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

Python與CNN實(shí)現(xiàn)網(wǎng)絡(luò)入侵檢測(cè):從NSL-KDD預(yù)處理到模型調(diào)優(yōu)實(shí)戰(zhàn)

Python與CNN實(shí)現(xiàn)網(wǎng)絡(luò)入侵檢測(cè):從NSL-KDD預(yù)處理到模型調(diào)優(yōu)實(shí)戰(zhàn) 簡(jiǎn)介這套Python實(shí)現(xiàn)的基于CNN網(wǎng)絡(luò)入侵檢測(cè)項(xiàng)目源碼與文檔說明適合深度學(xué)習(xí)入門、網(wǎng)絡(luò)安全方向課設(shè)或期末大作業(yè)的本科生及自學(xué)者。項(xiàng)目難度適中代碼經(jīng)過本地編譯驗(yàn)證完整覆蓋NSL-KDD數(shù)據(jù)集預(yù)處理、CNN模型定義、訓(xùn)練與預(yù)測(cè)流程并附有README說明與實(shí)操文檔可幫助理解入侵檢測(cè)任務(wù)的建模思路與代碼組織方式。壓縮包共33個(gè)文件約21.58MB主要包含4個(gè)Python源碼文件、12個(gè)cvs數(shù)據(jù)文件、7個(gè)xml工程配置文件、1個(gè)pth模型權(quán)重文件以及準(zhǔn)確率曲線圖、混淆矩陣圖表等輔助材料源碼按數(shù)據(jù)預(yù)處理、模型構(gòu)建、訓(xùn)練、預(yù)測(cè)模塊拆分注釋清晰、易讀易改。數(shù)據(jù)預(yù)處理腳本和模型訓(xùn)練代碼均可直接運(yùn)行支持自行調(diào)節(jié)學(xué)習(xí)率、卷積核等參數(shù)復(fù)用于其他二分類或多分類任務(wù)也可作為期末答辯時(shí)的完整演示項(xiàng)目。目前已有355人學(xué)習(xí)下載適合希望快速參考完整實(shí)現(xiàn)或作為高分期末作業(yè)模板的讀者。1. 用 Python 和 CNN 做網(wǎng)絡(luò)入侵檢測(cè)這門課設(shè)為什么值得認(rèn)真做網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)NIDS一直是網(wǎng)絡(luò)安全領(lǐng)域的熱門方向而用 Python 實(shí)現(xiàn)基于 CNN卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型正是許多高校網(wǎng)絡(luò)工程、信息安全專業(yè)期末大作業(yè)的高頻選題。這類項(xiàng)目源碼加上文檔說明被打包成 zip 發(fā)放本質(zhì)上是在考察學(xué)生能否把深度學(xué)習(xí)理論落地到真實(shí)流量數(shù)據(jù)上而不是停留在調(diào)庫(kù)層面。打開這個(gè)壓縮包你大概率會(huì)看到 KDD Cup 1999 或 NSL-KDD 數(shù)據(jù)集的預(yù)處理腳本、CNN 模型定義文件、訓(xùn)練與評(píng)估代碼以及一份說明文檔。這個(gè)方向能解決的問題很明確傳統(tǒng)入侵檢測(cè)系統(tǒng)依賴專家規(guī)則和特征匹配對(duì)未知攻擊的泛化能力差而 CNN 能自動(dòng)從流量特征中提取空間相關(guān)性把分類任務(wù)交給網(wǎng)絡(luò)自己學(xué)習(xí)。適合的人群包括正在做課程設(shè)計(jì)的學(xué)生、想入門深度學(xué)習(xí)在安全領(lǐng)域應(yīng)用的開發(fā)者以及需要快速搭建一個(gè)可演示 IDS 原型的工程師。接下來的內(nèi)容我會(huì)從數(shù)據(jù)集處理講到模型調(diào)參再講踩過的坑盡量讓你拿到源碼后能直接跑通、能講清楚、能應(yīng)付答辯。2. 入侵檢測(cè)與 CNN 的契合點(diǎn)為什么流量數(shù)據(jù)適合用卷積網(wǎng)絡(luò)2.1 從特征工程到自動(dòng)特征提取的轉(zhuǎn)變傳統(tǒng)入侵檢測(cè)的做法是先定義大量規(guī)則比如某個(gè)端口短時(shí)間內(nèi)連接次數(shù)超過閾值就判定為掃描攻擊。這種方式依賴人工經(jīng)驗(yàn)規(guī)則覆蓋不全時(shí)漏報(bào)率很高。后來發(fā)展到機(jī)器學(xué)習(xí)方法用 SVM、隨機(jī)森林等算法對(duì)特征向量分類但特征仍需要人工挑選。CNN 的思路完全不同它把原始特征當(dāng)作一種空間結(jié)構(gòu)來處理通過卷積核在特征維度上滑動(dòng)自動(dòng)學(xué)習(xí)局部組合特征。網(wǎng)絡(luò)流量數(shù)據(jù)經(jīng)過預(yù)處理后每條記錄通常是幾十個(gè)數(shù)值特征協(xié)議類型、源字節(jié)數(shù)、目的字節(jié)數(shù)、連接狀態(tài)等。這些特征看似是平鋪的一維向量但相鄰特征之間存在某種關(guān)聯(lián)——比如同一個(gè) TCP 連接中的包長(zhǎng)、標(biāo)志位、持續(xù)時(shí)長(zhǎng)在空間上相鄰這種局部模式恰好是 CNN 擅長(zhǎng)捕捉的。把一維特征向量 reshape 成合適的形狀喂給卷積層卷積核就能提取出特征之間的短程依賴關(guān)系這比全連接網(wǎng)絡(luò)直接學(xué)習(xí)所有特征組合要高效得多。2.2 CNN 處理一維序列輸入的常見結(jié)構(gòu)對(duì)于 NIDS 這種輸入是一維特征向量的任務(wù)常見做法是使用一維卷積Conv1D而不是圖像領(lǐng)域常用的 Conv2D。一個(gè)典型的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層接受 shape 為 (seq_len, feature_dim) 或 (seq_len,) 的數(shù)據(jù)經(jīng)過幾個(gè) Conv1D 層提取特征每層后接 BatchNormalization 和 MaxPooling1D 做歸一化和降采樣最后接全局池化或展平層再通過全連接層輸出分類概率。代碼骨架大概是這樣的from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense, Dropout, BatchNormalization def build_cnn_model(input_shape, num_classes): model Sequential([ Conv1D(filters64, kernel_size3, activationrelu, input_shapeinput_shape), BatchNormalization(), MaxPooling1D(pool_size2), Conv1D(filters128, kernel_size3, activationrelu), BatchNormalization(), MaxPooling1D(pool_size2), Flatten(), Dense(128, activationrelu), Dropout(0.5), Dense(num_classes, activationsoftmax) ]) model.compile(optimizeradam, losscategorical_crossentropy, metrics[accuracy]) return model這段代碼里input_shape 需要根據(jù)特征維度確定。