欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

Adapter+持續(xù)學習:惡意流量識別少樣本增量更新的新思路

Adapter+持續(xù)學習:惡意流量識別少樣本增量更新的新思路 打開你的安全運營后臺昨天剛上線的新攻擊檢測模型今天收到告警某個老威脅家族的檢出率從 93% 掉到了 71%。你以為是特征沒對齊排查了半天發(fā)現(xiàn)問題出在“模型更新”本身。這不是運維失誤而是深度學習模型在持續(xù)學習場景下的經(jīng)典問題——災難性遺忘Catastrophic Forgetting。在惡意流量識別領域這個矛盾尤其尖銳。新型攻擊源源不斷出現(xiàn)每類樣本又常常只有幾百條甚至幾十條安全團隊不可能等數(shù)據(jù)攢夠再做一次全量訓練。模型必須在小樣本條件下持續(xù)更新又不能忘了以前學過的攻擊形態(tài)。這篇文章聚焦一個正在被工業(yè)界驗證的組合思路用 Adapter 模塊把 Few-Shot Learning 和 Continual Learning 結合起來應用于惡意數(shù)據(jù)包識別。我的判斷很明確在安全場景下與其追求“一個全知全能的大模型”不如采用“一個穩(wěn)定骨干網(wǎng)絡 一組可插拔增量插件”的架構。后者在工程成本、更新速度和舊知識保留上都更適合真實的威脅檢測流程。讀完這篇文章你會理解 Adapter 為什么能解決少樣本持續(xù)學習中的關鍵痛點也會拿到一套可以跑通最小驗證的 PyTorch 實現(xiàn)包括 Adapter 路由、少樣本訓練循環(huán)和遺忘率評估方法。文章最后會補充工程落地踩坑經(jīng)驗和安全合規(guī)提醒建議看到最后。1. 惡意流量識別為什么會遇到“災難性遺忘”惡意數(shù)據(jù)包識別本質上是一個不斷迭代的分類問題。網(wǎng)絡攻擊不是靜態(tài)的攻擊者會不斷改變負載特征、調整 C2 通信協(xié)議、利用新漏洞發(fā)起變種攻擊。安全團隊每過一段時間就需要給模型補充新樣本、新增攻擊類別。傳統(tǒng)做法很直接把舊數(shù)據(jù)和新數(shù)據(jù)合并重新訓練一個模型然后灰度上線。聽上去沒有問題但真正落地會撞上三個硬約束。第一歷史數(shù)據(jù)未必拿得到。很多安全數(shù)據(jù)來自客戶側、托管設備或已下線的業(yè)務系統(tǒng)因為隱私合規(guī)、數(shù)據(jù)保留策略、存儲成本等原因舊數(shù)據(jù)并不能一直留存。沒有舊數(shù)據(jù)全量重訓就無從談起。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。簡單混合訓練模型會被大樣本類別主導新攻擊類別往往學不好如果強行加權又容易在少數(shù)類上過擬合。第三更新頻率要求高。威脅情報講究時效一個新家族出現(xiàn)后最好在幾小時到幾天內就完成模型更新。全量重訓需要大量算力和數(shù)據(jù)準備時間很難滿足這種節(jié)奏。于是很多團隊改用“在老模型基礎上繼續(xù)微調”的方式。但這里有一個非常隱蔽的坑直接對整個網(wǎng)絡做反向傳播用來擬合新任務的同時會把舊任務在神經(jīng)網(wǎng)絡權重里存儲的決策邊界一并破壞。這就是災難性遺忘的實質——模型不是“拒絕學習”而是“學新忘舊”。在持續(xù)學習研究中這個現(xiàn)象已經(jīng)有大量驗證。全量微調時靠近輸出層的特征會優(yōu)先被新任務改寫導致舊類別的特征空間中原本清晰的聚類被擠散。少樣本條件下這個問題更嚴重因為新數(shù)據(jù)太少無法提供足夠的梯度約束去維持舊知識的穩(wěn)定。所以惡意流量識別真正需要的不是一次性重訓的模型而是一種“增量可擴展”的模型結構。它可以只學習新任務對應的那部分參數(shù)同時把所有歷史任務對應的參數(shù)保持凍結。接下來要講的 Adapter正好屬于這條技術路線。2. Adapter、Few-Shot、Continual Learning 概念拆解在進入代碼之前先把三個基礎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 是什么在深度學習中Adapter 是一種插入在預訓練骨干網(wǎng)絡層之間的小型前饋模塊通常由一個降維線性層、一個激活函數(shù)和一個升維線性層組成。核心思路是骨干網(wǎng)絡的大部分參數(shù)保持凍結只訓練這些新增的小模塊就能完成下游任務適配。一個典型的 Adapter 結構是 Bottleneck 形式。假設骨干網(wǎng)絡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 維旁邊接一個殘差連接。這種做法最早在自然語言處理領域流行因為它的參數(shù)效率極高單個任務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者會把深度學習里的 Adapter 和“網(wǎng)絡適配器”混為一談。網(wǎng)上搜索“network adapter could not”或“qualcomm atheros ar956x wireless network adapter”出來的是網(wǎng)卡驅動錯誤和硬件排查方案那是 OSI 模型物理層的“網(wǎng)絡適配器”。而本文討論的 Adapter 是模型結構里的“適配模塊”兩者只是同名沒有任何關系。2.2 Few-Shot Learning 是什么少樣本學習解決的核心問題是每個類別只有非常少的標注樣本模型怎么才能學會區(qū)分它。惡意數(shù)據(jù)包識別天然符合少樣本設定。一個新型攻擊的樣本可能來自幾臺受害主機的流量抓取經(jīng)過清洗和標注之后真正能用的只有幾十條。在這種數(shù)據(jù)量下直接訓練一個深層網(wǎng)絡幾乎必然過擬合。少樣本學習通常有兩種思路。一種是從其他任務中學習先驗知識讓模型具備“從少量樣本快速適應”的能力即 meta-learning另一種是借助預訓練模型提取通用特征再在少量樣本上訓練輕量分類頭。Adapter 方案實際上走的是后一種路線而且比全量微調更克制、更安全。2.3 Continual Learning 是什么持續(xù)學習研究的是一個模型如何在不遺忘舊知識的前提下不斷學習新任務。當前持續(xù)學習的方法大致分三類基于回放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練新任務時重新“復習”。效果不錯但安全場景下保存原始流量數(shù)據(jù)有合規(guī)和隱私風險。正則化方法通過約束參數(shù)更新的方向來保護舊知識比如 EWC 等方法。它不需要額外存儲數(shù)據(jù)但在任務數(shù)量較多時約束會越來越復雜。參數(shù)隔離方法把不同任務分配給不同的參數(shù)子集。每個新任務只更新新分配的參數(shù)舊參數(shù)完全不動從機制上避免了遺忘。Adapter 天然屬于參數(shù)隔離路徑。每個任務對應一個 Adapter 插件新增任務時就新增一個插件舊插件不參與更新。這種設計非常符合指紋識別類任務的直覺不同攻擊家族的“判別特征”被編碼到不同的插件里互不干擾。持續(xù)學習這個方向本身已經(jīng)有系統(tǒng)的綜述研究例如《A Comprehensive Survey of Continual Learning: Theory, Method and Application》對理論、方法和應用做了詳細梳理。