè)穩(wěn)定骨干網(wǎng)絡(luò) 一組可插拔增量插件”的架構(gòu)。后者在工程成本、更新速度和舊知識(shí)保留上都更適合真實(shí)的威脅檢測(cè)流程。讀完這篇文章你會(huì)理解 Adapter 為什么能解決少樣本持續(xù)學(xué)習(xí)中的關(guān)鍵痛點(diǎn)也會(huì)拿到一套可以跑通最小驗(yàn)證的 PyTorch 實(shí)現(xiàn)包括 Adapter 路由、少樣本訓(xùn)練循環(huán)和遺忘率評(píng)估方法。文章最后會(huì)補(bǔ)充工程落地踩坑經(jīng)驗(yàn)和安全合規(guī)提醒建議看到最后。1. 惡意流量識(shí)別為什么會(huì)遇到“災(zāi)難性遺忘”惡意數(shù)據(jù)包識(shí)別本質(zhì)上是一個(gè)不斷迭代的分類(lèi)問(wèn)題。網(wǎng)絡(luò)攻擊不是靜態(tài)的攻擊者會(huì)不斷改變負(fù)載特征、調(diào)整 C2 通信協(xié)議、利用新漏洞發(fā)起變種攻擊。安全團(tuán)隊(duì)每過(guò)一段時(shí)間就需要給模型補(bǔ)充新樣本、新增攻擊類(lèi)別。傳統(tǒng)做法很直接把舊數(shù)據(jù)和新數(shù)據(jù)合并重新訓(xùn)練一個(gè)模型然后灰度上線。聽(tīng)上去沒(méi)有問(wèn)題但真正落地會(huì)撞上三個(gè)硬約束。第一歷史數(shù)據(jù)未必拿得到。很多安全數(shù)據(jù)來(lái)自客戶側(cè)、托管設(shè)備或已下線的業(yè)務(wù)系統(tǒng)因?yàn)殡[私合規(guī)、數(shù)據(jù)保留策略、存儲(chǔ)成本等原因舊數(shù)據(jù)并不能一直留存。沒(méi)有舊數(shù)據(jù)全量重訓(xùn)就無(wú)從談起。第二數(shù)據(jù)分布天然不均衡。新攻擊樣本數(shù)量極少而歷史攻擊樣本可能積累了很久。簡(jiǎn)單混合訓(xùn)練模型會(huì)被大樣本類(lèi)別主導(dǎo)新攻擊類(lèi)別往往學(xué)不好如果強(qiáng)行加權(quán)又容易在少數(shù)類(lèi)上過(guò)擬合。第三更新頻率要求高。威脅情報(bào)講究時(shí)效一個(gè)新家族出現(xiàn)后最好在幾小時(shí)到幾天內(nèi)就完成模型更新。全量重訓(xùn)需要大量算力和數(shù)據(jù)準(zhǔn)備時(shí)間很難滿足這種節(jié)奏。于是很多團(tuán)隊(duì)改用“在老模型基礎(chǔ)上繼續(xù)微調(diào)”的方式。但這里有一個(gè)非常隱蔽的坑直接對(duì)整個(gè)網(wǎng)絡(luò)做反向傳播用來(lái)擬合新任務(wù)的同時(shí)會(huì)把舊任務(wù)在神經(jīng)網(wǎng)絡(luò)權(quán)重里存儲(chǔ)的決策邊界一并破壞。這就是災(zāi)難性遺忘的實(shí)質(zhì)——模型不是“拒絕學(xué)習(xí)”而是“學(xué)新忘舊”。在持續(xù)學(xué)習(xí)研究中這個(gè)現(xiàn)象已經(jīng)有大量驗(yàn)證。全量微調(diào)時(shí)靠近輸出層的特征會(huì)優(yōu)先被新任務(wù)改寫(xiě)導(dǎo)致舊類(lèi)別的特征空間中原本清晰的聚類(lèi)被擠散。少樣本條件下這個(gè)問(wèn)題更嚴(yán)重因?yàn)樾聰?shù)據(jù)太少無(wú)法提供足夠的梯度約束去維持舊知識(shí)的穩(wěn)定。所以惡意流量識(shí)別真正需要的不是一次性重訓(xùn)的模型而是一種“增量可擴(kuò)展”的模型結(jié)構(gòu)。它可以只學(xué)習(xí)新任務(wù)對(duì)應(yīng)的那部分參數(shù)同時(shí)把所有歷史任務(wù)對(duì)應(yīng)的參數(shù)保持凍結(jié)。接下來(lái)要講的 Adapter正好屬于這條技術(shù)路線。2. Adapter、Few-Shot、Continual Learning 概念拆解在進(jìn)入代碼之前先把三個(gè)基礎(chǔ)概念講清楚否則后面看到“task_id”“適配器路由”很容易犯迷糊。2.1 Adapter 是什么在深度學(xué)習(xí)中Adapter 是一種插入在預(yù)訓(xùn)練骨干網(wǎng)絡(luò)層之間的小型前饋模塊通常由一個(gè)降維線性層、一個(gè)激活函數(shù)和一個(gè)升維線性層組成。核心思路是骨干網(wǎng)絡(luò)的大部分參數(shù)保持凍結(jié)只訓(xùn)練這些新增的小模塊就能完成下游任務(wù)適配。一個(gè)典型的 Adapter 結(jié)構(gòu)是 Bottleneck 形式。假設(shè)骨干網(wǎng)絡(luò)某一層輸出的向量維度是 768Adapter 先把向量壓縮到 64 維再映射回 768 維旁邊接一個(gè)殘差連接。這種做法最早在自然語(yǔ)言處理領(lǐng)域流行因?yàn)樗膮?shù)效率極高單個(gè)任務(wù)只需要新增不到原始模型 1% 的參數(shù)。值得一提的是很多初學(xué)者會(huì)把深度學(xué)習(xí)里的 Adapter 和“網(wǎng)絡(luò)適配器”混為一談。網(wǎng)上搜索“network adapter could not”或“qualcomm atheros ar956x wireless network adapter”出來(lái)的是網(wǎng)卡驅(qū)動(dòng)錯(cuò)誤和硬件排查方案那是 OSI 模型物理層的“網(wǎng)絡(luò)適配器”。而本文討論的 Adapter 是模型結(jié)構(gòu)里的“適配模塊”兩者只是同名沒(méi)有任何關(guān)系。2.2 Few-Shot Learning 是什么少樣本學(xué)習(xí)解決的核心問(wèn)題是每個(gè)類(lèi)別只有非常少的標(biāo)注樣本模型怎么才能學(xué)會(huì)區(qū)分它。惡意數(shù)據(jù)包識(shí)別天然符合少樣本設(shè)定。一個(gè)新型攻擊的樣本可能來(lái)自幾臺(tái)受害主機(jī)的流量抓取經(jīng)過(guò)清洗和標(biāo)注之后真正能用的只有幾十條。在這種數(shù)據(jù)量下直接訓(xùn)練一個(gè)深層網(wǎng)絡(luò)幾乎必然過(guò)擬合。少樣本學(xué)習(xí)通常有兩種思路。一種是從其他任務(wù)中學(xué)習(xí)先驗(yàn)知識(shí)讓模型具備“從少量樣本快速適應(yīng)”的能力即 meta-learning另一種是借助預(yù)訓(xùn)練模型提取通用特征再在少量樣本上訓(xùn)練輕量分類(lèi)頭。Adapter 方案實(shí)際上走的是后一種路線而且比全量微調(diào)更克制、更安全。2.3 Continual Learning 是什么持續(xù)學(xué)習(xí)研究的是一個(gè)模型如何在不遺忘舊知識(shí)的前提下不斷學(xué)習(xí)新任務(wù)。當(dāng)前持續(xù)學(xué)習(xí)的方法大致分三類(lèi)基于回放Replay、基于正則化Regularization和基于參數(shù)隔離Parameter Isolation?;胤欧椒ㄐ枰4嬉徊糠峙f樣本或生成偽樣本在訓(xùn)練新任務(wù)時(shí)重新“復(fù)習(xí)”。效果不錯(cuò)但安全場(chǎng)景下保存原始流量數(shù)據(jù)有合規(guī)和隱私風(fēng)險(xiǎn)。正則化方法通過(guò)約束參數(shù)更新的方向來(lái)保護(hù)舊知識(shí)比如 EWC 等方法。它不需要額外存儲(chǔ)數(shù)據(jù)但在任務(wù)數(shù)量較多時(shí)約束會(huì)越來(lái)越復(fù)雜。參數(shù)隔離方法把不同任務(wù)分配給不同的參數(shù)子集。每個(gè)新任務(wù)只更新新分配的參數(shù)舊參數(shù)完全不動(dòng)從機(jī)制上避免了遺忘。Adapter 天然屬于參數(shù)隔離路徑。每個(gè)任務(wù)對(duì)應(yīng)一個(gè) Adapter 插件新增任務(wù)時(shí)就新增一個(gè)插件舊插件不參與更新。這種設(shè)計(jì)非常符合指紋識(shí)別類(lèi)任務(wù)的直覺(jué)不同攻擊家族的“判別特征”被編碼到不同的插件里互不干擾。持續(xù)學(xué)習(xí)這個(gè)方向本身已經(jīng)有系統(tǒng)的綜述研究例如《A Comprehensive Survey of Continual Learning: Theory, Method and Application》對(duì)理論、方法和應(yīng)用做了詳細(xì)梳理。但從材料看將 Adapter 與少樣本機(jī)制結(jié)合并落到網(wǎng)絡(luò)安全流量識(shí)別場(chǎng)景的公開(kāi)實(shí)踐仍然不多這也是本文重點(diǎn)討論該組合的原因。2.4 三種方案對(duì)比方案參數(shù)更新范圍是否存儲(chǔ)舊數(shù)據(jù)舊任務(wù)遺忘風(fēng)險(xiǎn)安全場(chǎng)景適用性全量微調(diào)全部參數(shù)需要或不需要高低數(shù)據(jù)回放全部參數(shù)需要中低存在數(shù)據(jù)合規(guī)風(fēng)險(xiǎn)正則化約束全部參數(shù)不需要中中超參敏感Adapter 參數(shù)隔離僅當(dāng)前任務(wù) Adapter不需要低高這個(gè)表格背后的含義很清晰在惡意流量識(shí)別場(chǎng)景里Adapter 不是性能上唯一的方案而是工程約束最強(qiáng)的方案。它用參數(shù)隔離的方式把數(shù)據(jù)合規(guī)、舊知識(shí)保留和快速更新三個(gè)問(wèn)題一起解決了。3. 