如果每條樣本有 41 個(gè)特征NSL-KDD 標(biāo)準(zhǔn)可以 reshape 成 (41, 1)即把每個(gè)特征當(dāng)作一個(gè)時(shí)間步Conv1D 在特征序列上滑動(dòng)。filters 表示卷積核數(shù)量決定提取多少種局部模式kernel_size 表示卷積核覆蓋的相鄰特征個(gè)數(shù)一般取 3 或 5太小感受野不足太大容易過擬合。BatchNormalization 加速收斂并穩(wěn)定訓(xùn)練Dropout 防止過擬合這些做課設(shè)答辯時(shí)都是加分點(diǎn)。2.3 二分類還是多分類取決于數(shù)據(jù)集標(biāo)簽定義KDD Cup 1999 和 NSL-KDD 的標(biāo)簽分為正常Normal和四類攻擊DoS、Probe、R2L、U2R。做課設(shè)時(shí)先確認(rèn)文檔里要求的是二分類正常 vs 異常還是五分類正常 四類攻擊。二分類簡(jiǎn)單準(zhǔn)確率容易做高但答辯時(shí)老師常問各類攻擊的檢出率分別是多少這時(shí)只看總體準(zhǔn)確率是不夠的五分類任務(wù)中 R2L 和 U2R 樣本量極少是典型的類別不平衡問題需要額外處理。選擇哪種分類粒度直接決定模型輸出層神經(jīng)元數(shù)量和損失函數(shù)。多分類用 softmax 和 categorical_crossentropy二分類用 sigmoid 和 binary_crossentropy。建議文檔說明里明確寫清楚實(shí)驗(yàn)設(shè)定把混淆矩陣和每類別的精確率、召回率都打出來這比只給一個(gè)準(zhǔn)確率數(shù)字有說服力得多。3. 數(shù)據(jù)預(yù)處理與特征編碼決定模型上限的關(guān)鍵一步3.1 NSL-KDD 數(shù)據(jù)集的加載與清洗NSL-KDD 是 KDD Cup 1999 的改進(jìn)版本去掉了冗余記錄訓(xùn)練集和測(cè)試集的分布更合理。拿到源碼包后第一步通常是加載 CSV 格式的 KDDTrain.csv 和 KDDTest.csv。每條記錄有 41 個(gè)特征和 1 個(gè)標(biāo)簽特征分為三類連續(xù)數(shù)值型如 duration、src_bytes、離散符號(hào)型如 protocol_type、service、flag、以及二進(jìn)制型。加載代碼通常長(zhǎng)這樣import pandas as pd column_names [ duration, protocol_type, service, flag, src_bytes, dst_bytes, land, wrong_fragment, urgent, hot, # ... 省略部分特征名 dst_host_srv_count, dst_host_same_srv_rate, dst_host_diff_srv_rate, dst_host_same_src_port_rate, dst_host_srv_diff_host_rate, dst_host_serror_rate, dst_host_srv_serror_rate, dst_host_rerror_rate, dst_host_srv_rerror_rate, label ] train_df pd.read_csv(KDDTrain.csv, namescolumn_names) test_df pd.read_csv(KDDTest.csv, namescolumn_names) print(f訓(xùn)練集形狀: {train_df.shape}, 測(cè)試集形狀: {test_df.shape}) print(train_df[label].value_counts())這里需要注意KDD 數(shù)據(jù)集的原始 CSV 沒有表頭必須手動(dòng)指定列名。如果列名數(shù)量和 CSV 實(shí)際列數(shù)不匹配pandas 會(huì)報(bào)錯(cuò)常見的翻車點(diǎn)在最后有一列difficulty_levelNSL-KDD 特有讀數(shù)據(jù)時(shí)要么把這一列也加進(jìn)列名要么用usecols忽略它。建議先打印train_df.shape確認(rèn)列數(shù)不要想當(dāng)然。3.2 符號(hào)特征編碼LabelEncoder 還是 OneHotEncoderprotocol_type、service、flag 這三個(gè)特征是離散字符串不能直接喂給 CNN。常見的處理方式有兩種如果每個(gè)符號(hào)特征的取值種類少如 protocol_type 只有 3 種取值用 OneHot 編碼展開成多列如果取值很多service 有 70 種左右用 LabelEncoder 轉(zhuǎn)成整數(shù)再歸一化。但這里有個(gè)坑LabelEncoder 給類別賦予的整數(shù)大小是隨機(jī)的比如 tcp0、udp1、icmp2這個(gè)大小關(guān)系沒有實(shí)際意義CNN 的卷積核會(huì)把它當(dāng)作真實(shí)數(shù)值關(guān)系來學(xué)習(xí)效果往往不如 OneHot。我一般會(huì)這樣做from sklearn.preprocessing import LabelEncoder # 方法一對(duì)取值少的特征做 OneHot train_df pd.get_dummies(train_df, columns[protocol_type, flag]) # 方法二對(duì)取值多的特征做 LabelEncoder 并歸一化 le LabelEncoder() for col in [service]: train_df[col] le.fit_transform(train_df[col]) test_df[col] le.transform(test_df[col])但這里有個(gè)嚴(yán)重的問題訓(xùn)練集和測(cè)試集的類別取值可能不一致。比如訓(xùn)練集里 service 有 70 種測(cè)試集里可能出現(xiàn)訓(xùn)練集沒見過的 service 值。如果直接用訓(xùn)練集擬合的 LabelEncoder 去 transform 測(cè)試集sklearn 會(huì)直接拋異常。解決方法是先合并兩個(gè)數(shù)據(jù)集做編碼或者對(duì)測(cè)試集中出現(xiàn)的新類別統(tǒng)一映射到一個(gè)未知類再在文檔里說明這種處理的理由。這個(gè)細(xì)節(jié)在答辯時(shí)很加分因?yàn)樗w現(xiàn)了對(duì)真實(shí)場(chǎng)景中分布漂移問題的理解。3.3 數(shù)值特征歸一化與訓(xùn)練集測(cè)試集泄漏41 個(gè)特征里數(shù)值型特征的量綱差異巨大src_bytes 可能是 0 到幾百萬(wàn)而 land 只有 0 或 1。如果不歸一化卷積層的梯度更新會(huì)被大數(shù)值特征主導(dǎo)模型很難收斂。標(biāo)準(zhǔn)做法是用 StandardScaler 或 MinMaxScaler但必須只在訓(xùn)練集上擬合 scaler然后同時(shí) transform 訓(xùn)練集和測(cè)試集。如果先對(duì)全量數(shù)據(jù)做歸一化再劃分訓(xùn)練集測(cè)試集會(huì)造成數(shù)據(jù)泄漏測(cè)試集的信息被模型間接看到了評(píng)估結(jié)果虛高。