但從材料看將 Adapter 與少樣本機制結合并落到網(wǎng)絡安全流量識別場景的公開實踐仍然不多這也是本文重點討論該組合的原因。2.4 三種方案對比方案參數(shù)更新范圍是否存儲舊數(shù)據(jù)舊任務遺忘風險安全場景適用性全量微調全部參數(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)風險正則化約束全部參數(shù)不需要中中超參敏感Adapter 參數(shù)隔離僅當前任務 Adapter不需要低高這個表格背后的含義很清晰在惡意流量識別場景里Adapter 不是性能上唯一的方案而是工程約束最強的方案。它用參數(shù)隔離的方式把數(shù)據(jù)合規(guī)、舊知識保留和快速更新三個問題一起解決了。3. 為什么選擇 Adapter 作為少樣本持續(xù)學習的載體如果只談概念很容易把 Adapter 當成“一個效果更好的微調技巧”。但實際上它改變的是整個模型迭代方式和部署模型。3.1 和全量微調相比成本結構完全不同全量微調需要為每個新版本保存一份完整模型副本。一個特征提取骨干網(wǎng)絡如果有 1000 萬參數(shù)每更新一個攻擊家族就要存儲一套新的 1000 萬參數(shù)模型。而 Adapter 方案里骨干網(wǎng)絡只保存一份每次更新只需在模型目錄里新增一個幾萬參數(shù)的小文件。從工程角度看這相當于把“換模型”變成了“加插件”。讓我用一個具體的運維場景來解釋。假設生產(chǎn)環(huán)境里已經(jīng)運行著一個能識別 20 類已知攻擊的模型。突然出現(xiàn)了一個新的勒索軟件家族只有 50 條已標注流量樣本。傳統(tǒng)方案需要把完整模型拉下來、重新訓練、重新做回歸測試、再全量替換。Adapter 方案只需要在現(xiàn)有模型服務上注冊一個新的 Adapter 和分類頭然后單獨驗證這個小插件的精度風險范圍被限制在新增攻擊類別本身。3.2 和 Prompt Tuning 相比對輸入類型更友好另一類參數(shù)高效微調方法是 Prompt Tuning它通過在輸入側添加可學習的 prompt embedding 來引導模型。這在 NLP 任務中表現(xiàn)很好因為文本本身就是離散符號組成的序列。但惡意數(shù)據(jù)包識別并不總是“文本任務”。數(shù)據(jù)包經(jīng)過特征工程后更多是數(shù)值型特征、統(tǒng)計特征和協(xié)議字段的組合。你很難為這些數(shù)值特征設計一個語義明確的 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 和回放機制相比更適合安全數(shù)據(jù)合規(guī)要求回放式持續(xù)學習需要保存舊任務樣本以便在訓練新任務時重放。從技術上講它確實能有效緩解遺忘。但安全流量數(shù)據(jù)往往包含 IP 地址、域名、時間戳、用戶行為等信息即使經(jīng)過脫敏仍可能殘留敏感指紋。如果企業(yè)安全團隊受數(shù)據(jù)出境、用戶隱私保護或內部審計合規(guī)約束保留舊流量數(shù)據(jù)用于訓練本身就是一件需要嚴格審批的事情。Adapter 方案不依賴歷史數(shù)據(jù)它保留的是訓練好的參數(shù)插件。參數(shù)不是原始用戶數(shù)據(jù)在合規(guī)審查時更容易說明白也更容易做訪問控制。3.4 小結論Adapter 的核心價值不是“比全量微調精度高”而是把持續(xù)學習問題轉化成工程上的“配置管理問題”。模型更新不再需要觸碰骨干網(wǎng)絡和舊數(shù)據(jù)只需要新增一個小參數(shù)文件。這種方式在安全運營里更容易走通審計、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接下來看它如何組織成一個可運行的識別系統(tǒng)。4.1 整體流程一個基于 Adapter 的惡意數(shù)據(jù)包識別系統(tǒng)通常包含以下幾個環(huán)節(jié)原始數(shù)據(jù)包捕獲從鏡像端口或全流量采集設備獲取 pcap 包。特征工程解析數(shù)據(jù)包提取五元組、包長、協(xié)議類型、端口、TTL、方向、載荷長度分布等特征。骨干網(wǎng)絡編碼將特征向量送入預訓練或預訓練的骨干網(wǎng)絡得到通用表示。Adapter 路由根據(jù)當前任務 id選擇對應的 Adapter 對骨干表示做適配。分類頭輸出每個任務有自己的分類頭輸出該任務下的攻擊類別概率。聚合與決策如果流量命中多個任務的分類輸出由上層規(guī)則或置信度仲裁決定最終告警。這里的核心設計是“任務”的定義和“攻擊家族”或“批次數(shù)據(jù)”綁定。初始任務可以是一個包含常見惡意家族的多分類任務后續(xù)每當出現(xiàn)新的攻擊家族就注冊一個新任務并為它新增一個 Adapter。4.2 任務劃分與樣本組織先定義一個簡單但實用的任務組織方式Task 0包含基準攻擊類別樣本量相對充足用于訓練骨干網(wǎng)絡和第一個 Adapter。Task 1新增攻擊家族 A只有少量標注樣本例如每個類別 50 到 100 條。Task 2新增攻擊家族 B同樣少量樣本。以此類推。每個任務內再按照少樣本學習的慣例把樣本劃分為 support set支持集和 query set查詢集。支持集用于訓練當前任務的 Adapter 和分類頭查詢集用于驗證該任務的泛化能力。4.3 需要注意的數(shù)據(jù)問題少樣本訓練最怕三類數(shù)據(jù)問題類別不均衡、標簽噪聲和分布偏移。類別不均衡出現(xiàn)在新任務包含多個攻擊變體時。有的變體樣本多有的變體只有二三十條。這時候可以在損失函數(shù)里加入類別權重或者對少數(shù)類別進行簡單增強。標簽噪聲在安全場景里幾乎無法避免。一個疑似惡意樣本可能經(jīng)過多輪研判本身仍存在誤報可能。建議在構造訓練集時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際流量與訓練流量特征不一致。Adapter 方案可以緩解災難性遺忘但無法解決“測試分布完全偏離訓練分布”的問題。因此生產(chǎn)環(huán)境依然需要定期評估和迭代。5. 環(huán)境準備與基礎依賴本文的代碼示例采用 PyTorch 實現(xiàn)主要依賴如下。版本請以實際項目為準本文不寫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 也可運行但建議測試環(huán)境保持一致。Python3.9 或更高版本。PyTorch2.x 版本。NumPy用于特征矩陣轉換。scikit-learn用于分類頭評估和混淆矩陣??蛇xtqdm用于顯示訓練進度。項目文件結構可以參考如下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制代碼時不容易亂。安裝依賴時可以直接使用 pippip install torch numpy scikit-learn tqdm如果你的環(huán)境網(wǎng)絡受限需要配置內部鏡像源這屬于常規(guī)操作不在本文討論范圍內。6. 