為什么選擇 Adapter 作為少樣本持續(xù)學(xué)習(xí)的載體如果只談概念很容易把 Adapter 當(dāng)成“一個(gè)效果更好的微調(diào)技巧”。但實(shí)際上它改變的是整個(gè)模型迭代方式和部署模型。3.1 和全量微調(diào)相比成本結(jié)構(gòu)完全不同全量微調(diào)需要為每個(gè)新版本保存一份完整模型副本。一個(gè)特征提取骨干網(wǎng)絡(luò)如果有 1000 萬(wàn)參數(shù)每更新一個(gè)攻擊家族就要存儲(chǔ)一套新的 1000 萬(wàn)參數(shù)模型。而 Adapter 方案里骨干網(wǎng)絡(luò)只保存一份每次更新只需在模型目錄里新增一個(gè)幾萬(wàn)參數(shù)的小文件。從工程角度看這相當(dāng)于把“換模型”變成了“加插件”。讓我用一個(gè)具體的運(yùn)維場(chǎng)景來(lái)解釋。假設(shè)生產(chǎn)環(huán)境里已經(jīng)運(yùn)行著一個(gè)能識(shí)別 20 類(lèi)已知攻擊的模型。突然出現(xiàn)了一個(gè)新的勒索軟件家族只有 50 條已標(biāo)注流量樣本。傳統(tǒng)方案需要把完整模型拉下來(lái)、重新訓(xùn)練、重新做回歸測(cè)試、再全量替換。Adapter 方案只需要在現(xiàn)有模型服務(wù)上注冊(cè)一個(gè)新的 Adapter 和分類(lèi)頭然后單獨(dú)驗(yàn)證這個(gè)小插件的精度風(fēng)險(xiǎn)范圍被限制在新增攻擊類(lèi)別本身。3.2 和 Prompt Tuning 相比對(duì)輸入類(lèi)型更友好另一類(lèi)參數(shù)高效微調(diào)方法是 Prompt Tuning它通過(guò)在輸入側(cè)添加可學(xué)習(xí)的 prompt embedding 來(lái)引導(dǎo)模型。這在 NLP 任務(wù)中表現(xiàn)很好因?yàn)槲谋颈旧砭褪请x散符號(hào)組成的序列。但惡意數(shù)據(jù)包識(shí)別并不總是“文本任務(wù)”。數(shù)據(jù)包經(jīng)過(guò)特征工程后更多是數(shù)值型特征、統(tǒng)計(jì)特征和協(xié)議字段的組合。你很難為這些數(shù)值特征設(shè)計(jì)一個(gè)語(yǔ)義明確的 prompt。Adapter 直接插入到特征表示層不需要改變輸入格式因此適用范圍更寬也更容易適配不同特征抽取前端。3.3 和回放機(jī)制相比更適合安全數(shù)據(jù)合規(guī)要求回放式持續(xù)學(xué)習(xí)需要保存舊任務(wù)樣本以便在訓(xùn)練新任務(wù)時(shí)重放。從技術(shù)上講它確實(shí)能有效緩解遺忘。但安全流量數(shù)據(jù)往往包含 IP 地址、域名、時(shí)間戳、用戶行為等信息即使經(jīng)過(guò)脫敏仍可能殘留敏感指紋。如果企業(yè)安全團(tuán)隊(duì)受數(shù)據(jù)出境、用戶隱私保護(hù)或內(nèi)部審計(jì)合規(guī)約束保留舊流量數(shù)據(jù)用于訓(xùn)練本身就是一件需要嚴(yán)格審批的事情。Adapter 方案不依賴歷史數(shù)據(jù)它保留的是訓(xùn)練好的參數(shù)插件。參數(shù)不是原始用戶數(shù)據(jù)在合規(guī)審查時(shí)更容易說(shuō)明白也更容易做訪問(wèn)控制。3.4 小結(jié)論Adapter 的核心價(jià)值不是“比全量微調(diào)精度高”而是把持續(xù)學(xué)習(xí)問(wèn)題轉(zhuǎn)化成工程上的“配置管理問(wèn)題”。模型更新不再需要觸碰骨干網(wǎng)絡(luò)和舊數(shù)據(jù)只需要新增一個(gè)小參數(shù)文件。這種方式在安全運(yùn)營(yíng)里更容易走通審計(jì)、回滾和灰度流程。4. 系統(tǒng)框架與數(shù)據(jù)組織方式前面講完了為什么選 Adapter接下來(lái)看它如何組織成一個(gè)可運(yùn)行的識(shí)別系統(tǒng)。4.1 整體流程一個(gè)基于 Adapter 的惡意數(shù)據(jù)包識(shí)別系統(tǒng)通常包含以下幾個(gè)環(huán)節(jié)原始數(shù)據(jù)包捕獲從鏡像端口或全流量采集設(shè)備獲取 pcap 包。特征工程解析數(shù)據(jù)包提取五元組、包長(zhǎng)、協(xié)議類(lèi)型、端口、TTL、方向、載荷長(zhǎng)度分布等特征。骨干網(wǎng)絡(luò)編碼將特征向量送入預(yù)訓(xùn)練或預(yù)訓(xùn)練的骨干網(wǎng)絡(luò)得到通用表示。Adapter 路由根據(jù)當(dāng)前任務(wù) id選擇對(duì)應(yīng)的 Adapter 對(duì)骨干表示做適配。分類(lèi)頭輸出每個(gè)任務(wù)有自己的分類(lèi)頭輸出該任務(wù)下的攻擊類(lèi)別概率。聚合與決策如果流量命中多個(gè)任務(wù)的分類(lèi)輸出由上層規(guī)則或置信度仲裁決定最終告警。這里的核心設(shè)計(jì)是“任務(wù)”的定義和“攻擊家族”或“批次數(shù)據(jù)”綁定。初始任務(wù)可以是一個(gè)包含常見(jiàn)惡意家族的多分類(lèi)任務(wù)后續(xù)每當(dāng)出現(xiàn)新的攻擊家族就注冊(cè)一個(gè)新任務(wù)并為它新增一個(gè) Adapter。4.2 任務(wù)劃分與樣本組織先定義一個(gè)簡(jiǎn)單但實(shí)用的任務(wù)組織方式Task 0包含基準(zhǔn)攻擊類(lèi)別樣本量相對(duì)充足用于訓(xùn)練骨干網(wǎng)絡(luò)和第一個(gè) Adapter。Task 1新增攻擊家族 A只有少量標(biāo)注樣本例如每個(gè)類(lèi)別 50 到 100 條。Task 2新增攻擊家族 B同樣少量樣本。以此類(lèi)推。每個(gè)任務(wù)內(nèi)再按照少樣本學(xué)習(xí)的慣例把樣本劃分為 support set支持集和 query set查詢集。支持集用于訓(xùn)練當(dāng)前任務(wù)的 Adapter 和分類(lèi)頭查詢集用于驗(yàn)證該任務(wù)的泛化能力。4.3 需要注意的數(shù)據(jù)問(wèn)題少樣本訓(xùn)練最怕三類(lèi)數(shù)據(jù)問(wèn)題類(lèi)別不均衡、標(biāo)簽噪聲和分布偏移。類(lèi)別不均衡出現(xiàn)在新任務(wù)包含多個(gè)攻擊變體時(shí)。有的變體樣本多有的變體只有二三十條。這時(shí)候可以在損失函數(shù)里加入類(lèi)別權(quán)重或者對(duì)少數(shù)類(lèi)別進(jìn)行簡(jiǎn)單增強(qiáng)。標(biāo)簽噪聲在安全場(chǎng)景里幾乎無(wú)法避免。一個(gè)疑似惡意樣本可能經(jīng)過(guò)多輪研判本身仍存在誤報(bào)可能。建議在構(gòu)造訓(xùn)練集時(shí)只使用置信度較高的樣本把存疑樣本留給在線監(jiān)控。分布偏移指的是模型上線后實(shí)際流量與訓(xùn)練流量特征不一致。Adapter 方案可以緩解災(zāi)難性遺忘但無(wú)法解決“測(cè)試分布完全偏離訓(xùn)練分布”的問(wèn)題。因此生產(chǎn)環(huán)境依然需要定期評(píng)估和迭代。5. 環(huán)境準(zhǔn)備與基礎(chǔ)依賴本文的代碼示例采用 PyTorch 實(shí)現(xiàn)主要依賴如下。版本請(qǐng)以實(shí)際項(xiàng)目為準(zhǔn)本文不寫(xiě)死具體版本但建議使用較新的穩(wěn)定版本。操作系統(tǒng)Linux 或 macOSWindows 也可運(yùn)行但建議測(cè)試環(huán)境保持一致。Python3.9 或更高版本。PyTorch2.x 版本。NumPy用于特征矩陣轉(zhuǎn)換。scikit-learn用于分類(lèi)頭評(píng)估和混淆矩陣??蛇xtqdm用于顯示訓(xùn)練進(jìn)度。項(xiàng)目文件結(jié)構(gòu)可以參考如下malicious-packet-adapter/ ├── src/ │ ├── model/ │ │ ├── __init__.py │ │ ├── adapter.py │ │ ├── backbone.py │ │ └── classifier.py │ ├── data/ │ │ ├── __init__.py │ │ └── dataset.py │ ├── train_fscil.py │ └── evaluate.py ├── configs/ │ └── experiment.yaml └── README.md建議先把目錄搭好后面復(fù)制代碼時(shí)不容易亂。安裝依賴時(shí)可以直接使用 pippip install torch numpy scikit-learn tqdm如果你的環(huán)境網(wǎng)絡(luò)受限需要配置內(nèi)部鏡像源這屬于常規(guī)操作不在本文討論范圍內(nèi)。6. 核心代碼實(shí)現(xiàn)Adapter 路由、少樣本訓(xùn)練與評(píng)估為了讓代碼不只是一個(gè)空殼我會(huì)分三個(gè)文件實(shí)現(xiàn)Adapter 模塊與路由、少樣本持續(xù)學(xué)習(xí)訓(xùn)練循環(huán)、評(píng)估與遺忘率計(jì)算。每個(gè)文件都是完整可運(yùn)行的模塊你可以組合起來(lái)跑一個(gè)最小實(shí)驗(yàn)。6.1 Adapter 模塊與路由# 文件路徑src/model/adapter.py import torch import torch.nn as nn import torch.nn.functional as F class TaskAdapter(nn.Module): 每個(gè)任務(wù)對(duì)應(yīng)一個(gè)獨(dú)立的 Bottleneck Adapter。 