from sklearn.preprocessing import StandardScaler scaler StandardScaler() train_numeric_cols train_df.select_dtypes(include[float64, int64]).columns train_df[train_numeric_cols] scaler.fit_transform(train_df[train_numeric_cols]) test_df[train_numeric_cols] scaler.transform(test_df[train_numeric_cols])這段代碼里scaler 只在 train_df 上 fittest_df 只做 transform。注意select_dtypes會(huì)把標(biāo)簽列也選進(jìn)去如果標(biāo)簽是字符串沒問題如果是整數(shù)編碼就需要先剔除 label 列。處理完特征后把標(biāo)簽單獨(dú)拆出來做 one-hot 編碼用于多分類模型訓(xùn)練。最后要把數(shù)據(jù) reshape 成 CNN 輸入格式通常是(樣本數(shù), 特征維度, 1)。4. 模型訓(xùn)練與評(píng)估把準(zhǔn)確率做上去的完整流程4.1 數(shù)據(jù)集劃分不要只留一個(gè)測(cè)試集拿到源碼后常見的做法是直接把 KDDTrain 當(dāng)訓(xùn)練集、KDDTest 當(dāng)測(cè)試集然后開始訓(xùn)練。但這樣做有一個(gè)問題你無法在訓(xùn)練過程中驗(yàn)證模型效果超參數(shù)調(diào)優(yōu)沒有依據(jù)。更好的流程是從訓(xùn)練集里再切出 20% 作為驗(yàn)證集訓(xùn)練時(shí)監(jiān)控驗(yàn)證集準(zhǔn)確率和損失防止過擬合。from sklearn.model_selection import train_test_split X_train, X_val, y_train, y_val train_test_split( X_train_raw, y_train_raw, test_size0.2, random_state42, stratifyy_train_raw ) X_train X_train.reshape(X_train.shape[0], X_train.shape[1], 1) X_val X_val.reshape(X_val.shape[0], X_val.shape[1], 1)stratifyy_train_raw是按類別比例分層抽樣保證驗(yàn)證集里各個(gè)攻擊類型的占比和訓(xùn)練集一致。這對(duì) NSL-KDD 尤其重要因?yàn)?R2L 和 U2R 樣本極少如果不分層抽樣驗(yàn)證集里可能一個(gè) U2R 樣本都分不到驗(yàn)證指標(biāo)完全失真。4.2 訓(xùn)練循環(huán)與 EarlyStoppingCNN 在 NSL-KDD 上訓(xùn)練比較容易過擬合因?yàn)橛?xùn)練集規(guī)模只有幾萬(wàn)條且類別不平衡嚴(yán)重。常見做法是設(shè)置早停當(dāng)驗(yàn)證集損失連續(xù)多個(gè) epoch 不再下降時(shí)停止訓(xùn)練并用回調(diào)保存最佳模型。from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint callbacks [ EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue), ModelCheckpoint(best_model.h5, monitorval_accuracy, save_best_onlyTrue) ] history model.fit( X_train, y_train, validation_data(X_val, y_val), epochs100, batch_size256, callbackscallbacks, verbose1 )patience10表示連續(xù) 10 個(gè) epoch 驗(yàn)證損失沒改善就停。restore_best_weightsTrue會(huì)把模型權(quán)重回滾到驗(yàn)證集表現(xiàn)最好的那一輪而不是停在最后一個(gè) epoch。batch_size 取 256 在大多數(shù) GPU 或 CPU 上都能接受太大容易收斂慢太小則梯度噪聲大、訓(xùn)練振蕩。如果訓(xùn)練時(shí)發(fā)現(xiàn)驗(yàn)證損失震蕩劇烈優(yōu)先減小學(xué)習(xí)率或增大 batch_size。4.3 評(píng)估指標(biāo)準(zhǔn)確率之外必須看混淆矩陣課設(shè)報(bào)告里如果只寫準(zhǔn)確率 99.2%答辯老師大概率會(huì)追問對(duì) U2R 攻擊的檢出率是多少NSL-KDD 測(cè)試集中 U2R 樣本極少很多模型對(duì)其檢出率為 0但總體準(zhǔn)確率依然很高這就是準(zhǔn)確率指標(biāo)的欺騙性。必須輸出混淆矩陣、各類別的 precision、recall、F1-score。from sklearn.metrics import classification_report, confusion_matrix import numpy as np y_pred model.predict(X_test) y_pred_class np.argmax(y_pred, axis1) y_true_class np.argmax(y_test, axis1) print(classification_report(y_true_class, y_pred_class, target_nameslabel_names)) print(confusion_matrix(y_true_class, y_pred_class))看報(bào)告時(shí)重點(diǎn)關(guān)注 R2L 和 U2R 兩行的 recall。如果這兩行數(shù)字很低說明模型基本沒學(xué)會(huì)少數(shù)類攻擊模式這時(shí)候需要回頭處理類別不平衡。一個(gè)簡(jiǎn)單的改進(jìn)是class_weight讓少數(shù)類在 loss 計(jì)算中擁有更高權(quán)重。另一個(gè)是過采樣少數(shù)類樣本但要注意別在測(cè)試集上做任何采樣。4.4 類別不平衡的兩種處理方案對(duì)比處理 NSL-KDD 類別不平衡課設(shè)中最常用兩種做法class_weight 和少數(shù)類過采樣。class_weight 不改數(shù)據(jù)只在訓(xùn)練時(shí)加大少數(shù)類的 loss 占比實(shí)現(xiàn)簡(jiǎn)單。from sklearn.utils.class_weight import compute_class_weight class_weights compute_class_weight( balanced, classesnp.unique(y_train_raw), yy_train_raw ) class_weight_dict dict(enumerate(class_weights))過采樣則用 imbalanced-learn 庫(kù)的 SMOTE 生成少數(shù)類合成樣本但 SMOTE 是基于特征空間插值的對(duì)表格型數(shù)據(jù)效果尚可對(duì)類別型特征多的數(shù)據(jù)可能生成矛盾的樣本。做課設(shè)時(shí)用 class_weight 更安全答辯時(shí)講清楚原理就夠如果追求更好的少數(shù)類檢出率再嘗試 SMOTE 并對(duì)比兩組實(shí)驗(yàn)結(jié)果。