核心代碼實現(xiàn)Adapter 路由、少樣本訓練與評估為了讓代碼不只是一個空殼我會分三個文件實現(xiàn)Adapter 模塊與路由、少樣本持續(xù)學習訓練循環(huán)、評估與遺忘率計算。每個文件都是完整可運行的模塊你可以組合起來跑一個最小實驗。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): 每個任務對應一個獨立的 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 TaskAdapter并根據(jù) task_id 選擇激活哪一個。 訓練時只更新當前任務對應的 Adapter骨干網(wǎng)絡保持凍結。 新增任務時調用 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: 增量注冊一個新的 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代碼說明TaskAdapter就是經(jīng)典 Bottleneck 結構輸入輸出維度都一樣所以可以用殘差連接直接相加。AdapterRouter是一個容器負責管理所有任務的 Adapter。它不需要復雜邏輯核心就是根據(jù)task_id找到對應模塊。add_adapter()是持續(xù)學習的關鍵入口。當出現(xiàn)新攻擊家族時調用它注冊新的 Adapter所有舊 Adapter 參數(shù)不動。這段代碼里的核心思想是“參數(shù)隔離”。新任務計算圖只經(jīng)過當前 Adapter舊 Adapter 的權重不會收到任何梯度因此從機制上杜絕了舊任務被覆蓋的可能。6.2 骨干網(wǎng)絡與分類頭骨干網(wǎng)絡可以是任意特征提取器。為了演示我用一個簡單的 MLP 加 TransformerEncoder 層充當特征骨干。實際項目里可以根據(jù)特征類型替換為 CNN、RNN 或更復雜的網(wǎng)絡但注意要保持 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): 簡單的數(shù)據(jù)包特征骨干網(wǎng)絡。 說明這里只用于演示 Adapter 的接入方式實際項目可替換為更復雜的網(wǎng)絡。 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向量分類頭就很簡單了每個任務一個線性層即可# 文件路徑src/model/classifier.py import torch.nn as nn class TaskClassifier(nn.Module): 每個任務對應的分類頭輸入特征維度相同輸出類別數(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)絡在整個持續(xù)學習過程中保持凍結。你可以預先在 Task 0 上把它訓練好也可以使用開源的預訓練特征提取器。核心原則是骨干網(wǎng)絡提供“通用特征”Adapter 和分類頭負責“任務定制”。6.3 少樣本持續(xù)學習訓練循環(huán)下面是一個訓練新任務 Adapter 的完整函數(shù)。它接收一個骨干網(wǎng)絡、AdapterRouter、當前任務分類頭、支持集 DataLoader 和 task_id只更新當前任務 Adapter 和當前分類頭的參數(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)上訓練一個新任務對應的 Adapter 和分類頭。 骨干網(wǎng)絡和舊 Adapter 全程不更新。 # 凍結骨干網(wǎng)絡 backbone.to(device) backbone.eval() for param in backbone.parameters(): param.requires_grad False # 只優(yōu)化當前任務的 Adapter 和當前分類頭 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) # 關鍵只激活當前任務對應的 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})這段代碼有幾個地方值得注意。第一骨干網(wǎng)絡的前向過程用torch.no_grad()包裹因為它的參數(shù)已經(jīng)凍結不需要求梯度。這樣可以節(jié)省顯存和計算時間。第二router(features, task_id)只選擇當前任務的 Adapter。舊 Adapter 即使加入了計算圖因為沒有參與參數(shù)也不會被更新。第三分類頭是每個任務獨立的新線性層。它負責把 Adapter 輸出的特征映射到當前任務的類別空間中。6.4 評估與遺忘率計算持續(xù)學習評估不能只看新任務準確率還必須關注舊任務的表現(xiàn)。下面這個評估函數(shù)會遍歷所有已知任務分別計算準確率并提供一個簡單的遺忘率計算函數(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: 分別評估所有歷史任務和新任務的準確率。 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 歷史任務最佳準確率 - 當前準確率 的平均值。 數(shù)值越低說明模型保持舊知識的能力越強。 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)學習領域的通用做法在學完新任務之后重新測試每個舊任務計算當前準確率相對歷史最佳準確率的平均下降幅度。如果遺忘率為 0說明舊任務知識完全沒有受損。7. 運行驗證與結果解讀有了上面的三個模塊可以構造一個最小 toy 數(shù)據(jù)集來驗證鏈路是否跑通。7.1 構造 toy 數(shù)據(jù)為了快速驗證我用隨機特征模擬數(shù)據(jù)包特征向量。假設特征維度為 64Task 0 有 3 個類別Task 1 有 2 個新類別。# 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每個類別 20 條模擬初始任務 task0_train make_toy_task(num_classes3, samples_per_class20, seed0) task0_test make_toy_task(num_classes3, samples_per_class30, seed1) # Task 1每個新類別只有 10 條模擬少樣本場景 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。真實惡意數(shù)據(jù)包識別中特征向量不應是隨機高斯分布而應當來自 pcap 解析后的真實特征。為了突出 Adapter 機制本身toy 數(shù)據(jù)允許我們快速驗證代碼正確性。