def __init__(self, hidden_size: int, bottleneck_size: int 64): super().__init__() self.down nn.Linear(hidden_size, bottleneck_size) self.act nn.GELU() self.up nn.Linear(bottleneck_size, hidden_size) def forward(self, x: torch.Tensor) - torch.Tensor: return self.up(self.act(self.down(x))) class AdapterRouter(nn.Module): 管理多個(gè) TaskAdapter并根據(jù) task_id 選擇激活哪一個(gè)。 訓(xùn)練時(shí)只更新當(dāng)前任務(wù)對(duì)應(yīng)的 Adapter骨干網(wǎng)絡(luò)保持凍結(jié)。 新增任務(wù)時(shí)調(diào)用 add_adapter()返回新的 task_id。 def __init__(self, hidden_size: int, num_adapters: int, bottleneck_size: int 64): super().__init__() self.adapters nn.ModuleList( [TaskAdapter(hidden_size, bottleneck_size) for _ in range(num_adapters)] ) self.num_adapters num_adapters def forward(self, x: torch.Tensor, task_id: int) - torch.Tensor: adapter self.adapters[task_id] return adapter(x) x # 殘差連接 def add_adapter(self, hidden_size: int, bottleneck_size: int 64) - int: 增量注冊(cè)一個(gè)新的 Adapter返回新的 task_id。 self.adapters.append(TaskAdapter(hidden_size, bottleneck_size)) self.num_adapters len(self.adapters) return self.num_adapters - 1代碼說(shuō)明TaskAdapter就是經(jīng)典 Bottleneck 結(jié)構(gòu)輸入輸出維度都一樣所以可以用殘差連接直接相加。AdapterRouter是一個(gè)容器負(fù)責(zé)管理所有任務(wù)的 Adapter。它不需要復(fù)雜邏輯核心就是根據(jù)task_id找到對(duì)應(yīng)模塊。add_adapter()是持續(xù)學(xué)習(xí)的關(guān)鍵入口。當(dāng)出現(xiàn)新攻擊家族時(shí)調(diào)用它注冊(cè)新的 Adapter所有舊 Adapter 參數(shù)不動(dòng)。這段代碼里的核心思想是“參數(shù)隔離”。新任務(wù)計(jì)算圖只經(jīng)過(guò)當(dāng)前 Adapter舊 Adapter 的權(quán)重不會(huì)收到任何梯度因此從機(jī)制上杜絕了舊任務(wù)被覆蓋的可能。6.2 骨干網(wǎng)絡(luò)與分類(lèi)頭骨干網(wǎng)絡(luò)可以是任意特征提取器。為了演示我用一個(gè)簡(jiǎn)單的 MLP 加 TransformerEncoder 層充當(dāng)特征骨干。實(shí)際項(xiàng)目里可以根據(jù)特征類(lèi)型替換為 CNN、RNN 或更復(fù)雜的網(wǎng)絡(luò)但注意要保持 Adapter 的插入位置一致。# 文件路徑src/model/backbone.py import torch import torch.nn as nn class PacketBackbone(nn.Module): 簡(jiǎn)單的數(shù)據(jù)包特征骨干網(wǎng)絡(luò)。 說(shuō)明這里只用于演示 Adapter 的接入方式實(shí)際項(xiàng)目可替換為更復(fù)雜的網(wǎng)絡(luò)。 def __init__(self, input_dim: int, hidden_size: int): super().__init__() self.input_proj nn.Linear(input_dim, hidden_size) self.encoder_layer nn.TransformerEncoderLayer( d_modelhidden_size, nhead4, dim_feedforwardhidden_size * 4, batch_firstTrue, activationgelu, ) self.encoder nn.TransformerEncoder(self.encoder_layer, num_layers2) def forward_features(self, x: torch.Tensor) - torch.Tensor: h self.input_proj(x) h self.encoder(h) return h.mean(dim1) # 將序列維度池化為一個(gè)向量分類(lèi)頭就很簡(jiǎn)單了每個(gè)任務(wù)一個(gè)線性層即可# 文件路徑src/model/classifier.py import torch.nn as nn class TaskClassifier(nn.Module): 每個(gè)任務(wù)對(duì)應(yīng)的分類(lèi)頭輸入特征維度相同輸出類(lèi)別數(shù)不同。 def __init__(self, feature_dim: int, num_classes: int): super().__init__() self.fc nn.Linear(feature_dim, num_classes) def forward(self, features: torch.Tensor) - torch.Tensor: return self.fc(features)骨干網(wǎng)絡(luò)在整個(gè)持續(xù)學(xué)習(xí)過(guò)程中保持凍結(jié)。你可以預(yù)先在 Task 0 上把它訓(xùn)練好也可以使用開(kāi)源的預(yù)訓(xùn)練特征提取器。核心原則是骨干網(wǎng)絡(luò)提供“通用特征”Adapter 和分類(lèi)頭負(fù)責(zé)“任務(wù)定制”。6.3 少樣本持續(xù)學(xué)習(xí)訓(xùn)練循環(huán)下面是一個(gè)訓(xùn)練新任務(wù) Adapter 的完整函數(shù)。它接收一個(gè)骨干網(wǎng)絡(luò)、AdapterRouter、當(dāng)前任務(wù)分類(lèi)頭、支持集 DataLoader 和 task_id只更新當(dāng)前任務(wù) Adapter 和當(dāng)前分類(lèi)頭的參數(shù)。# 文件路徑src/train_fscil.py import torch from torch.utils.data import DataLoader from src.model.adapter import AdapterRouter from src.model.backbone import PacketBackbone from src.model.classifier import TaskClassifier def train_new_task( backbone: PacketBackbone, router: AdapterRouter, classifier: TaskClassifier, task_id: int, support_loader: DataLoader, epochs: int 30, lr: float 3e-4, device: str cuda, ) - None: 在少樣本數(shù)據(jù)上訓(xùn)練一個(gè)新任務(wù)對(duì)應(yīng)的 Adapter 和分類(lèi)頭。 骨干網(wǎng)絡(luò)和舊 Adapter 全程不更新。 # 凍結(jié)骨干網(wǎng)絡(luò) backbone.to(device) backbone.eval() for param in backbone.parameters(): param.requires_grad False # 只優(yōu)化當(dāng)前任務(wù)的 Adapter 和當(dāng)前分類(lèi)頭 router.to(device) optimizer torch.optim.AdamW( list(router.adapters[task_id].parameters()) list(classifier.parameters()), lrlr, ) criterion torch.nn.CrossEntropyLoss() router.train() classifier.train() for epoch in range(epochs): total_loss 0.0 num_batches 0 for x, y in support_loader: x, y x.to(device), y.to(device) optimizer.zero_grad() with torch.no_grad(): features backbone.forward_features(x) # 關(guān)鍵只激活當(dāng)前任務(wù)對(duì)應(yīng)的 Adapter adapted router(features, task_id) logits classifier(adapted) loss criterion(logits, y) loss.backward() optimizer.step() total_loss loss.item() num_batches 1 if (epoch 1) % 10 0: avg_loss total_loss / max(num_batches, 1) print(f[Task {task_id}] epoch {epoch 1}/{epochs}, loss{avg_loss:.4f})這段代碼有幾個(gè)地方值得注意。