5. 常見坑與避坑指南課設(shè)翻車現(xiàn)場(chǎng)復(fù)盤5.1 特征維度不匹配導(dǎo)致模型無法編譯現(xiàn)象輸入模型時(shí)報(bào)錯(cuò)Input 0 of layer conv1d is incompatible提示期望三維輸入但實(shí)際給了兩維。原因Conv1D 要求輸入是(batch_size, steps, channels)而很多人在預(yù)處理后直接拿二維數(shù)組(樣本數(shù), 特征數(shù))去喂模型忘記 reshape。解決在 fit 之前執(zhí)行X_train X_train.reshape(-1, n_features, 1)第三維設(shè)為 1 表示單通道。這個(gè)錯(cuò)誤在第一次跑代碼時(shí)幾乎必現(xiàn)源碼包里的腳本如果沒處理手動(dòng)補(bǔ)上即可。5.2 訓(xùn)練集和測(cè)試集類別不一致導(dǎo)致 transform 崩潰現(xiàn)象執(zhí)行測(cè)試集 LabelEncoder transform 時(shí)報(bào)unknown class錯(cuò)誤。原因測(cè)試集中某個(gè) service 協(xié)議在訓(xùn)練集中從未出現(xiàn)編碼器不認(rèn)識(shí)。解決合并訓(xùn)練集測(cè)試集后統(tǒng)一 fit或?qū)y(cè)試集中的新類別做未知類映射。課設(shè)報(bào)告里如果提到這個(gè)處理說明考慮了真實(shí)流量的開放性問題是加分項(xiàng)。另一個(gè)相關(guān)坑是 OneHot 編碼后訓(xùn)練集和測(cè)試集列數(shù)不同原因同樣是新類別產(chǎn)生了新列用pd.concat后統(tǒng)一編碼能根治。5.3 訓(xùn)練準(zhǔn)確率不升反降或直接 NaN現(xiàn)象loss 在幾個(gè) epoch 后變成 NaN或準(zhǔn)確率一直徘徊在基線水平。原因?qū)W習(xí)率過大導(dǎo)致梯度爆炸或數(shù)值特征沒有歸一化或激活函數(shù)選擇不當(dāng)。解決先把學(xué)習(xí)率降到 0.0001 試試確認(rèn)歸一化已執(zhí)行檢查數(shù)據(jù)里是否有無窮大或空值。加 BatchNormalization 層能緩解梯度問題。另外要注意NSL-KDD 中有少量特征的取值極端分布如 src_bytes 的右偏只用 StandardScaler 有時(shí)不如取 log 變換穩(wěn)定這屬于進(jìn)階調(diào)參技巧。5.4 準(zhǔn)確率高但攻擊檢出率極低現(xiàn)象總準(zhǔn)確率 99%但 U2R 和 R2L 的 recall 接近于 0。原因類別極度不平衡模型把所有樣本都預(yù)測(cè)為多數(shù)類就是最優(yōu)策略。解決使用 class_weight 加重少數(shù)類權(quán)重或在訓(xùn)練時(shí)對(duì)少數(shù)類做重復(fù)采樣。評(píng)估時(shí)不要只看準(zhǔn)確率輸出 macro-F1 或加權(quán) F1這幾個(gè)指標(biāo)對(duì)不平衡更敏感。如果答辯時(shí)老師問為什么 U2R 檢不出回答思路是U2R 樣本只有幾十條特征空間被正常流量淹沒模型沒有足夠的判別信息這是數(shù)據(jù)層面的問題不是模型結(jié)構(gòu)的問題。5.5 結(jié)果無法復(fù)現(xiàn)現(xiàn)象同一個(gè)腳本多次運(yùn)行準(zhǔn)確率波動(dòng)明顯。原因沒有固定隨機(jī)種子模型初始化隨機(jī)數(shù)據(jù)劃分隨機(jī)。解決在代碼開頭固定 numpy、tensorflow 和 Python 內(nèi)置 random 的種子。import random import numpy as np import tensorflow as tf random.seed(42) np.random.seed(42) tf.random.set_seed(42)課設(shè)報(bào)告里截圖的結(jié)果必須可復(fù)現(xiàn)不然答辯時(shí)老師讓你現(xiàn)場(chǎng)跑一遍結(jié)果和報(bào)告不一樣就很尷尬。固定種子后模型訓(xùn)練速度和結(jié)果基本一致這是所有深度學(xué)習(xí)項(xiàng)目中必須養(yǎng)成的習(xí)慣。6. 進(jìn)階玩法與驗(yàn)證技巧讓課設(shè)從能跑變成能講6.1 試試用訓(xùn)練好的模型做離線流量檢測(cè)演示模型訓(xùn)練完可以寫一個(gè)小函數(shù)接收一條 CSV 格式的流量記錄輸出預(yù)測(cè)類型做成命令行工具。def predict_single_record(model, record_df, scaler, encoder): record record_df.copy() for col in [protocol_type, flag]: record pd.get_dummies(record, columns[col]) record record.reindex(columnsfeature_columns, fill_value0) record[numeric_cols] scaler.transform(record[numeric_cols]) record_array record.values.reshape(1, -1, 1) pred model.predict(record_array) return label_names[np.argmax(pred)]這段代碼里reindex是核心單挑記錄做 OneHot 后列數(shù)肯定和訓(xùn)練時(shí)不一樣用訓(xùn)練時(shí)的完整特征列列表對(duì)齊缺失列填 0。這樣模型才能接受輸入。演示時(shí)拿測(cè)試集里幾條已知類型的數(shù)據(jù)跑一遍輸出預(yù)測(cè)結(jié)果比光講一堆訓(xùn)練曲線更有說服力。6.2 畫訓(xùn)練曲線時(shí)注意原始記錄而不是平滑曲線課設(shè)報(bào)告里通常會(huì)放訓(xùn)練準(zhǔn)確率和損失曲線圖。畫圖時(shí)用 matplotlib 記錄 history 中的原始數(shù)據(jù)就好關(guān)鍵是把訓(xùn)練集和驗(yàn)證集兩條線放一起對(duì)比觀察過擬合發(fā)生的 epoch 位置。如果只畫訓(xùn)練集曲線沒法展示早停策略的效果。import matplotlib.pyplot as plt plt.plot(history.history[accuracy], labeltrain_acc) plt.plot(history.history[val_accuracy], labelval_acc) plt.xlabel(Epoch) plt.ylabel(Accuracy) plt.legend() plt.savefig(training_history.png, dpi150)圖片保存分辨率要夠不要截窗口模糊圖。文檔里左圖右圖對(duì)應(yīng)說明比如第 20 輪后驗(yàn)證集準(zhǔn)確率開始下降說明過擬合出現(xiàn)觸發(fā)早?;貪L到第 18 輪權(quán)重。6.3 把你的模型和傳統(tǒng)機(jī)器學(xué)習(xí)做橫向?qū)Ρ却疝q時(shí)老師最常問的問題之一為什么用 CNNCNN 比隨機(jī)森林好在哪建議在文檔里補(bǔ)一個(gè)對(duì)比實(shí)驗(yàn)跑一個(gè)隨機(jī)森林或邏輯回歸作為基線比較二者在 NSL-KDD 測(cè)試集上的準(zhǔn)確率和 F1。