7.2 運行主流程接下來按下面順序執(zhí)行訓練和評估# 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 # 構造 toy 數(shù)據(jù)這里簡化調用實際請運行 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、Adapter 路由和 Task0 分類頭 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 的歷史最佳準確率 history_best evaluate_all_tasks( backbone, router, classifiers, task_loaders{0: loader0_test}, devicedevice, ) # 新增 Task 1注冊新 Adapter 和新分類頭 task_id router.add_adapter(hidden_sizehidden_size) classifiers[task_id] TaskClassifier(feature_dimhidden_size, num_classes2) # 訓練 Task 1少樣本 train_new_task( backbone, router, classifiers[task_id], task_idtask_id, support_loaderloader1_train, epochs30, lr3e-4, devicedevice, ) # 評估所有任務并計算遺忘率 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 預期輸出與判斷標準如果鏈路正常你會看到類似這樣的輸出[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。第一Task 1 的準確率要明顯高于隨機猜測。由于 toy 數(shù)據(jù)本身比較好分訓練完成后準確率通常會超過 85%。如果 Task 1 準確率偏低多半是學習率過大、epoch 不足或者分類頭與 Adapter 沒有被正確加入優(yōu)化器。第二Task 0 的遺忘率要盡量低。如果遺忘率超過 5%說明哪里出了問題最可能的原因是骨干網(wǎng)絡沒有被正確凍結或者舊 Adapter 被意外加入到了優(yōu)化器參數(shù)列表中。如果運行報錯先按下面順序排查確認當前工作目錄包含src目錄確認導入路徑正確檢查 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)被誤設為可訓練。8. 常見問題與排查思路問題現(xiàn)象可能原因排查方式解決方案Task 1 新類別準確率很低少樣本過擬合查看訓練 loss 是否持續(xù)下降降低學習率、增加 epoch 或引入數(shù)據(jù)增強舊任務遺忘率明顯升高骨干網(wǎng)絡或舊 Adapter 被更新檢查優(yōu)化器參數(shù)列表中是否包含舊參數(shù)凍結骨干網(wǎng)絡只把當前任務 Adapter 和分類頭加入優(yōu)化器模型在真實流量上效果遠差于測試集訓練特征分布和真實流量不一致對比訓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任務后 Adapter 文件越來越多任務數(shù)量增長導致參數(shù)文件膨脹檢查模型目錄文件結構按任務編號歸檔配合模型注冊中心做版本管理訓練時顯存不足骨干網(wǎng)絡前向保留梯度檢查是否使用了 no_grad 凍結部分對凍結骨干的前向過程包一層 torch.no_grad()分類頭與 Adapter 維度不匹配task_id 路由錯誤或 hidden_size 設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)在真實項目中遇到最多的問題不是模型不收斂而是“訓練流程寫得不干凈”。凍結參數(shù)沒做好導致舊任務被污染或者特征提取和模型訓練之間的數(shù)據(jù)劃分不一致導致線下驗證失真。9. 工程化最佳實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節(jié)下面逐條展開。9.1 凍結策略要寫進配置而不是寫在注釋里建議把“哪些參數(shù)可訓練”做成顯式配置。例如用 YAML 或 JSON 記錄骨干網(wǎng)絡層名、Adapter 名稱、分類頭名稱。每次訓練前先打印當前任務的參數(shù)數(shù)量和上次訓練對比確保沒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這樣做的價值在于團隊協(xié)作時不同同學可以通過配置復現(xiàn)同一個實驗而不是靠口頭溝通“記得凍結骨干”。9.2 新增任務需要獨立驗證每次新增攻擊家族不要直接覆蓋線上模型。先把新任務 Adapter 注冊到一個影子環(huán)境中用離線回放數(shù)據(jù)驗證新任務準確率和全任務遺忘率。只有當兩個指標都滿足要求時再通過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)包識別涉及真實網(wǎng)絡流量任何訓練工作都必須確保數(shù)據(jù)來源合法、處理流程合規(guī)。不要在未經(jīng)授權的環(huán)境中抓取流量不要留存與任務無關的載荷內容。建議在特征工程階段就進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 Adapter 建議使用統(tǒng)一的命名規(guī)范例如adapter_task{task_id}_family_{family_name}.bin同時配套一個元數(shù)據(jù) JSON記錄訓練樣本量、標簽分布、特征版本、訓練時間、訓練腳本 commit 號。這看起來是額外工作量但在排查線上問題和復現(xiàn)歷史模型時價值非常大。9.5 監(jiān)控指標不能只看整體準確率在生產(chǎn)環(huán)境建議監(jiān)控以下指標各任務單獨的新樣本召回率而不是混合平均準確率。每個 Adapter 被命中的次數(shù)和置信度分布。關鍵告警類別的誤報率變化。遺忘率在定期回歸測試中的趨勢。如果發(fā)現(xiàn)某個舊任務在持續(xù)學習多次后出現(xiàn)緩慢的準確率下降大概率不是災難性遺忘而是真實流量分布發(fā)生變化需要重新審視特征工程或考慮升級骨干網(wǎng)絡。10. 總結與后續(xù)學習方向本文圍繞基于 Adapter 的少樣本持續(xù)學習在惡意數(shù)據(jù)包識別中的應用拆解了三個關鍵問題為什么要解決災難性遺忘、Adapter 為什么適合安全場景、如何用代碼實現(xiàn)一個最小可運行的持續(xù)學習鏈路。核心收獲可以歸結為一句話在惡意流量識別這類數(shù)據(jù)稀缺、更新頻繁、合規(guī)約束強的場景里Adapter 參數(shù)隔離方案提供了低成本、可回滾、易審計的模型迭代路徑。它的優(yōu)勢不是單點精度更高而是把“模型更新”變成了“模塊裝配”讓舊知識和新知識以更可控的方式共存。如果你打算在真實項目里落地建議下一步從三個方向繼續(xù)完善。第一使用真實流量特征替換 toy 數(shù)據(jù)??梢韵扔霉_數(shù)據(jù)集建立特征抽取流程再驗證 Adapter 機制在真實特征空間下的效果。第二嘗試把決策層從“每個任務獨立分類頭”升級為“統(tǒng)一分類空間”這樣面對一個包含新舊類別的混合流量時可以一步給出結果而不需要按任務逐一判斷。第三研究自動化的 Adapter 調度策略例如當新樣本到來時通過特征相似度判斷是復用已有 Adapter還是新建一個 Adapter這能減少插件數(shù)量膨脹帶來的管理成本。持續(xù)學習是一個快速發(fā)展的方向理論綜述已經(jīng)很多但真正落到安全運營場景的工程實踐還遠沒有飽和。從一個小而穩(wěn)的 Adapter 模塊開始逐步把增量學習能力引入安全檢測鏈路是一條值得長期投入的技術路線。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