第一骨干網(wǎng)絡(luò)的前向過(guò)程用torch.no_grad()包裹因?yàn)樗膮?shù)已經(jīng)凍結(jié)不需要求梯度。這樣可以節(jié)省顯存和計(jì)算時(shí)間。第二router(features, task_id)只選擇當(dāng)前任務(wù)的 Adapter。舊 Adapter 即使加入了計(jì)算圖因?yàn)闆](méi)有參與參數(shù)也不會(huì)被更新。第三分類(lèi)頭是每個(gè)任務(wù)獨(dú)立的新線性層。它負(fù)責(zé)把 Adapter 輸出的特征映射到當(dāng)前任務(wù)的類(lèi)別空間中。6.4 評(píng)估與遺忘率計(jì)算持續(xù)學(xué)習(xí)評(píng)估不能只看新任務(wù)準(zhǔn)確率還必須關(guān)注舊任務(wù)的表現(xiàn)。下面這個(gè)評(píng)估函數(shù)會(huì)遍歷所有已知任務(wù)分別計(jì)算準(zhǔn)確率并提供一個(gè)簡(jiǎn)單的遺忘率計(jì)算函數(shù)。# 文件路徑src/evaluate.py import torch from torch.utils.data import DataLoader from src.model.adapter import AdapterRouter from src.model.backbone import PacketBackbone from src.model.classifier import TaskClassifier def evaluate_all_tasks( backbone: PacketBackbone, router: AdapterRouter, classifiers: dict, task_loaders: dict, device: str cuda, ) - dict: 分別評(píng)估所有歷史任務(wù)和新任務(wù)的準(zhǔn)確率。 classifiers: {task_id: TaskClassifier} task_loaders: {task_id: DataLoader} backbone.to(device) backbone.eval() router.eval() results {} for task_id, loader in task_loaders.items(): if task_id not in classifiers: continue classifier classifiers[task_id].to(device) classifier.eval() correct 0 total 0 with torch.no_grad(): for x, y in loader: x, y x.to(device), y.to(device) features backbone.forward_features(x) adapted router(features, task_id) logits classifier(adapted) preds logits.argmax(dim-1) correct (preds y).sum().item() total y.size(0) acc correct / total if total 0 else 0.0 results[task_id] acc print(fTask {task_id} accuracy: {acc:.4f}) return results def compute_forgetting(history_best: dict, current: dict) - float: 遺忘率 歷史任務(wù)最佳準(zhǔn)確率 - 當(dāng)前準(zhǔn)確率 的平均值。 數(shù)值越低說(shuō)明模型保持舊知識(shí)的能力越強(qiáng)。 task_ids set(history_best.keys()) set(current.keys()) if not task_ids: return 0.0 diff [history_best[t] - current[t] for t in task_ids] return sum(diff) / len(diff)遺忘率的定義是持續(xù)學(xué)習(xí)領(lǐng)域的通用做法在學(xué)完新任務(wù)之后重新測(cè)試每個(gè)舊任務(wù)計(jì)算當(dāng)前準(zhǔn)確率相對(duì)歷史最佳準(zhǔn)確率的平均下降幅度。如果遺忘率為 0說(shuō)明舊任務(wù)知識(shí)完全沒(méi)有受損。7. 運(yùn)行驗(yàn)證與結(jié)果解讀有了上面的三個(gè)模塊可以構(gòu)造一個(gè)最小 toy 數(shù)據(jù)集來(lái)驗(yàn)證鏈路是否跑通。7.1 構(gòu)造 toy 數(shù)據(jù)為了快速驗(yàn)證我用隨機(jī)特征模擬數(shù)據(jù)包特征向量。假設(shè)特征維度為 64Task 0 有 3 個(gè)類(lèi)別Task 1 有 2 個(gè)新類(lèi)別。# 文件路徑examples/make_toy_data.py import numpy as np import torch from torch.utils.data import DataLoader, TensorDataset def make_toy_task(num_classes, samples_per_class, feature_dim64, seed0): rng np.random.default_rng(seed) xs [] ys [] for class_id in range(num_classes): center rng.normal(sizefeature_dim) for _ in range(samples_per_class): x center rng.normal(scale0.5, sizefeature_dim) xs.append(x) ys.append(class_id) x_tensor torch.tensor(np.array(xs), dtypetorch.float32) y_tensor torch.tensor(np.array(ys), dtypetorch.long) return TensorDataset(x_tensor, y_tensor) if __name__ __main__: # Task 0每個(gè)類(lèi)別 20 條模擬初始任務(wù) task0_train make_toy_task(num_classes3, samples_per_class20, seed0) task0_test make_toy_task(num_classes3, samples_per_class30, seed1) # Task 1每個(gè)新類(lèi)別只有 10 條模擬少樣本場(chǎng)景 task1_train make_toy_task(num_classes2, samples_per_class10, seed2) task1_test make_toy_task(num_classes2, samples_per_class30, seed3) loader0_train DataLoader(task0_train, batch_size8, shuffleTrue) loader0_test DataLoader(task0_test, batch_size16, shuffleFalse) loader1_train DataLoader(task1_train, batch_size4, shuffleTrue) loader1_test DataLoader(task1_test, batch_size16, shuffleFalse) # 保存為全局變量方便 main 腳本引用 globals().update( loader0_trainloader0_train, loader0_testloader0_test, loader1_trainloader1_train, loader1_testloader1_test, )注意這里只是演示鏈路。真實(shí)惡意數(shù)據(jù)包識(shí)別中特征向量不應(yīng)是隨機(jī)高斯分布而應(yīng)當(dāng)來(lái)自 pcap 解析后的真實(shí)特征。為了突出 Adapter 機(jī)制本身toy 數(shù)據(jù)允許我們快速驗(yàn)證代碼正確性。