CNN 在這種表格數(shù)據(jù)上優(yōu)勢(shì)并不明顯但特征相關(guān)性提取能力比手工特征略強(qiáng)特別是在原始特征不做太多人工構(gòu)造的情況下。如果不做對(duì)比實(shí)驗(yàn)老師容易懷疑為什么不用隨機(jī)森林。實(shí)現(xiàn)方式很簡(jiǎn)單用 sklearn 的 RandomForestClassifier 跑同樣的數(shù)據(jù)然后對(duì)比兩到三個(gè)指標(biāo)。對(duì)比結(jié)果不一定要 CNN 全面碾壓哪怕 CNN 在 U2R 上多召回幾個(gè)樣本或者總體 F1 高一點(diǎn)都有交代。如果隨機(jī)森林反而更好那也可以說明傳統(tǒng)方法在小樣本攻擊上仍有優(yōu)勢(shì)未來可以考慮 CNN 樹模型的集成方案這比硬吹 CNN 合理得多。6.4 文檔說明怎么寫才打高分我見過很多課設(shè)源碼里帶的文檔說明長(zhǎng)篇大論貼代碼卻唯獨(dú)不寫實(shí)驗(yàn)結(jié)果分析。高分文檔至少要有這幾塊問題定義和數(shù)據(jù)集描述、數(shù)據(jù)預(yù)處理流程圖、模型結(jié)構(gòu)圖和每層參數(shù)表、超參數(shù)設(shè)置表、訓(xùn)練曲線圖、混淆矩陣與各類別指標(biāo)表、對(duì)比實(shí)驗(yàn)表以及遇到的三個(gè)問題和解決辦法章節(jié)。每個(gè)表格配一句解釋比如從表 4 可以看出U2R 的召回率僅為 0.12主要原因是訓(xùn)練集中該類別只有 52 條樣本。這種文檔老師沒理由扣分。整個(gè)項(xiàng)目做下來我最深的感受是CNN 在網(wǎng)絡(luò)入侵檢測(cè)上的表現(xiàn)很大程度上取決于數(shù)據(jù)預(yù)處理而不是網(wǎng)絡(luò)深度。我自己的課設(shè)就是從亂吞 Shape 錯(cuò)誤開始一步步把代碼跑通又因?yàn)轭悇e不平衡反復(fù)調(diào)整最后才把改進(jìn)過程寫成文檔。這條路你大概率也要走一遍希望這些踩坑經(jīng)驗(yàn)?zāi)軒湍闵僮邘撞綇澛?。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
久久综合中文字幕| 五月天开心色情网| 九九99九九99| 99热精品网| 538在线精品| 黄页大全十八禁| 五月婷婷电影院| 五月激情六月综合| 99色综合网| 午夜少妇在线观看视频| 思思热视频| 色婷婷五月在线| 另类图片五月天| 久久五月丁香综合17C| 玖玖九九9999在线观看视频精品| 99啪啪视频| tingting五月天亚洲| 五月天丁香久久综合 | 97色碰| 婷婷欧美激情综合| 一区二区三区四区牛| 激情综合九月| 六月丁香婷婷尤物| 91九色丨国产丨爆乳| 色墦五月丁香| 女人被男人吃奶到高潮| 婷婷综合五月激情| 99热播放| 果冻传媒A片一二三区| 亚洲sesesese| 婷婷色资源| 91超级碰在线视频| 亚洲激情免费视频| 狠狠干五月天婷婷网| 色五月综合激情网| 狠狠操狠狠爱| 色婷婷亚洲婷婷在线观看| 热99国产精品| 午夜婷婷久久| 91丁香色| 久久九九色| 国内精品玖玖| 五月天婷亚洲综合在线嫩草网| 伦乱人妻| 国产成人一区二区三区在线观看| 色五月色图| 白天AV月月| 久久曰曰| 亚洲第一精品成人999久久精品| 夜夜 操无码| 大色鬼综合| 黄色五月婷婷| 狠狠色综合精品视频在线| 人妻久久久久久久久妻久久久久久久久| 玖玖九九9999在线观看视频精品| www.夜夜| 亚洲操b| 这里只精品热在线18| 国产五月天婷婷| 日本eVa一区=区视频| 久艹大香蕉| 五月丁香婷婷六月天| 日本激情91| 蜜乳久AV| 国精产品一区一区三区免费视频 | 亚洲AV成人一区二区在线观看| 色色色99| 婷婷社区五月天| 成人五月天在线视频在线观看| 永久免费一区二区三区| 五月天堂六月丁香亚州中文字幕久久| 中国女人内射6XXXXX| 国产精品色婷婷99久久精品| 五月丁香龟婷婷| 91碰碰碰| 91久久精品无码一区二区三区| 国产麻豆视频| 欧美性猛交AAAA片黑人 | 日本不卡中文字幕| 六月丁香五月婷婷| 久久只有18视频| 五月丁香激情五月天| 成人版视频在线观看| 色吧婷婷五月亚洲| 精品人妻伦九区久久AAA片| 丁香激情五月| 婷婷五月激情丁香| 亚洲欧美一区二区三区四区爱爱动图| 青青草视频福利| ay2区| 91精品综合久久婷婷九色| 久久精品熟女亚洲AV麻豆| 尔尔AV一区| 大香蕉中文| 婷婷五月天激情综合深爱激情| 欧日韩AV| 久一这里有精品国产| 日韩综合网络男女香蕉a片| 一区二区乱视频码| 狠狠爱丁香婷| 亚洲国产黄色电影| 国产亚洲成人综合| 久久日本wwww色| 天天色综网| 亚洲激情AV| 亚洲欧美成人在线| 丁香五月色情| 亚洲激情五月| 欧美激情VA永久在线播放| 色婷婷狠| 99热综合在线| 五月激情婷婷综合| 色九月婷婷综合| 色五月婷婷一二| 婷婷五月天激情五月天网站| 天天干天天射综合网| 五月伊人视频在线看| 久久6这里只有精品| 91超级碰碰| 婷婷综合色图| 五月婷网| 91欧美| 99视频九九热| 色综合久久44| 久久综合九九| 丁香五月AV综合| 久久婷婷亚洲| 五月天激情播播网| 婷婷婷色五月| 婷婷激情五月天亚洲综合| 五月色丁香婷婷中文字幕| 新99思思视频| 天天拍久久| 丁香五月天欧美| 色噜噜,噜噜色| 亚洲色激婷| 成人精品一区二区三区四区五区 | 天堂久热| 青青草原伊人网| 色www.con| 五月丁香色婷基地综合久久| 五月丁香啪啪激情| 色八月婷婷| 五月婷婷中字在线| 亚洲久久婷婷| 天天操婷婷| 久久国产色| 婷婷五月激情小说| 九九九热精品| AV九九| 1000部毛片A片免费观看| 欧美成人精品A片免费一区99| 亚洲中文字幕在线观看| 国产欧美大香蕉一区| 五月婷婷激情在线| 亚洲av日韩无码| 色婷婷丁香综合中文字幕| 超碰激情网| 天天爱天天做天天日| 亚洲va日| 五月婷婷欧美激情| 五月天停婷基地| 琪琪色五月天| 色5月婷婷| 亚洲国产无线乱码在线观看| 碰久久精品w| 嫩草国产| 色婷婷五月六月丁香综合视频| 六月婷伊人| 五月丁香婷婷激激激综合网色播| 久9视频免费播放| 黄色五月婷婷| 国产成人精品一区二三区熟女在线| 夜夜嗨一区二区三区直播内容 | 少妇出轨做爰高潮A片| 丁香五月狠狠在线观看| WWW,五月| 亚洲五月婷婷在线| 五月丁香在线观看| 色综合天天| 国产精品18久久久| 丁香六月激情综合网| www.99久| 第一区久久网站| 久久99网| 午夜不卡久久精品无码免费| 婷婷黄色五月| 91热er| 九九久久网| 久草天堂| 拍色综合| 激情五月综合网| 激情二色月| 伊人五月天| 亚洲五月天激情| 九色亚洲| 色色热99| 天天操综合网| 精品国产乱码久久久久久免费| 久久久人人操A V| 丁香五月天堂| 五月色色激情网| 欧美人妻一区二区| 激情丁香五月综合| 天天操夜夜夜夜爽| 五月天淫乱视频| 色婷婷网| 在线成人视频免费| 婷婷五月激情欧美大胆视频| 激情综合五月激情17| 久久三级视频| 九九综舍久久| www.