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。

基于SVM的機器學習入侵檢測系統(tǒng)源碼解析與復現(xiàn)要點

基于SVM的機器學習入侵檢測系統(tǒng)源碼解析與復現(xiàn)要點 簡介這是一套基于機器學習的入侵檢測系統(tǒng)完整實現(xiàn)包含源代碼與配套文檔適合計算機相關(guān)專業(yè)的在校學生用于畢業(yè)設(shè)計、課程設(shè)計或項目初期立項演示也適合初學者進階學習。系統(tǒng)采用Python編寫代碼涵蓋數(shù)據(jù)預處理、SVM分類算法以及網(wǎng)絡抓包模塊包括數(shù)據(jù)讀取、標準化處理等環(huán)節(jié)讀者可從中理解從數(shù)據(jù)清洗、特征提取到模型訓練與入侵檢測的完整流程。資源共22個文件以Python腳本為核心輔以XML配置、Markdown說明文檔及許可證文件整體壓縮包僅18KB代碼精簡、目錄結(jié)構(gòu)清晰便于快速閱讀與二次修改。目前已有457人學習下載項目說明顯示源碼已經(jīng)運行測試答辯評審平均分達到96分完成度較高。通過閱讀源碼與配套文檔不僅能快速復現(xiàn)基礎(chǔ)的入侵檢測流程還可在此基礎(chǔ)上替換算法或接入真實網(wǎng)絡數(shù)據(jù)適合作為進一步研究、課程作業(yè)參考或項目拓展的起點。1. 基于機器學習的入侵檢測系統(tǒng)源碼包拆解與復現(xiàn)路徑這套「基于機器學習的入侵檢測系統(tǒng)」源碼本質(zhì)是一條完整的批處理檢測管線Sniffer.py負責抓流量DataProcessor.py把流量解析成特征向量SVM.py負責訓練和判別最終輸出正常 / 異常的判斷結(jié)果。它對應的是計算機相關(guān)專業(yè)里典型的畢設(shè)課題也適合作為課程設(shè)計或項目初期立項演示。與大部分用深度學習做 IDS 的演示項目不同這套代碼的核心分類器是 SVM在小樣本、高維流特征的場景下反而比神經(jīng)網(wǎng)絡更可控訓練快、調(diào)參透明答辯時也好解釋。適合想快速拿到一套能跑通、能復現(xiàn)、能改的入侵檢測系統(tǒng)的從業(yè)者或?qū)W生我下面把建模思路、運行流程、參數(shù)設(shè)置和踩坑點逐一拆開。2. 為什么選 SVM 加流特征入侵檢測建模思路與特征工程2.1 入侵檢測先分清檢測對象網(wǎng)絡側(cè)與數(shù)據(jù)側(cè)入侵檢測系統(tǒng)Intrusion Detection System, IDS按數(shù)據(jù)源大致分兩類。一類是主機側(cè)HIDS看系統(tǒng)日志、進程行為、文件完整性另一類是網(wǎng)絡側(cè)NIDS抓網(wǎng)絡流量分析。這套源碼走的是網(wǎng)絡側(cè)因為網(wǎng)絡側(cè)的數(shù)據(jù)獲取路徑最短而且不依賴目標主機的權(quán)限只需在網(wǎng)絡接入層做鏡像或旁路抓包。網(wǎng)絡側(cè) IDS 的檢測對象是「流」flow而非單個包。單個包能提供的信息非常有限只有 IP、端口、TCP 標志位和少量載荷但把一段時間內(nèi)屬于同一個 TCP 連接的數(shù)據(jù)包聚合起來就能計算會話時長、包長分布、包到達間隔等統(tǒng)計特征這些特征才能暴露端口掃描、DDoS、慢速爆破等行為模式。WebPackageSniffer這個目錄名說明這套代碼里有針對 Web 流量的抓取組件它配合Sniffer.py的工作方式是先抓原始報文再做五元組源 IP、目的 IP、源端口、目的端口、協(xié)議聚合按會話切分最后交給DataProcessor.py做特征統(tǒng)計。這個流程與 Suricata 等傳統(tǒng) IDS 的「抓包→解碼→規(guī)則匹配」思路不一樣它跳過了規(guī)則匹配直接讓機器學習算法從特征里學規(guī)律。2.2 SVM 在入侵檢測里憑什么合適常見的 IDS 分類器有決策樹、隨機森林、樸素貝葉斯、SVM以及后起的深度學習。這套源碼選 SVM有幾個現(xiàn)實原因。第一流特征通常是高維的。DataProcessor.py里對每個會話提取的特征一般有三十到幾十個維度而樣本量受限于標注數(shù)據(jù)集的規(guī)模往往只有幾萬條。高維小樣本正是 SVM 的舒適區(qū)它通過核函數(shù)把原始特征映射到高維空間在映射后的空間里找最大間隔超平面不容易像深度網(wǎng)絡那樣在小數(shù)據(jù)上過擬合。第二SVM 的決策邊界只由支持向量決定對冗余特征相對不敏感。網(wǎng)絡流量特征里經(jīng)常存在強相關(guān)變量比如包長均值與包長中位數(shù)決策樹類模型也可以處理但 SVM 配合標準化后收斂更穩(wěn)定。