丁香五月婷婷成人网| 六月丁香激情网| 影视av久久久噜噜噜噜噜三级| 五月丁香好婷婷A片网| 深夜男女福利刺激影院一区完整| 国产亚洲精品AAAA片APP| 色噜噜在线| 丁香六月综合| 日本99久久| 色婷婷呢狠禁久禁| 欧美婷婷精品激情| 六月99天天婷婷激情综合| 国产无套精品一区二区| 丁香婷婷中文字幕| 91久久1118| AV大香蕉| 日狠狠| 五月香蕉婷婷| 少妇人妻偷人精品无码视频新浪| 五月人妻婷婷视频| 精品国产va久久久久| 免费无码毛片一区二区A片| 天天撸天天干天天插| 超碰国产av| 五月丁香六月激情在线| 亚洲精品激情| 五月丁香六月婷婷综合在线| 91人人妻人人操人人爽| 99热97| 亚州日本欧州韩美高青高潮一| 爱穴久久| 色五月婷婷久久| 狠狠操狠狠狠| 99热婷婷| 婷婷五月天久| 人人操AV| 六月婷婷av| 热久久成人| 丁香五月熟女| 婷婷夜夜操| 91seav| 精品无码久久久久久久久| 婷婷六月啪啪| 欧美美女国产日韩一区二区久| 婷婷日本在线| 五月天婷婷综合网| 丁香在线视频| 色九月激情综合网| 综合久| 激情综合色五月丁香| 婷婷五月,偷窥偷拍网| 激情五月天在线观看婷婷| 91九色最新视频| 丁香五月先锋| 伊人五月丁香| 天堂爱爱| 青青草tp| 99在线播放| 五月激情综合网| 思思热久热| 热99国产精品| 91色吧网| 91人人妻人人操人人爽| 丁香激情网| 六月天婷婷| 天天色综合色色色色色。| 色99婷婷五月天| 色激情五月天| 99在线精品观看99| 五月色综合| 六月婷婷综合| 97精品自拍视频| 大香蕉综合网| www.日本91| 激情播丁香| 久激情| 国产一区二区av免费| 久99在线视频| www.com五月天| www。狠狠干。com| 午夜免费试看| 99热最新精品| 九九热99在线视频| 亚洲午夜国产成人电影VA国产欧…| 草草视频91| 99操逼| 久这里只有精品| 丁香九月综合激情| 激情图片99| 91九色超碰| 亚洲这里只有精品| 人妻九九九九| 丁香五月天色婷婷| 99热无码首页| 色女伊人| 婷婷色成人| 欧美激情丁香五月天久久婷婷一区| 一本久道综合99| 综合九色| 第四色色六月色综合| 精品一二三区久久AAA片| 超碰在线看| 综合在线色婷婷| 狠狠五月天婷婷激情网。| 《诡秘之主》在线观看| 日韩色色色色色| 久久婷婷丁香| 丁香六月婷婷久久高清| 麻豆雪千夏| 亚洲成人精品三区| 超碰在线资源| 日本在线观看aaa 99| 亚洲亚洲人成综合网络| 国产精产国品一二三在观看| 久久在线视频免费观看| BBWCUCKOLD精品熟妇| 激情五月六月婷婷| 99久久这里只有精品| 99热精品观看| 99ri精品视频在线观看| 久久久中文| 激情爱爱网站超大免费| 99热99极品观看| 深爱五月激情五月| 欧美在线视频免费播放| 久久多色| 久久丁香| 啪啪91| 天天干天天做| 99噜噜噜在线播放| 久久97久久99久久综合欧美| 日本综合99| 人妻内射一区二区在线视频| 色婷插| 婷婷五月花.97| 国产毛片精品一区二区色欲黄A片| 九九热最新| 99爱视频在线| 麻豆AV一区二区三区| 丁香激情五月| 9精品久久999| 色欲色香,www,com| 91色干| 偷拍九九五月丁香婷婷| 午夜成人天堂久久无码日韩久久| 亚洲色婷婷| 亚洲小视频免费播放| 久久九九综合| 亚洲开心激情网| 五月丁香婷婷AV天堂| 这里只有精品视频在线观看免费| 99re这里有精品手机在线| 亚洲国产成人裸舞| 婷婷狠狠干| 99久视频| 成人片在线播放| 亚洲天天操| 99热这里只有精品青草| 日韩中文字幕| 综合久久8| www.99精品视频| 99精品视频偷拍| 综合亚洲六月婷婷在线| 亚洲十月婷婷综合| 狠狠干五月天| 91碰碰碰| 性欧美大战久久久久久久83| 香蕉中文在线| 丁香五月婷婷欧美性爱| 伊人丁香五月婷婷潮吹| 色综合网址| 玖热精品综合视频| renre人人操国产超碰在线| 天天日,夜夜爽| 丁香九月婷婷色| 色五月在线观看| 日91高清无玛| 久99| a毛片二逼wwwwwwwwww| 91日综合欧美| 99re这里只有精品9| 插插干干干色| 激情综合网五月| 男女99免费视频| 无码人妻精品一区二区蜜桃色欲| 91窝窝| 玖玖在线| 91操操操| 青青草轻轻操| 五月开心播播网| 婷婷五月六月丁香| 99er这里只有精品| 五月丁香六月合| 天天骑天天操| 日韩无码专区| 丁香五月婷婷影院| 欧美狠狠草| 久久成人天| 丁香婷婷色五月激情综合| 亚洲欧美婷婷五月色综合| 性做爰1一7伦| 大香线蕉伊人| 丁香五月天天日| 五月天婷婷视频| 激情九月婷婷| 丁香婷婷六月| 久久这里只有国产| 欧州色色| 99综合视频一体| 国产人人操| www.色色五月天.com| 久久6这里只有精品| 久热网在线视频| 色~性~乱~伦~噜| 亚洲三级无码| 99日本黄站| 开心五月色婷| 久久激情五月婷婷| 在线成人av播放| 99噜噜噜在线播放| 99九九视频| 丁香五月婷婷五月| 天天干,天天操,天天射| 月月AV| 五月丁香六月在线| 婷婷欠久少妇| 日本色频| 影音先锋91| 在线99热| 久碰婷婷视频| 99色最新在线视频网站| 色色五月丁香| 婷婷久久综| 涩涩网五月天| 99色视频| 亚洲黄色精品| 天天干天天干天天操| 99久久9| 婷婷丁香五月激情密臀av| 五月婷高清视频| 91.com男女操| 操比激情五月| www.日日夜夜| 久久天天| 婷婷五月中文字幕| 欧美丁香五月天| 丁香花五月天激情| 久热精品在看| 桔色成人在线| av网址在线播放| 91丨九色丨熟女高潮| 这里只有精品免费| 婷婷综合九色伊人| www.伊人天堂偷偷婷婷| 深爱激情五月天| 亚洲婷婷丁香五月| 狠狠操狠狠干综合| 超碰在线免费观看日韩| 少妇日麻屄| 六月婷久久| Www.Av网9| 亚洲舔观看| 99综合一区| 日本成人内射| 天天成人丁香美女AV| 天天干,天天日| 激情五月天的婷婷| 五月婷婷综合视频| 激情久久月| 婷婷丁香五月欧美人| 这里只有精品久久| 欧美色图45678| 激情九九六月激情免费视频| 激情丁香久久| 无码任你操| 国产精产国品一二三在观看| 天天做天天爱天天爽在| 国产亚洲99久久精品| 中文字幕视频在线播放| 超碰色综合| 九九九九中文字幕| 91精品综合久久久久久五月丁香 | 精品久久人妻| 日本人妻A片成人免费看片| 五月丁香在线观看| 人妻五月天激情开心网| 五月天开心激情综合网| 丁香五月婷婷亚洲天堂| 亚洲色色香蕉| 久久久噜噜噜操操操| 开心日韩丁香婷婷五月| 日韩av一区二区在线/日产精品久久久 | 免费看欧美成人A片无码| 精品久久99码| 26uuu精品国产| 9色在线视频| 无码动漫av| 伊人久久大香天蕉亚洲特级| www夜夜操| 夜夜AVV| 欧美一级操逼视频| www.99免费视频| 啪啪小说五月天| 色欲AVV| 99热这里只有精品在线播放| 月丁香久久久| 国产精品爽爽久久久久久| 久久婷婷综合拍| 