久久| va婷婷在线| 另类图片五月天激情| 超碰成人在线免费观看| 五月丁香777| 丁香五月婷婷无码AV| 亚洲无码色色| 久久婷婷五月草视频| 99er这里只有精品视频| 五月婷婷激情啪啪| 深夜男女福利刺激影院一区| 狠狠草综合网| 婷婷久久五月| 丁香花五月天社区| 97人人超| 丁香五月天狠狠| 天天玩夜夜操天天爽| 五月J香蕉婷婷| 思思热视频在线| 六月激情婷婷| 丁香综合久久| 97在线观看| 六月婷婷色综合| 超碰在线99| 丁香五月亚洲综合| 大香蕉九九| 狠狠xx| 激情AV| 中文不卡av| 婷婷色导航| 五月天婷婷高清无码| 国产成人综合在线| 丁香久久九九99| 97碰在线视频| 色三级色三级| 天天摸天天舔| 牛牛碰免费| 97涩婷婷婷婷基地| 久久国产性爱A V| 丁香五月欧美色综合| 9热超碰| 五月天激情播播网| 99综合| 丁香婷婷五月综合| 99热6精品| 国产AV熟妇人震精品一品二区| 99热日本| 91性高潮久久久久久久久| 日逼影音先锋AV男人资源站| 五月婷丁香亚洲| 99久在线精品99re8| 蜜臀av粉嫩av懂色av| 五月婷婷我| 99精品在线| 激情六月丁香| 成人在线观看一区| 图片区 小说区 区 亚洲五月| 99综合婷婷五月| 综合色色婷婷| 亚洲中文无码成人| 操操自拍| 婷婷丁香色情| 色五月超碰| 国产成人亚洲综合亚洲| 91seAV| 丁香五月花| 久久久久9| 婷婷六月天天| 五月色婷婷影院| 九九热精品视频| 五月天色视频| 成人免费va| 美女主播野战视步页| 伍月婷丁香婷| 激情精品久久| 国产26uuu视频| 噜综合| 中文字幕在线不卡| 六月99天天婷婷激情综合| 亚洲旡码| 婷婷色婷婷亚洲成人| 丝袜大香蕉| 综合啪啪| 激情99。| 亚洲九九99精品视频在线播放| 热久久成人| 五月久久五月激情| 欧美色骚婷婷五月天| 九九国产视频| 综合xx网| 色婷婷六月天在线| 99热只有| 久久99精品视频| 激情综合婷婷| 国产亚洲精品AAAAAAA片| 性做爰1一7伦| 色网站9| 中文字幕人妻AV| 亚洲视频另类| 色色五月天丁香婷婷| 中文字幕激情综合| 激情网第九色| 九九在线免费观看| 色情成人五月天| 五月婷视频| 99这里都是精品6| 泰州成人视频| 99啪啪视频| 久久免片| 岛国在线观看91| 婷婷五月天淫荡| 久久日婷婷| 性色综合网| 久久久久网站| 99re99热| 操你av| 这里只有精品免费观看网占| 日本狠狠干| 91色久| 99久久9| 疯狂做受XXXX高潮A片动画| 内射爽无广熟女亚洲| 五月激情四射网站| 亚洲99综合| 激情另类综合| 欧美婷婷五月天综合| 这里只有精品网站| 色五月综合在线| 国产午夜精品AV一区二区麻豆| 中字幕视频在线永久在线观看免费| 国产成人AV| 日本三级日本黄色| 丁香五月在线人妻| 五月激情五月婷婷五月天在线| 色亭亭五月天丁香综合AV - 百度 - 百度| av在线观看网站| 99精品网| 婷婷丁香91| 任你日视频| 久鲁鲁色网 | 中文激情网| 夜夜人妻五月天| 五月丁综合在线观看| 久色资源网| 丁香六月婷婷开心| 婷婷五月丁香色色| 婷婷久久五月| 人人舔人人| 色情婷婷五月天| 色婷婷丁香花五月天| 亚州激情九月| 天天艹夜夜爽| 色综合久久88色综合天天99| 影音先锋男士资源网一区| 四色永久成人网站| 99在线小视频| 亚洲成av人影院| 日本综合九九| 99热在线爱| 婷婷五月色網站| 色综合色| 五月天伊人久久| 九九精品这里只有| 色五月婷婷av| 奇米色大香蕉| 电影《战争与艾拉》免费观看| 5月婷婷6月六月丁香| 久久曰曰| 成人一级片| 五月婷六月丁香| 亚洲天堂久久| 激情六月丁香| 五月天色区| 精品无码久久久久久久久| 色婷婷在线影院| 国产精品久久久丁香五月八戒视频| 九九干视频| 九九九九九999999| 久1色色| 激情爱爱网站| 激情五月色综合网| 99热无码首页| 九九色婷婷五月天| www.操逼comm| 做爰丰满少妇1313| 久久6这里只有精品| 99久精品视频| www91久久| 丁香色五月婷婷| 9精品久久999| 久久6这里只有精品| 日韩999| 狠狠色中色| 1024国产在线| 夜夜操少妇| 思思热精品在线视频| 婷色视频| 先锋资源91| 婷婷五月六月丁香| 九九热免费| 婷婷综合丁香| 丁香六月婷婷激情| 亚洲成人av在线观看 | 欧美色骚婷婷五月天| 色婷婷电影网| 99视频在线播放大全| 九九色热| 97热九九| 色情丁香五月婷婷精品| 97香蕉碰碰人妻国产欧美| 六月婷婷综合| 久久99综合网| 中文字幕人妻在线| 欧洲综合视频| 丁香五月电影| 丁香五月婷婷婷婷欧美综合| 天天天天操| 欧亚色色| 中文字幕丰满孑伦无码专区| 五月丁香 啪啪啪| 国产精品久久久久久久久久久久 | 丁香五月天啪啪a日本| 久久久天堂国产精品女人| 成人久久天天x资源站| 五月婷婷啪啪| 99热精品10| 免费精品99| 五月天婷婷一起草| 丰满人妻妇伦又伦精品国产| 激情网婷婷婷| 97超级操操| 99热这里是精品| WWW.HENHENL.| 婷婷中文字幕网| 五月丁香啪啪婷婷| 五月综合久久| 婷婷五月天天aV| 丁香婷婷久久五月天| 日韩精品二三区| 热久久婷婷| 五月天播播中文字幕| 91在线日本| 91丨九色丨熟女丰满| 综合激情五月天| 婷婷亚洲综合| 天天日天天日天天搞| 亚洲激情六月丁香| 啪啪91| 欧美99热| 亚洲在线成人| 婷婷激情图片| 丁香美女主播视频在线观看| 99综合自拍| 99精品在线| 国产99视频永久免费| www.久操| 91狠狠色丁香婷婷综合久久| 思思热热久久| 日韩av在线免费观看| 五月婷婷中文| 涩婷婷五月天| 久久婷五月天| 日韩成人中文| 五月婷婷久久综合| 久色网五月| 女人天堂久久| 欧美操人| 婷婷 色 丁香 夜| 1024人妻| 色婷婷第四色| 99久久综合| 五月丁查人人| 综合99在线| AV免费在线网站| 俺去也五月| 丁香5月婷婷| 99久在线观看| 奇米色大香蕉| www色色com| 婷婷丁香五月在线播放| 婷婷日在线观看| 精品导航在线x不卡| 五月色综合| 色婷婷狠狠干芒果TV| 五月天激情四射| 成人国产网| 任你爽视频| 天天干com| 丁香五月影院| 亚洲无码成人网| 91丁香色| 成人做爰A片免费看视频| 色综合五月| 天天做天天双| 99碰超| 九九综合网| 婷婷成人五月天成人文学| 国产片色| 精品国产va久| 色五月婷婷中文字幕| 亚洲欧美日韩另类| 久久ri精品| site:pnnrt.com| 99热99美国在线观看| 深爱激情av| www99热| 9 9 9色色| 国产精品第一国产精品| 色情五月综合婷婷| 人人摸人人干人人做| 99只有这里是精品| 丁香五月婷中字幕| 亚洲成人AV在线播放| 九九热最新地址| 精品夜夜澡人妻无码AV| 大大香蕉综合在线| 91视频一起草| 婷婷色五月天第7色| 日日激情网| 九九激情| 五月丁香人妻| 色婷插| 激情五月婷黄版| 99在线播放视频| 少妇婷婷五月天| 亚州操人在线视频| 久久久久9| 中文字幕成人| 国产亚洲99久久精品熟女| 婷婷射综合| 99久热视频在线| 亚洲视频一区| 国产人妻777人伦精品HD| 9视频在线成人网站| 色综合香蕉| 99视频精品全部免费看| 五月激情网站| 亚洲在线综合| 欧美黑人大吊| 精品五月丁香| 天干天天干天天天天天| 婷婷五月永远18免费久久久| 国产精品-91JQ就要激情网91JQ6.91JQ27.CASA:16888 | 激情久久久久| 五月色情婷婷| 六月丁香成人| 色婷婷五月亚洲| 热久久视频99| 欧美成人色婷婷| 五月丁香婷爱在线| 99精品视频在线观看| 欧美乱码国产一级A片| 六月份天丁香婷婷| 婷婷五月激情图片| 亚洲免费看片| 伊人高清无码| 九九爱精品网站| 丁J香六月首页| 亚洲第一av| 九热视频在线精品15| 色欲av伊人久久大香线蕉影院| 91九色在线| 亚洲va日| 婷婷丁香五月天亚洲| 狠狠色综合网站久久久久| 另类激情首页| www.99色| 色色色com| 97日日碰碰| 久操福利| 五月婷婷狠天天色综合| 天天做 天天爱| 婷婷五月天第四色| 