7.2 運(yùn)行主流程接下來(lái)按下面順序執(zhí)行訓(xùn)練和評(píng)估# 文件路徑examples/main.py import torch from src.model.adapter import AdapterRouter from src.model.backbone import PacketBackbone from src.model.classifier import TaskClassifier from src.train_fscil import train_new_task from src.evaluate import evaluate_all_tasks, compute_forgetting def main(): device cuda if torch.cuda.is_available() else cpu # 構(gòu)造 toy 數(shù)據(jù)這里簡(jiǎn)化調(diào)用實(shí)際請(qǐng)運(yùn)行 make_toy_data.py 中的生成邏輯 from examples.make_toy_data import ( loader0_train, loader0_test, loader1_train, loader1_test, ) input_dim 64 hidden_size 128 # 初始化骨干網(wǎng)絡(luò)、Adapter 路由和 Task0 分類(lèi)頭 backbone PacketBackbone(input_diminput_dim, hidden_sizehidden_size) router AdapterRouter(hidden_sizehidden_size, num_adapters1) classifiers {0: TaskClassifier(feature_dimhidden_size, num_classes3)} # 訓(xùn)練 Task 0 train_new_task( backbone, router, classifiers[0], task_id0, support_loaderloader0_train, epochs20, devicedevice, ) # 記錄 Task 0 的歷史最佳準(zhǔn)確率 history_best evaluate_all_tasks( backbone, router, classifiers, task_loaders{0: loader0_test}, devicedevice, ) # 新增 Task 1注冊(cè)新 Adapter 和新分類(lèi)頭 task_id router.add_adapter(hidden_sizehidden_size) classifiers[task_id] TaskClassifier(feature_dimhidden_size, num_classes2) # 訓(xùn)練 Task 1少樣本 train_new_task( backbone, router, classifiers[task_id], task_idtask_id, support_loaderloader1_train, epochs30, lr3e-4, devicedevice, ) # 評(píng)估所有任務(wù)并計(jì)算遺忘率 current evaluate_all_tasks( backbone, router, classifiers, task_loaders{0: loader0_test, 1: loader1_test}, devicedevice, ) forgetting compute_forgetting(history_best, current) print(fForgetting: {forgetting:.4f}) if __name__ __main__: main()7.3 預(yù)期輸出與判斷標(biāo)準(zhǔn)如果鏈路正常你會(huì)看到類(lèi)似這樣的輸出[Task 0] epoch 10/20, loss0.8321 [Task 0] epoch 20/20, loss0.5123 Task 0 accuracy: 0.9444 [Task 1] epoch 10/30, loss0.7124 [Task 1] epoch 20/30, loss0.3872 [Task 1] epoch 30/30, loss0.2210 Task 0 accuracy: 0.9333 Task 1 accuracy: 0.9000 Forgetting: 0.0111判斷依據(jù)有兩個(gè)。第一Task 1 的準(zhǔn)確率要明顯高于隨機(jī)猜測(cè)。由于 toy 數(shù)據(jù)本身比較好分訓(xùn)練完成后準(zhǔn)確率通常會(huì)超過(guò) 85%。如果 Task 1 準(zhǔn)確率偏低多半是學(xué)習(xí)率過(guò)大、epoch 不足或者分類(lèi)頭與 Adapter 沒(méi)有被正確加入優(yōu)化器。第二Task 0 的遺忘率要盡量低。如果遺忘率超過(guò) 5%說(shuō)明哪里出了問(wèn)題最可能的原因是骨干網(wǎng)絡(luò)沒(méi)有被正確凍結(jié)或者舊 Adapter 被意外加入到了優(yōu)化器參數(shù)列表中。如果運(yùn)行報(bào)錯(cuò)先按下面順序排查確認(rèn)當(dāng)前工作目錄包含src目錄確認(rèn)導(dǎo)入路徑正確檢查 PyTorch 版本打印一下模型中各參數(shù)的requires_grad狀態(tài)看看哪些參數(shù)被誤設(shè)為可訓(xùn)練。8. 常見(jiàn)問(wèn)題與排查思路問(wèn)題現(xiàn)象可能原因排查方式解決方案Task 1 新類(lèi)別準(zhǔn)確率很低少樣本過(guò)擬合查看訓(xùn)練 loss 是否持續(xù)下降降低學(xué)習(xí)率、增加 epoch 或引入數(shù)據(jù)增強(qiáng)舊任務(wù)遺忘率明顯升高骨干網(wǎng)絡(luò)或舊 Adapter 被更新檢查優(yōu)化器參數(shù)列表中是否包含舊參數(shù)凍結(jié)骨干網(wǎng)絡(luò)只把當(dāng)前任務(wù) Adapter 和分類(lèi)頭加入優(yōu)化器模型在真實(shí)流量上效果遠(yuǎn)差于測(cè)試集訓(xùn)練特征分布和真實(shí)流量不一致對(duì)比訓(xùn)練集和線上特征分布重建特征工程流水線確保線上線下特征完全一致新增多個(gè)任務(wù)后 Adapter 文件越來(lái)越多任務(wù)數(shù)量增長(zhǎng)導(dǎo)致參數(shù)文件膨脹檢查模型目錄文件結(jié)構(gòu)按任務(wù)編號(hào)歸檔配合模型注冊(cè)中心做版本管理訓(xùn)練時(shí)顯存不足骨干網(wǎng)絡(luò)前向保留梯度檢查是否使用了 no_grad 凍結(jié)部分對(duì)凍結(jié)骨干的前向過(guò)程包一層 torch.no_grad()分類(lèi)頭與 Adapter 維度不匹配task_id 路由錯(cuò)誤或 hidden_size 設(shè)置不一致打印各模塊輸入輸出維度統(tǒng)一 hidden_size并檢查 AdapterRouter 初始化參數(shù)在真實(shí)項(xiàng)目中遇到最多的問(wèn)題不是模型不收斂而是“訓(xùn)練流程寫(xiě)得不干凈”。凍結(jié)參數(shù)沒(méi)做好導(dǎo)致舊任務(wù)被污染或者特征提取和模型訓(xùn)練之間的數(shù)據(jù)劃分不一致導(dǎo)致線下驗(yàn)證失真。9. 工程化最佳實(shí)踐與安全提醒代碼演示只是第一步。真正把 Adapter 方案部署到生產(chǎn)環(huán)境還需要考慮很多工程細(xì)節(jié)下面逐條展開(kāi)。9.1 凍結(jié)策略要寫(xiě)進(jìn)配置而不是寫(xiě)在注釋里建議把“哪些參數(shù)可訓(xùn)練”做成顯式配置。例如用 YAML 或 JSON 記錄骨干網(wǎng)絡(luò)層名、Adapter 名稱(chēng)、分類(lèi)頭名稱(chēng)。每次訓(xùn)練前先打印當(dāng)前任務(wù)的參數(shù)數(shù)量和上次訓(xùn)練對(duì)比確保沒(méi)有意外引入額外參數(shù)。# 文件路徑configs/experiment.yaml backbone: freeze: true adapter: bottleneck_size: 64 lr: 3e-4 classifier: per_task: true training: epochs: 30 early_stopping: true patience: 5這樣做的價(jià)值在于團(tuán)隊(duì)協(xié)作時(shí)不同同學(xué)可以通過(guò)配置復(fù)現(xiàn)同一個(gè)實(shí)驗(yàn)而不是靠口頭溝通“記得凍結(jié)骨干”。9.2 新增任務(wù)需要獨(dú)立驗(yàn)證每次新增攻擊家族不要直接覆蓋線上模型。先把新任務(wù) Adapter 注冊(cè)到一個(gè)影子環(huán)境中用離線回放數(shù)據(jù)驗(yàn)證新任務(wù)準(zhǔn)確率和全任務(wù)遺忘率。只有當(dāng)兩個(gè)指標(biāo)都滿足要求時(shí)再通過(guò)模型上線審批流程發(fā)布。9.3 數(shù)據(jù)安全與合規(guī)邊界惡意數(shù)據(jù)包識(shí)別涉及真實(shí)網(wǎng)絡(luò)流量任何訓(xùn)練工作都必須確保數(shù)據(jù)來(lái)源合法、處理流程合規(guī)。不要在未經(jīng)授權(quán)的環(huán)境中抓取流量不要留存與任務(wù)無(wú)關(guān)的載荷內(nèi)容。建議在特征工程階段就進(jìn)行脫敏和最小化處理只保留建模必需的特征字段而不是保存原始 pcap。9.4 模型目錄與版本管理每個(gè) Adapter 建議使用統(tǒng)一的命名規(guī)范例如adapter_task{task_id}_family_{family_name}.bin同時(shí)配套一個(gè)元數(shù)據(jù) JSON記錄訓(xùn)練樣本量、標(biāo)簽分布、特征版本、訓(xùn)練時(shí)間、訓(xùn)練腳本 commit 號(hào)。這看起來(lái)是額外工作量但在排查線上問(wèn)題和復(fù)現(xiàn)歷史模型時(shí)價(jià)值非常大。9.5 監(jiān)控指標(biāo)不能只看整體準(zhǔn)確率在生產(chǎn)環(huán)境建議監(jiān)控以下指標(biāo)各任務(wù)單獨(dú)的新樣本召回率而不是混合平均準(zhǔn)確率。每個(gè) Adapter 被命中的次數(shù)和置信度分布。關(guān)鍵告警類(lèi)別的誤報(bào)率變化。遺忘率在定期回歸測(cè)試中的趨勢(shì)。如果發(fā)現(xiàn)某個(gè)舊任務(wù)在持續(xù)學(xué)習(xí)多次后出現(xiàn)緩慢的準(zhǔn)確率下降大概率不是災(zāi)難性遺忘而是真實(shí)流量分布發(fā)生變化需要重新審視特征工程或考慮升級(jí)骨干網(wǎng)絡(luò)。