日韩五月丁香| 中文字幕五月久久婷| 人妻内射视频| 99九九热视频| 久久99精品视频| 五月婷亚洲精品AV天堂| 色五月天综合网| 亚洲成人一区| 五月婷婷无码| 艾小青av| 97色五月丁香婷婷| 51国精产品自偷自偷综合| 国产免费一区二区三州老师F1F1……| 欧美性色视频| 久久综合激情| 国产亚洲精品AAAAAAA片| 日韩抽插操逼| 五月婷婷很很色| 色五月亚洲开心网| 九九中文字幕九| 色5月丁香婷婷| 991国产精选视频在线播放下载| 综合视频久久| 丁香五月天激情网址| 婷婷综合五月| 六月狠狠综合| 欧美操逼天堂| 五月丁香激情啪啪| xx综合网| 性爱五月婷| 色五婷婷在线视频| 午夜大香蕉| 91久久婷婷| 亚洲成人电影aaaa| 日笨久久网| www.99热精品| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 中文字幕,综合,91| 色五月综合激情| 丁香久久| 亚洲丁香花五月丁香花| 久色大| 天天久久狠狠色综合| 婷婷久久久久久久| 97操资源婷婷| 丁香六月狠狠干| 婷婷丁香人妻天久久| 国产古装妇女野外A片| 婷婷五月深深爱| 99超碰在线免费| 久99久视频| 狠狠干天天内射| 人妻丰满精品一区二区A片| 欧美色六月婷婷| 31色区视频免费看| 99在线精品免费视频| 噜色精品| 色噜久| 思思热在线播放| 欧洲日韩一区二区三区| 91se在线观看| 久热这里| 色婷婷五月天成人网| 777久久综合视频 | 一本色道久久综合狠狠躁一二三| 六月婷婷av| 99在线观看这里都是精品| 在线播放 精品| 久热黄色| www.lingjunshare.com| caop在线视频| 九久九精品| 天天综合网站| 六月香五月婷| 激情婷婷在线中文字幕| 97精品人人A片免费看| 五月亭亭狠狠| 激情综合网五月天天| 九九视频在线观看视频在线播放69| 伊人激情综合网| 高清无码一区二区三区四区| 99在线免费视频| 中文幕无线码中文字蜜桃| 99精品在这里| 日本丁香五月婷婷| 色婷婷偷拍| 99色综合| 91.com男女操| 亚洲色A| 色一区高清| aaa9区免费在线观看| 五月激情小说| 婷婷导航| 五月丁香色婷婷| 五月丁香六月婷婷综合网| 秋霞日本免费毛片A片| 中文字幕乱码亚洲精品一区| 色播五月丁香| 96丁香六月婷婷蜜桃综合久久| 丁香五月婷婷色综合基地| 久久九九玖玖| 青青999| 久久久99精品免费观看| 亚洲综合在线视频| 岛国av网站| 丁香六月天婷婷色| 综合亚洲六月婷婷在线| 久久大香蕉视频| 任你躁XXXXX麻豆精品| 超碰成人电影| 这里只有精品视频在线| 深爱五月婷| 99热这里有精品6| 久久3p| YW无码| 中文字幕日产A片在线看| 丁香六月色婷婷| 亚洲天天| 婷婷五月深深爱| 怡红院99| 狠狠艹狠狠艹| 丁香五月天堂| 性欧美日本| 色五月婷婷影视| 国产精品色情AAAAA片软件| 久久伊人婷婷| 亚洲无码99| 丁香五月综合网亚洲综合欧美狠狠 | 91偷拍视频| 无码区婷婷五月花开| 亭亭五月激情亚洲在线| renre人人操国产超碰在线| 欧美在线视频99| 六月色播| 97在线刺激| 久久大香免费| 久久免费试看120秒| 99热午夜精品| 9视频在线成人网站| 欧美激情五月天| 色中色综合| 99久在线观看| 在线观看av网站| 日婷婷久久开心| 婷婷五月深深爱| 五月天四色房丁香| 丁香六月高清视频| 午夜青草资源| 亚洲色婷婷网站| 亚洲精99| 高清无码 一区 二区 三区| 婷婷五月天成人五月天| 女性自慰系列第五页| 日本三级韩三级99久久| 亚洲色综合| 97资源欧美日韩大香蕉超碰一区| 色v综合网| 狼人婷婷久久| 五月天激情影院| 五月激情综合网| 色色五月天网站| 五月丁香自拍| 婷婷的99视频网站| 丁香五月婷婷狠狠色| 国产韩日亚洲美州欧亚综合在线| 夜夜夜天天操| 26uuu色噜噜精品一区| 激情五月天噢美| ri电影在线| 丁香婷婷五月天色综合| 一根材五月婷成人| 国产热精品| 丁香五月综合亚洲| 人人爱国产| 激情丁香五月天图片| 丁香六月婷婷激情| 五月天亚洲综合网| 日韩 中文 欧美| 色五月欧美| 日韩精品一区二区亚洲AV观看| 伊人网啪啪| 激情久久久久久久久久久| 69色婷婷| 色婷婷视频| www色五月| 天天日天天色| 色五月激情五月| 久久se 综合网| 草草色情综合网| 男同色五月开心五月激情五月| 丁香五月激情五月色综合| 九九99视频精品| 91xxxx九色| 国产亚洲网站在线| 91一起操| \\五月天婷婷激情| 天天色天天色天天色天天色天天色| 亚洲丁香五月| 五月天天综合| 丁香六月情| 亚洲综合九九| 色狠狠婷婷| 日本久碰| 婷婷综合色图| 国产视频久色| 性日本精品| 人人色婷婷| 在线成人网站| 99热精品免费| 色欲AVV| 丁香五月婷婷99| 九色自拍| 美女要搞搞天天搞搞搞网站| 思思热久热| 中文字幕精品在线观看| 看片视频在线免费日产在线看| 91人久| 99热观看| 久久久18| 丁香五月av在线| 丁香综合婷婷五月天| 九九操操| 天天揷综合网| 欧美日韩成人高清在线| 996er在线观看| 开心色播色五月婷婷| 曰日爽日日操| 草草视频91| 野战J办公桌椅H| 一区二区三区四区牛| 99久热在线精品| 五月丁香六月婷婷中文版| 九九机热| 国产成人网站在线观看| 激情五月婷婷视频| 激情99| 天堂爱爱| 日本天天操| 久热99| 欧美情色一区| 成人 在线 日韩| 亚洲视频丁香网va| 精品久久这里热66| 香蕉久久av一区二区三区| 另类图片五月天婷婷| 九九超碰人人| 日本www五月婷婷| 五月天综合视频| 激情深爱五月天| 91热在线观看视频| 草草视频91| 丁香六月婷婷综合在线| 操碰97| 中文不卡av| 狠狠干综合| 激情五月天www| 97人人操人人干| 99色嘟嘟精品网站| 亚洲激情网| 色色色色网色色网色色| 日本天天色| 午夜九九九九九九| 99色看这里只有精品| 亚洲色五月| 成人中文网| 五月丁香六月色| 精品久久久久久久久久久久人妻| 97福利视频| 人人操超碰| 国产激情久久久| 国产午夜精品久久久观看| 日日日日日| 久热精品在看| 99秘 在线| 狠狠色色| 激情av网| 很很操很很操| 99久久久久| 丁香五月婷婷激情中文| 青草视频在线蜜臀| 伊人久久艹| 成人免费视频一区| 亚洲婷婷丁香五月视频| 超碰在线免费| 久久综合五月婷婷| 热99久久这里只有精品| 婷婷五月在线观看| 99黄色在线视频精品熟女| 五月天色婷婷基地| 婷婷五月天网| 色七七九九| 丁香六月天之亚州热女| 无码免费人妻A片AAA毛片西瓜| 中文字幕日韩成人| 亚洲激情.com| 操人妻90p| 亚洲va久久久噜噜噜久久天堂| 五月丁香婷婷综合视频| www99热| 亚洲精品又粗又大又爽A片| 国产精品久久久丁香五月八戒视频| 激情五月天色色色| 五月婷婷啪啪| 亚洲 在线 性爱 | 天天在线久久综合 | 婷婷涩涩网| 色色色欧美| 久久一品区| 性99网站| 婷婷99视频全集高清| 五月婷网| 久久午夜理论| 中文字幕成| 免费看欧美成人A片无码| 激情亚洲网| 狠狠色综合网| 91色性感五月婷婷丁香| 婷婷激情五月| 欧美综合婷婷网| 色停停影院五月天| 五月丁香色六月激情干大屄| 成片免费观看大全| 婷婷深爱色五月| 日本欧美国产| 97在线/亚洲| 可以免费看的av网站| 久久99网| 思思热99在线| 午夜成人天堂久久无码日韩久久| 丁香97综合| 日日夜夜狠狠干| 丁香五月天久久| 天天干天天日天天插 | 六月激情久久| 91九色PORNY中文啦| 亚洲天堂婷婷丁香| 国产毛片精品一区二区色欲黄A片| 色婷婷婷婷五月天| 欧美激情xxxXX| 生活片五区| 万月丁香狠狠爱| 99综合免费视频| www.