久久性操| 99国产在线精品视频| 1024成人免费看| 日韩精品一区二区亚洲AV观看| 久久婷婷热| 久婷婷久草| 色五月丁香五月婷婷五月成人网| 欧美三日本三级少妇三99| 99色在线视频| 五月丁香色色色| 操操天堂| 五月开心啪啪| 久99在线视频| 欧美午夜乱妇午夜福利| 97成人在线视频精品| 五月天婷婷基地| 婷婷丁香五另类网站| 五月丁香六月欧美综合网站| 丁香五月婷婷基地| 色色色色区| 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 | 七月丁香婷婷 色色| 久热伊人9| 久热这里这里有精品| 啪啪亚洲综合| 久草久青福利| pacopacomama 070722_670 素人奥様初撮りドキュメント 103 大久保純子 | 思思热视频| 亚洲一二三网| 婷婷五月69| 色视频五月天| 蜜桃成语时李时珍 免费| 国产婷婷综合| 色久免费| 99热这里只有精品66| 狠狠久久婷| 亚洲avjiujiur91| 丁香婷婷性久久| 国产成人AV| 97色久| 激情小说五月欧美亚洲丁香| 亚洲高清在线| 啪啪婷婷五月天激情| 五月丁香欧美在线| 婷婷五月天基地| 天堂爱啪啪| 婷婷涩涩网| 91久久久久久久| 一起操 91N.com| 亚洲99在线| 欧美人妻一区二区| 天天干天天爽| 色五月婷婷91| 老师把我爽高潮了免费A片| 亚洲视频二区| 五月天激情无码| 国产精品久久久久久久久久| 五月天亚洲图片婷婷| 深爱婷婷网| 操日本99| 99色播| 夜夜干夜夜操| PORNY九色9l自拍视频成人| 五月丁香六月欧美综合网站| 新激情五月天| 丁香开心深爱| 99re久久| 日本91在线| 热久久这里只有精品| 亚洲AV成人在线观看| 五月婷婷成人网首页| 99色精品| 色婷婷成人丁香| 色播婷婷五月天| 97干在线观看| 欧美成人va| 日韩啪图| 天天爱天天做天天操| 激情综合丁香| 婷婷瑟瑟五月天| 亚洲六月综合激情久久下卡| 深爱激情网噜噜色| av高清无码| www.五月天婷婷姐姐| 伊人激情AV一区二区三区| 丁香六月激| 色五月综合在线| 99热9| 成人片在线播放| 成人av中文字幕| 久久 婷婷 五月天| 激情综合五月激情17| www.夜夜操| 日韩操人| 激情五月丁香五月| 色天天久婷婷| www.lchjjc.com| 欧美va欧美va差| AV操一操| 女人被男人吃奶到高潮| 五月丁香琪琪| 深爱婷婷网| 色久在| 欧美性生交XXXXX无码小说| 美女要搞搞天天搞搞搞网站| 激情综合网激情五月婷婷| 色天天综合成人网| 亚洲婷婷丁香五月| 色综合久久综合中文综合网| 伊人狠狠丁香婷婷综合尤物| 婷婷激情社区| 五月婷丁香久久久| 超碰五月婷婷五月天| 操骚货在线| 99热久草| 四LLL少妇BBBB槡BBBB| 永久AⅤ1| 99碰网站| 99re在线播放| 久久一热| 综合色图区| 国产日韩欧美| 四色99久久| 色婷婷97| 久久A极片| 天天干天天操天天拍| 丁香六月激情四射| 久草热8精品视频在线观看| 激情婷婷五月基地| www99久久| 国产XXXX搡XXXXX搡麻豆| 色五月视频,小说| 在线A色| 内射综合网| 色99在线| 婷婷久久图片| 伊人www22综合色| 亚洲天堂亚洲色色色| 亚洲mm免费| 性生活视频98791| 五月婷婷天天色| 开心久久网婷婷| 五月丁香| 激情综合色播| 丁香五月亚洲AV| 操操熟女| 99久久国产宗和精品1上映| 丁香午夜天| 亚洲成人色五月婷婷综合| 久9热插入| 九九视频在线| 五月亭亭开心网| 99久久国产宗和精品1上映| 成人做爰A片免费看视频| 激情五月丁香亭亭| 六月丁香五月婷婷首页| 综久久久| 国产毛片精品一区二区色欲黄A片| 色综合99| 色爱综合视频| 偷拍九九五月丁香婷婷| 婷婷五月天视频| 噜噜视频| 丁香五月丁香伊人| av九九| 五月婷久久久| AV色色天堂中文| 婷婷大香蕉| 亚洲色优| 六月丁香激情综合| 婷婷五月在线综合| 夜夜资源站| 激情婷婷99| AA丁香综合激情| 69久久99精品久久久久婷婷| 激情五月四色| 99热精品在线播放观看| 五月丁香啪啪啪啪| 天天综合网~91| 九九无码AV| 久热婷婷| 久草五月| 国产在线中文字幕| 无码99| WWW激情五月天| 深爱五月激情网| 丁香婷婷五月天激情四射| 思思干精品| 青青草免费公开视频| 综合久久99| 五月婷婷激情性爱| 婷婷色五月婷| 婷婷五月激情视频在线| 一区二区三区四区无码| 色五月激情五月丁香五月婷婷啪啪综合 | www...com黄在线观看| 2018国产大陆天天弄| 欧美丁香婷婷五月| 丁香五月性爱| 在线不卡视频| 狠狠香蕉| 日本操B视频| 日本成人噜噜噜| 人妻AV在线观看| 国产精品扒开腿做爽爽爽A片唱戏| 思思热久久爱| 激情中文在线| 思思热精品在线| 久久这里只有精品网| 色婷婷成人久久| 国产成人AV在线| 五月婷丁香花| 日韩青青| 丁香五月色网| 丁香五月婷婷综合视频| 大香蕉AV电影在线| 天天肏在线观看| 情欲综合网| 狠狠爱夜夜| 久久98| 激情婷婷色五月| 久久黄A片| 99在线资源视频| 色色丁香婷婷| 99热只有精品在线观看| 色婷久九| 色天堂婷婷| 国产激情在线| 亚洲视频丁香网va| 婷婷五月丁香A∨| 婷婷丁香18| 99re最新地址| 亚洲AV成人精品日韩在线播放| 欧美精品在线观看| 天堂网啪啪| 欧洲亚洲免费视频区| 亚洲欧美国产A片免费观看| 天天天天天天操| http://www.sd-xiangsu.com/| 99热精品在线播放| 久热视频97AV在线观看| 狠狠操综合| 婷婷五月天电影网| 九九热这里精品| 激情文学第四色婷婷丁香五月| 中文字幕按摩做爰| 狠狠色噜噜狠狠狠狠综合| 成人狠狠成人狠狠成人狠狠成人狠狠 | 一区二区三区视频| 99热在线观看免费中文| 久久激情网| 日日骑夜夜撸| 伊人久热91| 亚洲V国产V欧美V久久久久久| www.激情五月| 五月丁香婷婷婷婷综合网| 色色色色色色色色色色色色色97| 一本道在线电影| 激情综合网五月| 97色婷婷| 欧洲MV日韩MV国产| 停停五月色宗合| 亚洲综合激情五月天婷婷| 久久久久人无码人妻| 亚洲网视屏| 色色欧美色色| 91丨九色丨熟女|老版| A一级操| 亚洲精品激情| 9久久精品| 青青操成人福利| 久久久久久久综合狠狠综合| 亚洲天堂aaa| 亚洲色视频| 色综合9| 激情综合五月婷| 天天色激情| 综合大香蕉| 激情图片亚洲| 丁香婷婷网| 六月婷婷激情小说网| 九色91视频| 久久婷婷五月天激情新地址| 肏日网在线看| 日本五月丁香| 99热99干| 热婷婷在线视频| 色七色九九| 久久9精品| 9色操| 二色AV| 激情六月日韩| www.