10. 總結(jié)與后續(xù)學(xué)習(xí)方向本文圍繞基于 Adapter 的少樣本持續(xù)學(xué)習(xí)在惡意數(shù)據(jù)包識(shí)別中的應(yīng)用拆解了三個(gè)關(guān)鍵問(wèn)題為什么要解決災(zāi)難性遺忘、Adapter 為什么適合安全場(chǎng)景、如何用代碼實(shí)現(xiàn)一個(gè)最小可運(yùn)行的持續(xù)學(xué)習(xí)鏈路。核心收獲可以歸結(jié)為一句話在惡意流量識(shí)別這類(lèi)數(shù)據(jù)稀缺、更新頻繁、合規(guī)約束強(qiáng)的場(chǎng)景里Adapter 參數(shù)隔離方案提供了低成本、可回滾、易審計(jì)的模型迭代路徑。它的優(yōu)勢(shì)不是單點(diǎn)精度更高而是把“模型更新”變成了“模塊裝配”讓舊知識(shí)和新知識(shí)以更可控的方式共存。如果你打算在真實(shí)項(xiàng)目里落地建議下一步從三個(gè)方向繼續(xù)完善。第一使用真實(shí)流量特征替換 toy 數(shù)據(jù)。可以先用公開(kāi)數(shù)據(jù)集建立特征抽取流程再驗(yàn)證 Adapter 機(jī)制在真實(shí)特征空間下的效果。第二嘗試把決策層從“每個(gè)任務(wù)獨(dú)立分類(lèi)頭”升級(jí)為“統(tǒng)一分類(lèi)空間”這樣面對(duì)一個(gè)包含新舊類(lèi)別的混合流量時(shí)可以一步給出結(jié)果而不需要按任務(wù)逐一判斷。第三研究自動(dòng)化的 Adapter 調(diào)度策略例如當(dāng)新樣本到來(lái)時(shí)通過(guò)特征相似度判斷是復(fù)用已有 Adapter還是新建一個(gè) Adapter這能減少插件數(shù)量膨脹帶來(lái)的管理成本。持續(xù)學(xué)習(xí)是一個(gè)快速發(fā)展的方向理論綜述已經(jīng)很多但真正落到安全運(yùn)營(yíng)場(chǎng)景的工程實(shí)踐還遠(yuǎn)沒(méi)有飽和。從一個(gè)小而穩(wěn)的 Adapter 模塊開(kāi)始逐步把增量學(xué)習(xí)能力引入安全檢測(cè)鏈路是一條值得長(zhǎng)期投入的技術(shù)路線。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
日韩97视频!在线| 久久精品中文字幕无码l| a亚洲欧美色欲| 99久久综合网| 久久久久久精| 中文字幕在线日亚州9| 媚薬在线视频麻豆| 中文字幕精品探花视频| 920日本午夜免费| 国产超碰欧美| 久久久久久久国产a∨| 人人操人人色人人摸| 色色五月天婷婷| 精品九九淫乱男| 翔田千里爆乳巨臀无码| 日韩熟女精品无码专区一区二区| 亚洲一二三四区| 操一区| 欧美日韩天堂| 欧美黄片免费在线观看视频| 亚洲大胆人体av| 国产精品不卡高清在线观看| 91爱综合| 国产精品人妻免费精品| 在现视频女上位好爽| 电影69乱码96| av毛片aaaaa免费看| 99这里只有精品| 插插综合网天天影视网| 黑操B| AV色女综合| 亚洲第一无码播放立川理惠| 亚州Av天美传媒| 国产一级不卡在线观看| 另类专区加勒比| 久操网址| 五月天伊人网| 宗合情欲网| 国产精品爆乳懂色蜜乳| 综合熟女| 成人五月天丁香激情综合| 殴美牲| 欧美亚洲综合高清在线| 国产suv精品一区二区四| 天美91| 天美av在线观看| 色婷婷一区二区三区久久| 亚洲无套久久嗯嗯| 国产亚洲性生活视频播放| 熟妇熟女亚洲天堂网| 91欧美亚洲| 色哟哟-国产专区| 4虎在线观看| 99色| 亚欧高清| 欧美激情亚洲情色| 97色伦欧美| 欧亚无码视频| 后入式999| 国产亚洲99久久精品| 久操国产在线| 老熟妇一区二区三区啪啪| 国内亚洲高清无码| 风韵犹存大大大大香蕉 | 欧美18禁91| 国产黄色视频久久| 日本久久久久久久久久| 五月婷婷hd| 九月丁香综合网| 中文字幕一区二区三区人妻不卡| 日韩女优在线| 插欧洲美女欧美精品| 欧美激情区| av在线人气| 中文字幕一区二区三区高清| 男人久久天堂| 密臀成人视频久久久| 奸色色 男人天堂 天天射| 日本国产亚洲一区在线观看| 传媒在线观看一区二区三区| 十八禁黄色成人网站观看| 日韩av乱伦| 亚洲精品久久久久毛片A片拉屎| 亚州熟妇精品| 精品久久久久,69国产成人精| 逼逼逼逼操操操操操操操操操午夜剧场| 玖玖综合视频| 欧美色天堂网在线视频| 麻豆 欧美 日韩| 免费观看的黄色的网站| 超碰午夜| 欧美Ⅴ性爱| 欧美美逼| 精品高清牛人盗摄一区二区三区中文字幕A片免费在线观看 | 偷拍亚洲高清图片| 婷婷五月综合激情| 大香蕉男女超碰精品在线| 国产精品福利资源在线尤物| 亚洲 欧美 色图| 日韩噜噜69| 你操综合| 五月激情小说| www.久久99| 高清国产性猛交xxxx乱大交| 操逼网站网站| 激情小说亚洲色图| 91亚洲综合在线| 青草伊人网| 黄呦呦在线| 国产精品久久久亚洲一区| 在线视频日韩欧美国产| 日本在线视频导航| 黄色小视频日本txt| 亚洲情色综合| 色吧5亚洲| 欧美日日人人天天| 久久后入制服| 91模特在线观看| 国产精品久久久久久久久久久久久久久久| 国产熟女| 艳尻美人妻| 国产白领连续中出在线观看| 国产大片精久久久久久| 不卡人妻少妇精品毛片一区23区视频 | 高清不卡国产| 久久国产精品91| 色婷婷综合久久久久中文国产精品一区中文字幕,国产福利电影一区二区三区 | 色色色天美视频| 一区二区三区黄色片a| 日韩性爱小视频| 国产福利视频精品视频| 亚洲无码免费看| 国产精品嫩草影院免费| 丰满人妻av一区二区三区 | 亚洲色图欧美色图另类图片| 国产主播福利| 一区二区三区探花在线观看| 国产精品自拍欧美在线| 女优免费一区二区永久| 一区中文字幕二区日韩| 欧美天天综合站| 18禁久极品美女久久哦哟呀!| 青青草国产盗摄一二三区| 成人熟女区| 久久亚洲熟妇在线视频| 日韩91网| 立川理惠被中出无码| 亚洲av综合伊人久久| 天天日天天搞天天干| 亚洲国产成人精品999| 少妇无码av专区线| 2001天天操| 亚洲AV不卡在线观看尤物| 精品国产国产AV| 男人天堂久久精品不卡| 俞拍久久国应视频| 国产精品麻豆视频网站| 999岛国大片| 2001天天操| 久久久国产精品人妻丝袜| 久污| 日韩性爱一级片| 欧美黄片欧美黄片xxx| 国产伦精品一区二区三区在线观| 日韩中字av一区| 大香蕉在线视频重口味毛片在线| 天天天堂影视日韩亚洲91| 人妻少妇精品久久久久久| 午夜精品久久一区二区| 免费国产电影一区二区| 色九九九九久| 亚洲天天精品| 91大神精品长腿在线观看网站| aaaa少妇高潮大片| 欧美成人都市人妻| 久久久久921| 97在线看| 日本 欧美 国产一区| 日日干日日操五月天伦理视频| 97免费视频网| 亚洲国产精品成人久久蜜臀| 国内精品伊人久久久久影院会| 激情五月天综合网| 日本好吊色视频| 少妇激情一区二区三区视频| 金莲网址| 一起草av| 91激情国产| 四虎国产精品永久在线囯在线| HEYZO高无码国产精品227| 九色97| 嗯嗯啊啊啊啊轻点视频| 亚洲激情综合另类男同| 婷婷丁香在线| 9九九国产| 99国产精品视频尤物| 91蜜臀在线久久久久| 九九免费影片| 中文无线日韩一区| 亚洲精品人妻在线| 中国黄色特级精品一区二区三区片| 蜜臀久久99精品久久久久电影| 草草影院最新网址| 日韩精品操少妇| 日本国产欧美一区三区二区| 久久久久亚洲av综合波多野制衣| 国产婷婷一区| 成人久久久| 99亚洲精品| 校园春色制服丝袜中文字亚洲| 欧美特黄视频网站| 一级久久性爱视频| 亚洲清纯综合| 日本综合久久| 欧洲精品一级二级精品综合视频综合 | 国产a片操逼| 日本熟妇熟色97一本在线观看| 啊啊啊好大好深| 操逼日韩无码| 欧美资源| 日韩欧美成人大香蕉| 久久久久少妇| 欧州激情视频在线一区二区| 欧美福利视频啊啊啊啊| 96精品在线| 精品少妇99| 亚洲欧美一区二区三区一猛片| 久久禁| 国产免费永久精品无码| 大香蕉中文网| 好吊色在线观看| 国产激情在线| 99自拍B亚洲 | 久久久精品国产亚洲AV无码| 亚洲欧美在线丝袜| 麻豆天美国美国产| 国产成人自拍视频视频| 超碰到97情色| 久久黄黄| 国产在线激情视频| 亚欧美色图| 97人人草| 眼镜人妻101.com| 美欧老女人97| 国产 无码 一区二区| 激情文学小说一区二区 | 婷婷干黄色| 九九人妻| 亚洲美女色图| 激情专区综合| 日韩一级久久毛片| 超碰这里只有精品| 综合五月婷婷| 欧美呦呦性爱| 久久婷婷一区| 欧美亚洲激情一二三| 色狠狠综合| 亚洲中文字幕在线视频一区二区| 很狠操| 亚洲一区深夜| 亚洲啪啪视频一区二区| 亚洲日韩天堂| 久久久96精品| 亚洲美女30b| 自拍偷拍 高清无码| 久久9精品网站| 久久色一区| 亚洲色系另类精品国产| 久艹日日日| 久久大精品乱码视频人妻熟女| 婷婷色影院| 9色国产精品一区粉嫩| 国产蜜臀在线| 中文字幕十五区| A久久| 美女一区二区国产精品| 色综合一本| 人妻91少妇| 久久久久网站-538在线视频-欧美永久乱码 | 狠狠干狠狠色| 人妻 中文 日韩| 干超碰碰熟女| 99精品九九九九九九| 密臀AV在线| 清柠毛片| 亚洲1区| 欧美强奸乱能| 新亚洲无码| 国产美女高潮视频| 中文字幕日韩情色| 啊嗯嗯啊好大好爽| 九九自拍伦理| 蜜臀99999| 91neishe| 日日夜夜干| 两性综合网| 欧美一区二区日韩三区| 超碰97伊人| AV中文字幕剧情1区2区3| 久9久| 久久五月份| 不卡免费av在线播放| 青娱乐999| 蜜臀久久99精品久久久久久酒店| 综合网97| 国产2.3.4区| 中出人妻中文字幕91在线| 97精品97| 色欧洲97| 清纯唯美综合亚洲| 人妻 欧美亚洲| 九九九九欧美| 超碰在线成人电影| 0755午夜福利视频| 2019午夜福利视频| 国产熟女自拍| 欧美综合综合| 91第一页| 欧亚无码视频| 人人 操人人 操人人| av网站国产主播在线| 91黑人狂躁丰满熟妇| 青青草好吊色| 日韩性爱小视频| 操b在线观看| 亚洲网站一区二区在线| 少妇一区二区三区高速| 欧美日韩操操操| 久久草在线综合视频| 久久老子无码午夜伦不卡| 日韩亚洲中文有码视频| 国产丝袜视频| www.