婷婷五月天| 五月婷色丁香| 狠狠大香婷婷爱| 少妇搡BBBB搡BBB搡毛茸茸| 丁香五月骚喷水视频| 少妇真实被内射视频三四区| 五月婷婷久久激情| 亚洲成人在线播放| 久久婷色| 性爱五月婷婷| 日本美女五月天| 久久综合色五月| 五月婷婷丁香五月 | 99热这里只有精品4| 九日日夜夜69| 五月天网站亭亭| 日本黄色精品| 五月丁香六月激情综合| 婷婷视频网| 日本狠狠色| 人人爱天天摸摸天天爱| 大香蕉在九| 99re在线这里只有精品视频首页| 久艹久| 999热这里只有精品| 婷婷大乡焦噜噜| 一区二区三区视频| 丁香六月天婷婷在线| 影音先锋女人AA鲁色资源| 久久草婷婷丁香网站| 91九色PORNY肉丝在线| 五月丁香六月婷婷无码| 99色.com| 五月婷婷色色色| 色激情综合狠狠婷婷| 国产成人精品一区二三区熟女在线| 2025天天爽天天摸| 丁香五月综合激情久久潮喷| 成人免费高清在线播放| 婷婷五月小说色综合| 综合网色| WWW.99热| www.91在线观看| 婷婷天天日婷婷| 情情五月天色| 久久99jiu9| 99自拍视频网站| 热无码A∨| 操97在线观看| 四月婷婷五月丁香| 激情五月天在线观看婷婷| 国产黄色在线观看| 夜夜爱网站| 综合色99| 大地9中文在线观看免费高清| 99热这里只有精品 搜| 天堂综合久| 激情五月久久| 欧美草久久五月天91| 色私五月婷婷| 99热官网| 激情五月天婷婷丁香| 色播丁香| www,婷婷,com| 香蕉狠狠爱视频| 六月婷五月丁香| 国产婷婷五月| 大香蕉综合| 天天色综网| 亚洲av网站| 7EzOBIhNq85TO| 夜夜久久综合网| 思思99精品视频| 一区二区传媒视频| 亚洲精品成人| 久久99性爱| 久久狠狠欧美| 狠狠色婷婷色| 91色婷婷综合久久中文字幕二区| 啄木鸟丝袜美女福利视频| 亚洲五月婷婷| 另类婷婷五月天啪帕帕| 五月天婷婷色| 五月婷婷丁香社区| 亭亭丁香aV| 男人天堂 久久| 五月婷婷色| 夜夜谢天天干| 婷婷深爱五月亚洲综合| 亚洲视频二区| 丁香婷婷影院| 婷婷五月天成人网| 亚洲人妻电影| ss99热| 丁香五月激情棕合| 曰韩五月丁香色婷婷无码| 婷婷五月综合久久中文字幕| 一本伊人色婷| 五月天激情综合首页| 亚洲激情Av| 操91| 9999三级片| 五月天玖玖狠狠色色| 丁香五月久久| 超碰9在| 亚洲精品又粗又大又爽A片 | www.99婷婷| 丁香五月停停av| 丁香五月天在线观看视频| 国产第99页| 狠狠精品干练久久久无码中文字幕| 久久婷五月综合| A久网| 26uuu欧美日韩| 国产操肏网站| ZpRSw| 亚洲中文字幕在线观看| 欧美日本国产欧美日本韩国99 | 99这里有精品久久97| 日韩天堂久久| 97久久久久久久久久久| 深爱激情综合| 99ri视频在线播放| 99成人精品视频| 丁香色播五月天| 91九色丨国产丨爆乳| 激情五月天第四色| 日B日潘金莲BB| 久久综合婷婷| 婷婷视频网| 少妇搡BBBB搡BBB搡毛茸茸 | 丁香五月天的网址。| 久久综合网免费视频| 丁香九月婷婷综合| 91人人操人人看| 五月天婷婷色综合| 99在线精品免费视频| 99热这里都是精品| 激情丁香六月| 日日操夜夜爽| 自拍盗摄 另类| 深爱激情久久| 久久狠狠色| www色婷婷久久综合久色 | 99热资源在线| 无码色色色| 色色 9| 9999热这里只有精品| 天天日狠狠| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 中文不卡一二区| 丁香五月天色| 九九热这里只有精品23| 五月丁香福利| 日韩AV在线免费观看| 九月丁香欧美综合| 日本三日本三级少妇三级66| 99热在线观看成人| 欧美色图片88| 丰满少妇猛烈A片免费看观看| 激情五月天婷婷五月天| 国产激情AV| 亚洲午夜视频| 91色逼| 99网99热| nvrentiantang av| 96丁香六月婷婷蜜桃综合久久| 色狠狠色综合| 五月激情天天干| 丁香六月婷婷综合啪啪| 色偷偷狠狠| 亚州性爱99| 操射国产日本| 婷婷五月天六点丁香五月| 99只有这里是精品| 丁香五月天啪啪激情综和网| 五月丁香五月天现场视频| 久久机热这里只有| 天天日夜夜操五月| 俺去也在线www色官网| www.热99热| 天堂AV在线看| 五月丁香六月婷婷的女人| 5月婷婷性视频| 婷婷日日天天| AAA亚洲AV| 婷婷丁香五月高清| 色五月天在线观看| 五月婷婷导航| 色久女| 九色视频91| 99热成人精品| 色综合色欲综合天天免费| 亚洲激情视频网| VA婷婷亚洲| 五月婷婷丁香在线| 国产精品美女| 国产综合色婷婷精品久久| 成人av免费观看| 五月天激情国产综合婷婷婷| www99热| 97夫妻超碰| 丁香五月停停av| 色色色9 9 9| 毛片新网地| 欧美色图45678| 99热精品10| 久久精品小视频| 丁香六月婷婷一区二区三区| 五月天亚洲色| 成人国产综合| 色婷五月| 久久综合九色综合97婷婷| 色婷婷在线视频观看| 丁香五月激情月| 日韩综合久久| 婷婷五月天最新综合你懂的 | 免费黄色视频网址| 噜噜噜狠狠色综合| 色婷婷五月天| 久cao香蕉影院| 亚洲在线成人| 99自拍视频在线观看| 欧美综合婷婷欧美综| 激情五月婷婷网在线观看| 99热99这里有免费的精品| 色爱亚洲| 99啪啪视频| 婷婷五月天激情小说| 日日夜夜九九| 日韩精品超碰在线观看| 操操啪| 26uuu欧美亚洲日韩| 亚洲免费婷婷| 91热久久| 99婷婷狠狠成为人免费视频| 色天堂操| 欧美噜噜免费观看| 操一操| 激情丁香六月| 欧美S码亚洲码精品M码| 伊人超碰在线| 亚洲综合九九| 婷婷五月免费在线| 波多野结衣AV无码Porn| 9l视频自拍9l九色成人| 五月婷婷啪啪啪啪| Www99热| 有码人妻久久| 综合激情五月天六月婷免费视频| 91日本在线| 中文字幕婷婷9月天| 亚洲无aV在线中文字幕| 五月婷六月综合在线观看| 中文字幕婷婷五月天在线观看| 五月丁香久| 风流少妇A片一区二区蜜桃 | 亚洲不卡123| 九九色热| 国产精品久久7777777精品无码| 久久总和99| 色香蕉精品五夜婷| 欧美三级黄色片久久| 丁香五月天人体| 九九热这里只有精品6| 激情五月天网| 99se丁香| 色婷婷五月色| 日本成人小说婷婷六月| 综合色图区| 精品视频二级九九| 啪啪综合网| 99视频网| 狠狠色综合网| 五月天激情综合网| 丁香六月av| 黄网在线观看免费| 操碰色一区就去操| 99re视频在线播放| 久久色五月天综合网| 欧美丁香婷婷五月| 超碰中文字幕在线| 免费的日逼视频| 激情综合五月| 思思9久久| w婷婷五月婷婷w| 日撸夜撸日操| 婷婷色影院| 亚洲一区二区无遮挡A片| 情欲综合网| 色综合久久天天综合网| 久久精彩视频18| 嫩草AV久久伊人妇女超级A| 婷婷激情五月综合| 色婷婷成人做爰A片免费看网站| 五月婷婷婷综合网| 五月天婷婷深深爱| 