第三畢設(shè)場景需要「能講清楚」。SVM 的數(shù)學原理最大間隔、核函數(shù)、支持向量是機器學習課程的核心內(nèi)容答辯時解釋成本低。不過要留意一個點SVM 的原生輸出是樣本到超平面的距離而不是概率不能直接把predict結(jié)果當成置信度來展示。下面是典型的訓練流程代碼骨架對應SVM.py里的核心邏輯from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.metrics import classification_report, confusion_matrix # 加載經(jīng)過 DataProcessor 處理后的特征表 # 假設(shè)特征列是 feats標簽列是 label0 正常1 異常 X df[feats].values y df[label].values # 先劃分再標準化避免測試集信息泄漏到訓練過程 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy ) scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test) # RBF 核C 控制誤分類懲罰gamma 控制單個樣本的影響半徑 clf SVC(kernelrbf, C10.0, gammascale, class_weightbalanced) clf.fit(X_train, y_train) y_pred clf.predict(X_test) print(classification_report(y_test, y_pred))邏輯說明先劃分訓練集和測試集是為了防止標準化時測試集的統(tǒng)計量參與計算這是初學者最容易犯的錯誤。stratifyy保證正常和異常樣本在訓練集與測試集里的比例一致避免某個分類在測試集里一個樣本都沒有。class_weightbalanced在樣本不平衡時代價敏感地調(diào)整誤分類權(quán)重后面會展開說。參數(shù)說明C10.0的語義是誤分類懲罰強度C 越大邊界越嚴格但也更容易過擬合gammascale表示根據(jù)特征數(shù)量自動計算 gamma 初值比手動填一個固定數(shù)值更穩(wěn)健我通常從scale起步再微調(diào)。2.3 特征工程重點協(xié)議頭、報文分布與時間窗統(tǒng)計DataProcessor.py在整條管線里承擔的是特征提取這是影響檢測效果最關(guān)鍵的一環(huán)。模型再強喂進去的特征區(qū)分度不夠結(jié)果也是空轉(zhuǎn)。常見做法是從原始 pcap 里按會話聚合計算三類特征。第一類是報文長度分布特征包括每個方向上包長的均值、方差、最大最小值、中位數(shù)。端口掃描和 DDoS 流量的包長往往集中在很小的范圍而正常 Web 流量的包長波動很大。第二類是時間相關(guān)特征如會話持續(xù)時間、到達間隔的均值與標準差。暴力破解會表現(xiàn)為短時間內(nèi)大量短連接持續(xù)時間極短。第三類是協(xié)議行為特征比如 TCP 標志位的統(tǒng)計、SYN 包占比、ACK 包占比。SYN flood 的 SYN 包比例會異常高。實際操作時DataProcessor.py一般先從抓包文件里提取每條流的五元組再按流 ID 聚合。偽代碼如下import pandas as pd def extract_session_features(flows): 對切分好的會話列表計算統(tǒng)計特征 records [] for flow_id, packets in flows.items(): lengths [p[length] for p in packets] timestamps [p[timestamp] for p in packets] intervals [timestamps[i1] - timestamps[i] for i in range(len(timestamps)-1)] records.append({ flow_id: flow_id, pkts: len(packets), bytes_total: sum(lengths), len_mean: sum(lengths) / len(packets), len_std: (sum((x - sum(lengths)/len(packets))**2 for x in lengths) / len(packets)) ** 0.5, duration: timestamps[-1] - timestamps[0], iat_mean: sum(intervals) / len(intervals) if intervals else 0, }) return pd.DataFrame(records)邏輯說明interval計算的是包與包之間的到達間隔iat_mean反映連接建立的頻率特征len_std在掃描攻擊時會明顯偏小。