夜夜| 欧美啪啪色吧在线| 精品人妻一区二区三区-国产| 天天看夜夜看日日干| 久久九九一区二区三区成人| 欧美日韩性爱无码| 国产精品久久久久久久久久久久久久| 中文字幕人妻丝袜| 亚洲国产一区二区入口| 51一区二区三区| 人妻嗯啊啊在线播放| 少妇精品久久| 99丝袜福利在线播放| 亚洲男人天堂av| ai欧美亚洲小说| 国产精品成人无码av| 精品九九| 青青草影视蜜久久| 亚洲AV无码| 欧美日韩 强奸乱伦| 久久华人网| 后入 亚洲 美女 射| 国产精品色片一区二区| 精品女同一区| 日韩AV中文字幕电影| 看日韩操逼| 久久专区| 亚洲天堂电影网99999| 中文字幕日产av人| 免费看欧美美女黄色大片| 91爱| 国产suv精品一区| 九九久久九九久久| 欧美强奸一区二区诱惑| 亚洲在饯| 久久精品国产97欧美精品亚洲 | 9久热| www.色吧5.com| 国产在线精品电影观看| 欧美黑人猛交春色影视大全| 国产亚州精品美女久久久免费| 精品免费一区| 欧美黑人与女人91| 少妇内射www在线观看视频| 综合熟女| 九色婷婷| 天天操天天舔| 国产网红精品| 一区二区免费电影久久| 欧美第一页| 九九精品网| 欧美玖玖爱免费玖玖| 9久久9综合| 久久人妻办公室视频| 日本一区二区成人在线| 波多野结衣一级视频| 超碰97久久| 美女9118禁| 香蕉大久久久| 鸥美极品| 长久操视频| 一区二区不卡| 欧美91精彩| 亚洲欧美一区二区网址| 91老熟女| 99re28在线观看| 国产精品久久久久久夜夜夜夜| 日韩啪啪啪视频| 亚洲熟妇无码一区二区三区| 影音综合网| 国产夜夜操| 夜夜嗨AV蜜臀av| 国产免费一区在线观看| 亚洲精品亚洲人成人网| www超碰| 睡产熟女乱伦| 手机在线看片免费人成视频| 日韩人妻一区二区精品| 亚洲夜夜欢无码一区二区 | 久久激情亚洲精品无码?V| 翔田千里爆乳巨臀无码| av在线观看不卡网站| 中文字幕一区二区日韩网| 久久久97| 九九精品无码专区免费| 日韩国产在线观看av| 久久av成人无码免费| 秋霞蝌科网日本一区| 伊人女女资源在线观看| 人妻久久久久久久久久久久久久久 | 天天操熟妇| 日本 情色 1区2区3区| 欧美BT 亚洲色图| 蜜臀一区二区三区亚洲最新章节在线观看 - 高清蜜臀一区二区三区亚洲全集播放 | 欧美精品庄| 免费a v| 无码国产Av| 女同性恋久久| 国产精品天美传媒| 日韩懂色网| 伊人玖玖网| 蜜区区视频79| 黑人免费福利视频| 国产免费一区在线观看| 亚熟在线| 国产精品一级二级在线| 成人线上超碰| 欧美一级黄片免费播放| 日本在线不卡一二区| 97在线国产精品| 日产123区精品免费观看| 97资源站日韩| 八人操人人摸人人看| 五月丁香| 国产视频小说| 精品国产乱码久久久久久网站入口| 蜜乳视频网站| 九色 人妻 大香蕉| 中文字幕青青草| 美女高潮视频91| 四季av一区二区凹凸精品小说| 国产农村妇女精品| 成人乱码一区二区三少妇| 2020视频1区2区3区| 欧美夜色| 久久产精品一区二区三区电影| 思思在线免费视频| 91欧美另类| 久久精品国产亚洲AV先锋| 亚洲 欧美 手机在线观看| 96AV久久久| 中文字幕伊人| 99精品国产户外露出| 六十路日本| 人妻免费观看| 中国AV美女| 蜜桃视频精品一区二区| 综合熟妇一区二区三区| 欧美日韩午夜精品一区二区三区 | 成人福利视频网| 日本熟人妻中文字幕在线|...久久国产精品-国产精品_日本一区二区三区中文字幕 | 天天干天天爽| 九九九九热只有精品| 久久黄色视频一区二区三区| 中文字幕乱码人妻一区二区三区,99精品| 蜜汁欧美| 9色在线| 欧美激情一| 波多野结衣先锋影音| 九热大香蕉| 国内毛片热久久思思热| 日本免费一区二| 97这里只有精品| 丁香六月婷婷久久综合| 人人澡人人干| 男人天堂婷婷五月天校园春色| 亚洲毛片久久| 亚洲欧美精品一区天堂久久 | 国内亚洲精彩视频在线| 亚州再线| 秋霞久久亚洲精品成人| 日韩人妻丝袜美腿中文| 国产精品露脸在线观看| 91九久| 91制服丝袜中文字幕| 人妻熟女一区在| 人妻欧美| 蜜臀99999| 久草视频观看视频在线| 欧洲精品一二三在线| 日韩卡一卡二卡三在线| 色97综合中文字幕| 久久精彩免费视频| 亚洲 欧美 精品专区 极品| 性感女人网页在线观看视频| 亚洲一区在线观看欧洲| 97日视频| 婷婷丁香在线| 激情小说在线视频| 国产精品久久久久久久久久久久久久久久 | 操逼片国产| 日本 免费 一区二区三区 久久香蕉| 日韩中文字幕国产| 国产AV天美传媒一区二区三区| 日韩在线观看中文字幕视频| 久草久日| www鬼畜国产男人的天堂| 国产91亚洲精品一区二区三区| 欧美性爱网97| 精品国产丝袜一区二区三区乱码| 免费视频观看60秒| 久久一二三四五六七八九区区| 牛牛操视频逼| 精品久久久不卡一区二区| 5278欧美一区二区三区| 亚洲不雅视频1区二区| 国产黄色动态精品| 最新国产精品久久精品| 亚洲性爱成人| 九九九九九九九九九九九蜜桃 | 青青青草伊人精品| 2001天天操| 日韩成人精品| 97超碰久久| 天天碰久久入| 久久动漫精品视频这里只有精品| 五月天婷婷小说| 男女激情黄色网址| 天天日天天操天天射河南省| 欧美在线亚洲| 99青青草国产视频| 激情文学网伊人| 性色av网站| 欧美成熟性爱精品| 97视频在线| 97精品视频在线播放| 黑人天8A∨高清网站| 1024人妻| 久久激情视频| a级成人毛片免费视频高清| 9色国产精品一区粉嫩| 精品人妻15区| 91精品婷婷国产综合久久| 偷拍亚洲高清图片| 素人播放一区| 欧美激情综合| 99视频在线| 操逼操网| 欧美激情性久久久久久| 中文字幕精品免费一区二区| 欧美99999| 97欧美色综合| 97碰碰日本乱偷人妻中文的| 中文字幕片| 国产91美女高潮| 大香蕉九九| 一区二区三区精品视频| 51一区二区三区| 高清一区AV无码| 最新日日夜夜天天干干| 日韩福利综合一区| 草莓精品视频在线免费观看| 黄色操人| 上海一级黄片| 天天色,天天干,天天干| 色官网色综合| 熟女这里只有精品6| 欧美日韩另类在线播放| 欧美操逼熟女| 日本亚洲熟女视频| 国产成人无码久久精品| 婷婷五月天av| 久久久久成人蜜桃精品| 国产视频一区二区在线| 91jk色拍| 日韩精品怡红院| 经典丝袜一区| 亚洲精品九九九九九九| 欧美激情内射| 超碰91在线| a片久久久久久久久久久久 | 中文字幕神马久久| 蜜臀久久精品久久久久视频| 日日骚av| 国产捆绑一区| 亚洲va有码在线天堂| 色成人Www精品永久观看| 成人性爱电影一区二区| 91狠| 精品999日本| 亚欧操逼片在线观看| 日本久久久久久久久久| 粉嫩AV一区二区夜夜| 亚洲欧美日韩偷拍色图| 国产女人高潮嗷嗷嗷叫小说 | 国产毛片精品一区二区色欲黄A片| 日韩三级久久久| 丁香婷婷激情五月天无毒不卡 | 日本精品五区| 日本激情免费大片| 色999人与兽| 久久大精品乱码视频人妻熟女| 91狠狠狠| 国产家庭乱伦表演| 国产小u女在线观看| 999日韩中文精品观看视频。| 白丝少妇一区二区| 亚洲男人天堂网站| 日韩三A大片在线观看| 99爱爱| 精品一区二区麻豆| 亚洲欧美黄| 久久日韩精品一区二区| 精品少妇一区二区三区免费观看| x97av| 搡老女人911熟妇老熟女| 看日韩操逼| 性色乱AV一区二区| 久操免费电影| 天天摸夜夜添无码小视频| 久久天堂婷婷网| 欧美超碰人妻97| 国产高清亚洲日韩一区| 97人妻碰碰中文无码久热丝袜| 青春草A| 美欧色综合| 中文字幕成人理论在线| 欧美视频第二页| 欧美自拍网| 日韩性爱免费视频在线网站| 78久久久| 日韩国产精品人妻无码久久久| 亚欧性爱在线无码| 天天舔天天日天天射| 日韩av性爱在线播放| 6080yy午夜理论三级一区二区三区无码| 国产视频小说| 久久首页| 欧美日韩一干二干| 日韩兔费看黄片| 亚洲黄色影视| 四虎影视 亚洲无码| 99国产精品视频尤物| 99国产天美| 亚欧色图在线激情| 97超碰美国| 久一区久久蜜桃| 久久久成人国产精品无码| 国产三级片在线观看| 大香蕉综合在线| 精品无码产区一区二| 上海一级黄片| 亚拍在线| 国产操偷| 我想要啊 啊 啊| 全球成人中文在线| 熟女久久| 天天爽人人综合免费7799| 美国三级日本三级久久99| 国产一在线观看| 亚洲日韩欧美一区二区| 国产成人无码a| 东北操逼| 欧美日韩91| 日韩一卡二卡三卡| 六六久久日韩不卡| 3PAV乱伦视频| 久久做97| 十八岁啪啪视频免费看| 韩日巨乳美女免费视频在线观看| 天天射夜夜| 蜜臀99久久国产| 日本视频一区二区三区| 天天干人人看综合| 搡老熟女国产1000部| 99热亚洲天堂| 密臀在线免费观看| 操逼www.| 亚洲色五月| 97国产色图| 大香蕉99热| 欧美人与动性人交a| 太久视频| 麻豆视频test| 爱我干综合| 亚洲AV无码| 中文字幕后石码四区五区| 在线免费观看日韩一区| 999999精品| 中文字幕精品三级久久久| 日本熟女不卡视频| 激情开心五月天| 欧美丰满少妇xx高潮| 日日日日做夜夜夜夜做无码97| 国产人妻久久精品一区二区三区| 久久免费9| 亚洲色图 欧美热图 清纯唯美 另类自拍 | 午夜福利区| 国产精品久久伊人| 精品综合久久久久久五月天| 超碰午夜| 又大又长又爽| 午夜影美女日鸡鸡天天视频国产| se..