亚洲五月天婷婷| 久久久久久久久久久月丁| 天天久久综合| 九九热视频这里只有精品| 色原狠狠综合| 99综合99| 色色99| 日韩狠狠色| 五月激激激情综合网| 亚洲成av人影院| www.99在线| 天天做天天爱天天爽| 免费无码毛片一区二区A片| 91丨九色丨国产打屁股| 99热97| 97碰碰草| 五月天婷五月天综合网在线观| 激情综合国产| 超碰在线播放免费观看| 99色热综合| 激情五月天网站| 色五月婷婷综合| 五月欧美丁香在线观看| 高清资源站日A美A欧亚…| 丁香六月婷婷激情综合| 99九九精品视频| 亚洲黄色av网站| 成人婷婷桔色| 天天插天天插天天插天天插| 色色色区| 综合在线色婷婷| 丁香六月婷婷激情| 成人色情五月天婷婷丁香| 亚洲日日日| 99久热在线精品| 成人AV中文字幕| 日韩三级视频一区二区| 五月丁香激情欧洲啪啪| 99热这里有精品| 色五月涩涩婷婷蜜桃| 九九九九国产| 99WWW免费视频| 这里只有精彩视频| 五月婷天堂视频| 能直接看的AV网站| 日韩在线观看网址| 人人添人人| 狠狠干狠狠干| 色就是色婷婷五月亚洲激情| 色99网| 秋霞A V毛片| 性生活视频98791| 久久天堂精品| 26UUU精品一区二区| 久久综合综合综合| 亚洲欧美一区二区三区四区爱爱动图| 五月Huangsewang| 人人干人人操人人摸人人做| 色婷婷丁香五月| 99热只有精品在线播放| 啪啪啪综合网| 色婷婷九月| 日本超碰在线| 欧洲不卡视频| 嫩草视频在线观看| 丁香五月区| 99热老司机| 综合色五月天| 久久五月天婷婷| WWW.久久99| 天天做天天爱天天爽综合网| 性爱网六月丁香| 来吧亚洲综合网| 久久码久久无清| 99热国产免费| 久9精品| 天堂久久婷婷| 大香蕉久久草| 亚洲永久免费| 丁香婷婷色五月| 狠狠色丁香| 丁香五月激情婷婷视频| 开心婷婷五月| 亚洲精99| 欧美性生交xXxX久久久| 四五月婷婷| 日本啪啪视频HD| 五月婷婷丁香在线视频| 91猫咪国产在线播放| 可以直接看的av| 91 原创 在线 九色| 伊人狠狠丁香婷婷综合尤物| 另类A片| 色婷婷五月综合| 五月综合亚洲色| 日本欧美成人片AAAA | 色在线五月天免费| ..真实国产乱子伦对白在线_欧| 久久九九99亚洲国产久精综合| 玖玖婷婷五月天毛片| 久久久性爱视频| 91干在线| 激情婷婷色色| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 日韩久久这里只有精品| 东北熟女高潮99综合99| 六月丁香五月婷婷| 丁香婷婷性爱| WWW,五月| 狠狠色性| 影音先锋男人站,影音先锋男人色资源网,影音先锋AV最新资源站,影音先锋AV资源 | 婷婷丁香六月天| WWW久久久| 99精品在线观看| 99性感视频| 99热精品网| 99自拍视频网站| 激情深爱综合| 九九爱激情| 六九色综合婷婷五月天| 婷婷久久免费| 开心五月网 | 人妻第九页| 亚洲激情97五月天| 亚洲成人在线综合| 激情五月天影院| 99爱最新免费视频在线观看| 久久一伦| 操碰99| 天天草天天舔| 久久免费干| 色色五月丁香婷婷| 91丨九色丨国产打屁股| 无码少妇高潮喷水A片免费| 丁香狠狠色婷婷久久无码视频| 五月婷婷中文字幕| 五月天婷婷基地| 综合图区激情| 丁香婷婷色| 国产人妻人伦精品一区二区| 五月婷婷五月天激情网| 婷婷天堂综合| 免费观看全黄做爰的视频| 丁香五月Av| 开心六月婷| 91av视频| 91日视频| 婷婷区日本| 五月天大香蕉AV| 五月天成人综合| 99久久免费精品| 五月丁香琪琪| 免看黄大片AA | 色天五月天在线观看视频| 入口五月婷婷六月香| 国产在线网址1| www久久久久久久97| 在线五月色播| 婷婷综合一二三| 91欧美| 五月天激情图片| 天天做天天爱高潮片| 婷婷丁香五月天之开心少妇| 丁香六月婷婷久久综合| 婷婷 久综合| 免费观看日韩成人av| 99热6精品| 婷婷噜噜| 超碰精品在线| 99精品九九| 深爱综合网| 五月天综合婷婷| 六月丁香婷婷综合色播| 婷婷酒色网| 26uuu成人网| 五月天婷婷影院影院观看| 日日噜狠狠色综| 婷婷色偷拍| 伊人99热| 激情婷婷五月天| 天天插夜夜爽| 91色五月| 免费在线观看av网站| 综合网色| 五月花激情| 99激| 91网站黄| 色综合五月| 五月天色婷婷综合| 五月天精品| 99热精国产这里只有精品| 91精品久久久久久综合五月天| 色婷婷狠狠18yy| 亚洲人人操| 亚洲婷婷欧美婷婷| 天天干天天干天天干天天干天天| 999婷婷综合| AV在线二十六页| 中文字幕在线观看视频www| 激情综合五月天| 色五月婷婷大| 丁香五月激情六月欧亚激情综合导航 | www99精品在线观看| 久久五月丁香| 月婷婷婷婷五月| 偷拍视频五月天| 97色色色色色色色| 激情视频综合| 1024成人免费看| 婷婷五月天基地| 97视频.干com| 97色色色色色| 婷婷五月永远18免费久久久| 久久停停超碰| 婷婷综合一二三| 大香蕉伊人丁香五月| 久久这里只有精品热在99| 99人妻碰碰碰久久久久视| 69色色视频| 色亭亭五月天网扯| 色婷婷久久综| 任你干线上免费视频有3吗| 白人荫道BBWBBB大荫道| 激情五月六月婷婷| 婷婷五月色色| 情趣视频66| 伊人成人宗合网| 《诡秘之主》在线观看| 色玖玖导航| 97香蕉人人在线观看| 果冻传媒A片一二三区| 99热在线播放| 激情五月天综合| 9月色婷婷| 人妻内射视频| 五月婷婷丁香在线视频| 激情综合网,五月| 丁香婷最新动态| 站长推荐无码播放| 在线视频激情网站| 狠狠色婷婷色| 99在线看视频| 伊人久久婷婷| 婷婷五月激情综合| 99狠狠| 亚洲天天| 日日日影院| 天天干夜夜欢| 日本无va视频| 秋霞学生妹一二级| 色久播播| 影视av久久久噜噜噜噜噜三级| 性爱五月婷婷| 99热在线网站| 久久婷婷原创视频| 野战J办公桌椅H| 99ER热精品视频| 性做爰1一7伦| 精品人妻伦九区久久AAA片| 色欲色香综合网| 五月色色色| 色色五月丁香婷婷| 91久久| 99精品在线观看视频| 美欧成人视频| 五月丁香啪啪啪| 九九热这里只有精品6| 久久婷婷成人综合色怡春院| 99re最新地址| 丁香五月综合网亚洲综合欧美狠狠| 五月开心啪啪| 综合激情五月丁香9999久久精| 色色激情五月天| 九九香蕉网| 色性综合| www.五月天婷婷.com| 这里有精品99| 久久九九怡红院| 天天插天天狠| 亚洲综合视频天天精品| 九九热av| 9.1综合网| 天堂爱爱| 狠狠干五月丁香| 天天日日天天| 襙比视频| 丁香九月婷婷色| WWW,婷婷,COM| 五月六月丁香激情| 四月婷婷丁香| 亚洲色A| 婷婷婷婷婷婷婷五月丁香| 亚洲免费婷婷| 激情久久久久久久久久| 婷婷激情视频| 久久久com| 日韩色色视频| 日本乱子人伦在线视频| 久久伊人五月天| 99热免费| 国产人妻777人伦精品HD| 久久婷婷五月综合色丁香花| 91熟妇大香蕉| 精品导航在线x不卡| 五月婷久久久| 91Chinese在线| 超黄亚洲瑟瑟网站| 九九久久五月天综合伊人| 国产色五月婷婷| 婷婷五月天激情网站| 七七色色综合| 伊人啪啪网| 99国产精品久久久久久久久久久| 三十熟女| 中文字幕成人日韩| 另类 在线| 超碰在线成人| 国产欧美日韩一区二区三区| 激情五月天小说视频|