這些特征都不依賴 IP 和端口因此泛化性比直接輸入 IP 好得多。這里有一個關(guān)鍵邊界不要把源 IP、目的 IP、源端口、目的端口直接作為特征喂給 SVM否則模型學到的是「某個 IP 是壞的」而非「某種行為是壞的」換一個 IP 就失效。我在實際項目中見過有人把五元組作為特征直接訓練訓練集準確率接近 100%測試集一到真實網(wǎng)絡就崩原因就在標簽泄漏。3. 把代碼跑起來環(huán)境準備、訓練流程與關(guān)鍵參數(shù)解讀3.1 環(huán)境搭建與依賴確認打開壓縮包先看目錄結(jié)構(gòu)核心是MLAlgorithms目錄放算法實現(xiàn)以及根目錄的Sniffer.py、DataProcessor.py、SVM.py。WebPackageSniffer目錄負責 Web 流量抓取模塊。在跑之前先把依賴裝齊典型環(huán)境為 Python 3.7 到 3.10 之間需要的庫如下pip install scikit-learn pandas numpy scapy pyshark matplotlib邏輯說明scapy用于抓包和解析報文pyshark是對 Wireshark 的 tshark 命令的封裝scikit-learn提供 SVM 實現(xiàn)matplotlib用于后面可視化輸出。pyshark依賴系統(tǒng)安裝 Wireshark環(huán)境變量里要能找到tshark。如果提示找不到tshark屬于環(huán)境變量問題。Windows 下把 Wireshark 安裝目錄默認C:\Program Files\Wireshark加入PATHLinux 下檢查which tshark沒裝則執(zhí)行sudo apt install tshark注意安裝過程中會詢問是否允許非 root 用戶抓包選是否則每次都要用 sudo 執(zhí)行。3.2 數(shù)據(jù)集準備與標簽理解訓練一個監(jiān)督分類器必須有標注數(shù)據(jù)。最常用的畢設(shè)數(shù)據(jù)集是 NSL-KDD修正版 KDDCUP99它已經(jīng)處理好了特征列和標簽列省去了大量預處理工作。典型列結(jié)構(gòu)包含 41 個特征加 1 個標簽列標簽有normal和各類攻擊類型。使用時的處理慣例是把多分類任務折疊成二分類正常流量記為 0所有攻擊類型統(tǒng)一記為 1。折疊后對模型的壓力會小很多也貼合這個項目的「正常 / 異?!苟诸惗ㄎ?。讀取與折疊的代碼一般寫在DataProcessor.py里import pandas as pd df pd.read_csv(KDDTrain.txt, headerNone) label_col df.columns[-1] df[label] df[label_col].apply(lambda x: 0 if x normal else 1) # 丟棄原始協(xié)議類型列和 label 列保留數(shù)值特征 feats [c for c in df.columns if c not in [label_col, label]] X df[feats].values y df[label].values邏輯說明KDD 數(shù)據(jù)集的原始標簽是字符串需要一次性映射成整數(shù)。代碼里apply僅針對最后一列做判斷normal映射為 0其他所有攻擊標簽映射為 1這是最常見的做法。參數(shù)說明feats列表排除了原始標簽列但要注意 KDD 里還有兩列是符號型特征協(xié)議類型、服務類型直接喂給 SVM 前要做編碼或直接丟棄。我的習慣是先丟掉協(xié)議和服務列只保留連續(xù)數(shù)值特征因為這兩個符號字段在真實流量里分布差異極大容易造成過擬合。3.3 訓練流程與 SVM 參數(shù)調(diào)優(yōu)SVM.py里提供的訓練流程一般分為四步標準化 → 劃分數(shù)據(jù)集 → 訓練 → 輸出評估指標。