亚洲欧美| 午夜精品人妻二区三区| 亚洲丝袜色| 五月婷网站| 一区二区影视| 啊啊啊啊啊啊啊啊要喷了| 国产强奸超碰AV| 91 天天综合| 美女淫穴| 婷婷丁香久久| 四虎影视永久在线免费| 嗯嗯啊好爽| 五月婷网站| 无码78| 国产丝袜高跟美女av免费观看| 91久久国产综合久久| 操逼片中文| 亚洲中字幕日本一区二区三区| 大香蕉手机在线| 国产一区二区三区不卡手机在线| 欧美日韩中文亚洲v在线综合| 午夜小电影在线插入淫高潮| 欧美韩日精品99综合| 亚洲精品1区| 宗合情欲网| 国产大学生高潮在线播放| 脫衣舞一区二区三区| 国产午夜精品理论片a大结局| 日韩97超碰| q2午夜理论片夜色av| 综合网~91综合网| 中文字幕av色| 国产免费一区二区在线A片视频| 啪啪资源网| 日韩人妻一区二区| 亚洲男人天堂手机版| 本道在线| 日韩在线欧美精品一区二区| 亚州综合色| 亚洲情色综合网| 牛牛久久国产精品视频一二三| 亚洲天堂性爱| 久久熟女人| 在线观看一卡二卡| 91爽啪| 天天摸,夜夜摸| 熟妇在线视频一区二区| 淫妻综合网| 日韩国语字幕| 男人的天堂,欧美亚洲另类国产日韩,日本高清一区二区 | 97天天综合| 青青草中文字幕| 91色花堂| 国产1024在线播放| 香蕉国产精品麻豆亚洲欧美日韩| 国产在线综合网| 日韩无码视频黄色| 日韩性爱视频在线免费观看 | 成人一二| 操操逼视频| 蜜桃狠狠色伊人亚洲综合网站| 欧美中文字幕精品人妻| 日本成a人v网站在线观看| 亚洲无码精品AV久久久| 人人干黄色| 曰本人妻人人澡人人夹| AV免费在线播放一区| 深田咏美亚洲精品福利社| 成人片在线播放| 亚洲一区二区麻豆影院| 97视频在线观看播放与子乱对白在线……| 日本免费不卡二区| 欧洲与亚洲欧美精品中文字幕| 午夜福利在线合集| 国产蜜臀精品一区二区尤物| 综合第一页| 强奸乱伦免费网站| 日韩人妻一二三区视频| 日人妻视频91| 日本免费中文一区二区三区四区| 日韩97视频!在线| 欧美78| 97se亚洲| 色网站导航大全| 18禁超污无遮挡无码免费网| 丰满人妻一区二区三区免费,| 久久av色| 亚洲人精| 无码高清少妇久久| 亚洲中文日韩精品| 99国产精品人妻人伦| 青青欧美在线| 91/欧美| 久久久久久999| 久久天天艹| 亚洲综合在线视频| 夜精品久无码| 啊啊啊啊好疼| 免费的黄片有限公司| 大香蕉五月天| 91国产美女丝袜足交精品视频| 日本免费二区三区| 欧美18 在线观看| 99热综合| 超碰日韩美妻| 99精品国产户外露出| 黑人精品成人一区二区三区| 九九九久千久久激情蜜桃在线看 | 国产又猛又粗又爽又黄| 色五月综合网| 人妻黑丝袜电影| 97爱爱爱| 丁香五月影院| 91欧美综合在线| 色欲天天综合久久久无码网中文| 日韩不卡av一二三| 乱子伦一区二区三区国产精品| 亚洲九九九| www.yw尤物| 夜夜嗨免费视频| 丁香六月激情| 欧美黑人与女人91~| 久久网亚洲| 久久超碰av在线| 久久99久久99精品免视看婷婷| 欧美爆乳精品一区二区| 伊人五月天婷婷| 国产人人干| 性色高清在线| 亚洲nv男人的天堂网| 国产亚洲精品美女久久久久久2021| 91久久久亚洲| 我要色综合网站| 是还免费视频1727我| 91伊人大香蕉| 韩国女主播青草福利视频| 伊人国产成人av网站| 激情四射五月天| 久久宗合97| 色嘟嘟人妻天堂网| 看一级黄色视频| 伊人黄色视频免费观看| 中文AV制服乱伦| 男人网站婷婷| 新怡红院| AV女资源| 狠狠综合| 欧美大香蕉久| A V视频日本| 操逼网站地址| 暖暖精品二区三区观看| 欧洲精品人妻| 日韩无限资源| 爽爽爽免费视频| 久久色一区| 很黄很污的免费网站| 99免费视频| 久久曰曰| 美女啊啊啊啊啊啊啊| 亚洲天堂少妇| 丰满人妻一区二区三区| 十八禁黄色| 一个人免费HD91视频| 精品十八在线观看| 亚州精人品大香蕉| 日本性爱视频一级| 亚州 综合 色图| 三级激情网站| 97操综合| 国产欧美日韩在线观看麻豆传媒公司 | 91天天日| 日B操| 99热8| 丁香九月激情| 老司机午夜精品视频| www.AV有限公司一区| 中国亚洲呦女专区| 91亚州| 欧美中文狠| 韩国黄色片精品久久久| 中国熟女老妇仑乱一区二区三区| 日韩电影天堂视频一区二区| 午夜精品五区| 在线中文字幕视频| 97视频在线观看高清资源| 嗯啊视频免费在线观看| 俞拍自拍| 福利偷拍视频-中文字幕2019国语完整视频大全-S91AV | 日韩视频精品在线观看| 伊人国产av| 亚洲成a人片在线观看中文!!!| 色噜噜日韩精品| 色情亚洲日本成人| 丁香色五月 97干| 黄色免费一级在线毛片| 亚洲AV色图一区| 久久九九一区二区三区成人| aⅴ日韩成人电影av在线免费看av大全| 清纯唯美亚洲综合| 91美女視頻| 国产乱码久久| 日本护士高潮| 狠狠久久手机视频精品| 国产黑白丝在线| 欧美少妇内射| 青青操青娱乐| 精品毛片久久久精品毛片| 丝袜人妻av一区二区| 亚洲天堂一区二区| 国产精品高潮久久AV| 开心激情婷婷| 亚洲国产精品99久久久| 伊人九九九| 国产AB视频| 欧美A√综合网 | 国产蜜臀精品一区二区尤物| 欧美久久久15P| 欧美亚涩| 天天肏夜夜肏| 顶级丝袜熟女一区二区三区| 丝袜美腿亚洲| 久久中文字幕人妻熟av女蜜柚| 亚洲自拍一区夜夜操| 嗯嗯嗯啊啊啊在线免费观看| 国产成人无码网站在线视频| 高潮毛片无遮挡高清免费| 久久久久九九九九| 99夜夜操| 亚洲少妇视频| 亚洲第一男人天堂| 亚洲s色图| 久久综合久色欧美综合狠狠| 欧美72网页| 欧美三级一级| 超碰AV在线| 激情综合婷婷| 亚洲欧美成人在线| 黄aaaaaaaaaaaaaaaaaa色网站| 永久免费发布性爱网| 日本丝袜人妻内射| 777AV电影| 亚洲国产婷婷在线播放| 国产在线激情视频| 亚洲国产ⅴ高清在线观看| 人人做,人人操,人人摸| 在线播放成人高清免费视频| 一级二级在线观看| 91美女在线观看| 大肥女高潮bbwbbwhd视频| 97欧美| 免费操逼91| 国产精品一二三区18| 秋霞一级鲁丝片A片| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区老师黑人潮喷一 | 成人性爱美曰韩| 亚洲国产麻豆一区二区三区| 国产黄色av大片网站| 妺妺跟我一起洗澡没忍住| 亚洲天堂热| 91人妻爽爽人人做人人澡| 狠狠综合| 偷拍亚洲高清图片| 天天天天做夜夜夜夜做| 日本精品久久久久久久| 青草伊人久久| 色综91| 国内毛片热久久思思热| 国产精品 久久久精品一牛| 精品人体无圣光凹凸| 中文字幕123| 久久伊人大香蕉| 久久久久国产亚洲一区欧美色图日韩 | 操啊国产| 欧美强奸乱能| 九月丁香婷婷| 亚洲91网。| 超碰97亚洲区| 久久久999国产| 久久色网| 亚洲黄色a级片| 色五月综合| 老师充足的奶水小说| 国产精品色约约| 色香AV| www.99中文字幕| 亚洲中文字幕av| 婷婷激情一区二区三区俺也去| 无码人妻系列少妇| 九九九九热| 人妻日日干| 色999人与兽| 久久久久久裸体| 亚洲在线欧美| 日va操| 中文字幕55555| 97精品人妻一二三四| 国产无码三级视频在线观看| 国产 无码 一区二区| 亚洲欧美校园另类春色| 欧美影音在线| 日韩亚洲欧美中文字幕| Blackedraw视频一区二区| 啪啪视频mP4| 免费男人的天堂| 国产Av超碰| 免费一级欧美片片线观看| 亚洲欧美九九| 亚洲在线A| 亚洲国产欧美另类自拍| 久久熟女人| 综合熟妇一区二区三区| 一区不卡在线观看av| 校园春色亚洲色图| 中文字幕一区二区三区高清| 精品妇女一区二区三区| 清纯唯美综合亚洲| 91在线超高颜值国产| 色女女女导航| 五十路熟女,国产欧美精品区一区二区三区| av一区二区三区四区| 蜜桃视频精品一区二区| 欧美后入式| 青青操综合网| 青青草乱入乱欲视频在线观看| 国产精品片| 五月丁香婷婷综合| 午夜九九| 成人免费在线网站| 久久大陆| 100啪啪视频大全| 中文字幕一区 二 区 三 四 五 区日 日 骚 | 国产suv精品一区二区四区999| 天天舔日美女视频| 欧美系列在线一区二区| 91欧美另类| 亚洲性爱电影| 99re在线观看| 激情五月综合开心五月| 青青草视频爽一爽| 中文字幕欧美日韩三级| 亚洲欧美精品一区天堂久久 | 欧美熟爽综合| 伊人麻豆传媒| 中文字幕精品一区二区精品| 中文字幕激情小说| 狠狠色婷婷| 成人性交午夜免费片| 日韩一区二区精品视频| 中国特猛少妇色xxx| 九九热免费视频| 高清无码人妻久久久一区二区三区aⅴ| 18禁的网站在线| 不卡一区视频| 欧美丰满熟妇XXXX性ppX人交| 人妻 欧美亚洲| 性爱av在线免费观看| 成人草草视频| 成功精品影院| 91色综合| 性老妇一区二区三区| 顶级丝袜熟女一区二区三区| 日韩欧美蜜桃精品久久中文字幕久久 | 麻豆国产成人精品| 国产操偷| 久久精品操| 欧美亚洲综合色| 人成午夜免费大片| 日韩欧美中文字亚洲慕| 性一交一乱一交A片久久四色| 亚洲天堂加勒比| AND人妻系列| 黄色片一区二区三区四区五区| 欧美色图片91| 人人看欧美性爱| 在线观看啊啊啊啊啊| 超踫中文字幕| 91处女在线观看| 爱妻综合网| 99热综合| 日韩精品字幕| 久久久国产护士丝袜美腿一| 五月天色综合| 国产无码三级视频在线观看| 99xav| 丁香激情五月天| 五十路六十路素人熟女| 97超色| 亚洲人精品久久久喷水| 精品人体无圣光凹凸| 欧美se综合| 国产精品第二页| 淮穴色AV| 91快色色色色色| 97日韩| 亚洲国产中文字幕| 91无人区卡一卡二卡三乱码入口最新版:能让用户有更多选择的选择-经典说说-爱 | 五月天激情国产综合婷婷婷| 欧美真人抽搐一进一出gif| 美国三级日本三级久久99| 久久黄色网址| 色情乱伦AV| 久久精品国产精品一区| 国产情色第一第二页在线观看| 亚洲激情av| 日韩精品9999| 亚洲人妻一区二区三区| 老熟女乱子伦中文字幕一区二区 | 日韩久久.一级黄色片| 91色婷婷综合久久中文字幕二区| 精品国产国产AV| 乱精品一区字幕二区| 五月丁香拍拍激情综合三级| 欧美色综合网| 日韩精品人妻中文字有码在线| 小少妇| 五月婷婷丁香中文字幕| 亚洲97成人在线观看| 日本在线伊人啪啪| 91粉芽高清在线一区二区| 91性情| 最新9久久久9免费视频| 中文字幕91综合| 大屁股xxxxx| 日韩簧片免费看| 久久久久久久强迫| 男人综合网| 91欧美巨乳| 亚洲男人天堂2016| 精品久久99| 天天射,天天操,天天爽-国内精品一区二区三区-成人AV | 天天影视色香色欲| 综合色色婷婷| 国产操伦| 国产三级资源在线观看| 草草草视频在线免费看| 欧美美女视频| 91无码人妻精品一区二区三区蜜桃| 九九九九免费高| 中文字幕-区二区三区四区视频中国| 人人色97| 吻戏激情性巴克| 久久女人一区二区三区| 91爽啪| 天操天操夜操夜月操月年年操| 欧美三级免费伊人|