婷婷| 亚洲综合成人网| 久久这里有| 九九热精品| 日本久久超碰| 91久久婷婷人人澡草| 亚洲中文乱字字幕在线永久| 五月天堂色色| 天天噜天天爱| 婷婷激情图片| 婷婷五月色综合| 天天爽免费视频| 丰满少妇乱A片无码| 婷婷激情四射| 人妻久久久| 久久婷婷五月综合色欧美| 六月婷婷激情| 深爱五月激情五月| 婷婷丁香五月天色色| 狠狠色丁香99| 天天综合精品| 九九色热| 99碰网站| 五月丁香久久色| 深爱激情av| 嫩草AV久久伊人妇女超级A| 五月伊人网| 亚州色色色| av一区免费看| 激情五月天婷婷视频| 99re热视频这里只精品| 99人人干| 国产激情综合五月久久| 色欲婷婷五月天丁香| 国内在线99视频| 五月停停丁香| 影音先锋美国A| 91热er| 五月天社区| 99re99在线看| 色婷婷影视| 色婷婷久久久| 91丨九色丨熟女丰满| 色色婷婷丁香五月天| 天天操天天干天天日| 97婷婷久久丁香| 婷婷 色 丁香 夜| 日都一级A片| 五月丁香啪啪啪| 在线看黄色| 日韩五月丁香| 99久精品视频| 五月天成人在线播放| 铁牛TV人妻| 99热国内精品| 淫视馆aV二区一区| 97久久精品| 久草婷婷| 色综合久| 婷婷丁香社区网| 日日天天干| 九九热只有这里精品| 五月丁香六月婷婷啪啪| 麻豆科斗777| 婷婷97狠狠成人网站| 欧美日韓成人亚洲精品另类| 亚洲另类电影| 亚洲综合五月天综合| 日韩少妇内射免费播放| 五月丁香婷婷潮喷中文字幕| 亚洲视频在线网| 超碰在线免费9| 99人人操人人操人人精| 欧美一级色| 欧美激情综合| www.minyis.com【JT】实力收量可预付QQ2101460746 | 激情都市丁香婷婷| 99热综合色图| 九九99精品视频在线观看| 五月丁香综合久久| 婷婷久久天堂网| 激情丁香六月| 高清激情av在线观看| 婷婷五月久久| 丁香六月婷婷五月婷婷| 97资源碰碰| 人妻少妇色综合| 婷婷色情小说| 97久久五月丁香婷婷| 伊人激情| 色婷婷五月天成人网| 秋霞网在线免费基地五月婷婷丁香| 丁香婷婷激情五月天无毒不卡蜜桃| 99热青青草| 免费无码毛片一区二区A片| 日韩色色视频www| 97碰人人操| 爱操人妻| 五月婷色啪| 色色色色色五月丁香| 国产毛片欧美毛片久久久| 天天综合社区| 五月天婷婷久久视频| 激情伊人六| 亚洲综合欧美色丁香婷婷888月图片| 激情五月色婷婷| 激情五月天在线观看婷婷| 久久六月婷婷| 97资源欧美日韩大香蕉超碰一区| 这里只有精品热| 狠狠狠狠草草| 五月丁香香蕉| 天天舔天天摸天天射| 五月亭亭欧美女人| 婷婷五月天在线观看| 国产视频婷婷| 婷婷欧美激情综合| 色婷亚洲五月丁香| 五月天成人综合| 激情网婷婷五月天| 久婷婷五月激情| 玖玖五月| 伊人激情影院| 五月综合激情网| 五月激激网w'w'w| 色婷婷综合成人| 日本人妻伦在线中文字幕| 操逼六区| 亚州性爱99| 91九色网| 亚洲激情五月| 亚洲精品久久久久久久久久吃药| 婷婷五月天视频免费在线观看| 91性高潮久久久久久久久| 亚州成人综合在线| 人妻精品在线| 欧美25p| 色欲婷婷夜夜| 成人视频一区| 秋霞少妇毛片| 日日影院 | 亚洲另类电影| 婷婷五月天在线综合| 五月天婷亚洲综合在线嫩草网| 激情五月婷| 九九99视频精品| 艳妇野外情欲放荡HD| 大香蕉久久| 日韩久久色| 日本五月婷| 五月婷婷花| 丁香婷婷五月天亚洲| 国产综合视频婷婷| 婷婷五月激情视频网| 亚洲第一成人无码A片| 九九热在线视频观看| 丁香五月开心亚洲| 狠狠狠夜夜夜| 《》【无码】想被搞到爽AV应募而来的超M素人 西纯子 10musume-011723-01 | 五月丁香六月综合基地| 色五月婷婷在线观看第一页舔| 亚洲色网址| 色激情五月天| 九九九成人在线视频| 99男人的天堂| 丁香五月天天| 天天插操| 五月激情啪啪| 久婷五月| 婷丁香五月天| 国产精品热搜丁香五月婷婷| 婷婷色色播五月天| 五月丁香婷婷无码A∨| 婷婷五月综合激情| 亚洲av网站在线观看| 色97啪啪| 五月激情久久| 九九九九九九九九九九九九九国产精品 | 99er久久| 婷婷五月天男人影院色色网| 日本五月视频| 五月天玖玖狠狠色色| 一区二区三区四区无码| 夜夜天天天天天干天天爽| 亚洲性图一区二区三区| 99免费视频久久| 亚洲区,视频区,视频区免费| 久热人妻| 色色色999| 色五月综合网| 啪啪综合| 婷婷中文无码| 天天射影| 久久这里都是精品免费| 婷婷和五月天| 丁香五月激情六月欧亚激情综合导航| 五月天丁香综合| 日本久热| 综合激情五月丁香| 亚洲激情高潮| 亚洲人人干| 狠狠干综合网| 欧美丁香五月夫妻天| 超碰91人人操| 成人看片网站| 26uuu日韩| 色色亚洲| 日韩在线看AV| 日韩三级视频一区二区| 4399在线观看免费高清黄色视频| 久久婷婷国产| 色色综合色视频| 99这里只有免费的精品| 大伊久久| 亚洲五月天狠狠| 久色资源网| 色色丁香婷婷综合| 五月丁香婷婷六月| 五月丁久久| 五月天丁香婷婷网| 91婷婷五月丁香碰| 五月婷婷啪啪啪| 99在线观看亚洲| 五月天婷婷青青草| 噜噜视频| 色五月激情五月| 91打屁股免费看| 影院久久久| 91操在线视频| A√天堂网在线| 九九精品视频在线6| 激情久久肏屄视频| 久久99网| 激情电影五月婷婷| 91九色精品| 再綫Av免费視品| 丁香五月激情啪啪| 婷婷在线免费| 超碰在线观看三级片| 六月激情婷婷| 久久五月视频| 国产91资源在线| 婷婷五月天大香蕉| 成人色站,在线视频,看片-SS1AV| 婷婷色Av| 91五月天| 1级欧美日韩| 色色免费网站| 五月激情丁香五月宗合| 国产成人+亚洲+欧洲| 99色网站| 丁香婷婷浪潮AV久久综合| 色婷婷伊人| 五月婷婷免费视频| 婷婷狠狠操| 成人AV在线电影| 一级二级色大片| 成人片久久网站| 99久在线精品99re5热视频| 亚洲精品V天堂中文字幕| 综合色色综合| 狠狠狠人妻| 欧美性猛交99久久久99| 国产成人综合亚洲| 亚洲免费99| 噜噜噜精品欧美成人在线观看| 婷婷激情四射| 无码视频国内精品久久久| 久久性综合| 大香蕉久| 免费97碰碰| 五月天激情网页| 国产亚洲色婷婷久久99精品91| 色婷婷人人| ri电影在线| 色婷久| 五月婷婷很很色| 亚洲精品电影| 99热激情| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 在线综合婷婷| 丁香婷婷视频在线| 成人无码髙潮喷水A片| 久操综合| 婷婷丁香激情综合色情| 另类在线| 丁香五月天堂网| 色播丁香婷婷五月激情| 天天日天天爽| 97精品欧美91久久久久久久| 夜夜操天天爽| 26UUU欧美| 91九色小视频| 97色色在线视频| 国产毛多水多女人A片| 一月婷婷色色| 久久99性爱| www,setingting| 国产婷婷五月中文字幕高清| 成人在线网| 亚州操操| 日日操日日撸| 热久久这里只有三级视频| 久久精品永久免费| 大香蕉五月天婷婷| 婷婷久久五月| 噜噜色噜噜网| 丁香五月影| 大香蕉久艹| 另类图片五月天| 日韩无码91| 婷婷五月精品中文字幕| 无码人妻AV久久久一区二区三区| 色婷婷综合综合网| 六月婷婷视频| 激情性爱网站| 色五月综合激情| 五月丁香婷婷狠狠操| 色婷婷色久综| 少妇AB又爽又紧无码网站| 日韩啪啪网| 在线看片av| 色情激情五月| 国产亚洲99久久精品| 婷五月天六| 五月婷婷啪啪啪啪| 六月激情婷婷| 精品99视频| 五月丁香亭亭天天舔| 国产欧美日韩性爱| 91九色 婷婷| 久久91久久精品久久| www.夜夜操| 亚洲旡码| 亚洲日韩欧美综合VA| 夜夜涩涩涩| 色九亚洲| 五月天大香蕉AV| 日本精品人妻无码77777| 色婷婷五月天激情久久| 久久 婷婷 五月天| 丁香花综合永久入口| 丁香六月婷婷综合激情欧美| 亚洲激情网| 五月情丁香色| 精品亚洲国产成AV人片传媒| 丁香婷婷久久综合在线| 98国产精品综合一区二区三区| 2015好吊操| 99精品偷自拍| 亚洲性爱99在线| 男人的天堂av俄罗斯热| 99热九九热| 婷婷 丁香 久久| 亚洲AV免费在线| 五月欧美色播| 亚洲成av人影院| 中文国产五月天| 我想看国产大学生口爆吞精的视频| 激情五月天影院| 婷婷色啪| 九九在线视频| 激情五月婷婷在线| www.一起草av| 成人一级片| 久热久色| 在线看的免费网站| 色色性爱视频| 大香AV| 成人丁香五月天| 色情激情五月| 久9热在线免费观看| aa久久| 五月丁香六月婷婷亚洲激情综合| 九九婷婷五月天| 久热这里只有精品6| 99精品在线观看| 亚洲在线免费成人| 日本狠狠网| 六月色日韩| 人人肏逼视频在线一区二区| 天天干天天做| 天天爽—爽| 91成人看| 久99久热| 婷婷成人小说综合| 九九人人精品| 超碰亚洲欧美| 九九干视频|