完整流程可以寫成一個可復用的函數(shù)def train_svm(X, y, test_size0.3, kernelrbf, C10.0, gammascale): X_train, X_test, y_train, y_test train_test_split( X, y, test_sizetest_size, random_state42, stratifyy ) scaler StandardScaler().fit(X_train) X_train_scaled scaler.transform(X_train) X_test_scaled scaler.transform(X_test) clf SVC(kernelkernel, CC, gammagamma, class_weightbalanced) clf.fit(X_train_scaled, y_train) y_pred clf.predict(X_test_scaled) acc (y_pred y_test).mean() print(fAccuracy: {acc:.4f}) print(confusion_matrix(y_test, y_pred)) return clf, scaler邏輯說明scaler必須在訓練集上fit再對測試集只做transform這是為了保持特征縮放的一致性。返回值里clf和scaler都要保留后續(xù)實時檢測時需要先用scaler處理在線提取的特征再交給clf預測。參數(shù)說明random_state42固定隨機種子讓每次運行結(jié)果可復現(xiàn)這是答辯前必須養(yǎng)成的習慣test_size0.3表示測試集占 30%如果數(shù)據(jù)量小可以調(diào)到 0.2但不宜更小否則評估結(jié)果不穩(wěn)定。調(diào)參時可以先用網(wǎng)格搜索找一組較優(yōu)的C和gamma再人工微調(diào)from sklearn.model_selection import GridSearchCV param_grid { C: [1, 10, 100], gamma: [scale, 0.01, 0.001] } grid GridSearchCV(SVC(kernelrbf, class_weightbalanced), param_grid, cv5) grid.fit(X_train_scaled, y_train) print(grid.best_params_, grid.best_score_)邏輯說明網(wǎng)格搜索會在每個參數(shù)組合上做 5 折交叉驗證選出平均分數(shù)最高的一組。這樣比手動試參更系統(tǒng)缺點是計算量大KDD 數(shù)據(jù)集規(guī)模不大通常一分鐘內(nèi)能跑完。這里有個經(jīng)驗C從 1 到 100 之間調(diào)整gamma如果設(shè)得太大比如 0.1 以上SVM 會把每個樣本周圍都畫得很緊訓練集分數(shù)很高測試集卻明顯下跌這是過擬合的信號。4. 入侵檢測應用中的常見問題與排查流量丟了、樣本偏了、誤報炸了4.1 抓包長度不足導致特征算出來全是 0現(xiàn)象用Sniffer.py跑實時抓包喂給DataProcessor.py后會話特征的包長度、字節(jié)數(shù)全部為 0SVM 預測結(jié)果清一色是正常。原因抓包時網(wǎng)卡沒有開啟混雜模式或者抓包長度被限制。在交換網(wǎng)絡環(huán)境下非混雜模式只能收到發(fā)往本機的報文大量旁路流量根本進不來抓包長度snaplen設(shè)置過短則只能拿到報文頭部載荷被截斷雖然長度字段還在但重組和統(tǒng)計會出問題。解決在Sniffer.py里顯式設(shè)置網(wǎng)卡為混雜模式并把 snaplen 調(diào)大import pyshark # 開啟混雜模式抓完整包timeout 表示窗口時長秒 capture pyshark.LiveCapture( interfaceeth0, use_jsonTrue, bpf_filtertcp or udp, monitor_modeFalse ) capture.sniff(timeout60)邏輯說明bpf_filter限制只抓 TCP 和 UDP 報文減少不必要的處理開銷timeout60表示持續(xù)抓取 60 秒然后統(tǒng)一輸出這批流量做分析。如果是在虛擬機上跑注意虛擬機網(wǎng)卡默認可能是 NAT 模式只能看到虛擬網(wǎng)段里的流量需要改成橋接模式才能看到真實局域網(wǎng)流量。還有一個容易被忽略的細節(jié)在 WSL 環(huán)境下跑pyshark抓包經(jīng)常拿不到接口列表這不是代碼問題是 WSL 的網(wǎng)卡架構(gòu)不支持原生抓包建議直接換到原生 Linux 環(huán)境。4.2 樣本不平衡導致全判成正常流量現(xiàn)象訓練完成后準確率 99%但看混淆矩陣發(fā)現(xiàn)異常樣本的召回率接近于 0模型把所有流量都判成正常。原因真實網(wǎng)絡里正常流量占絕對多數(shù)異常流量可能不足 1%。SVM 在默認設(shè)置下追求整體準確率少數(shù)類的誤分對損失函數(shù)貢獻太小因此邊界會偏向多數(shù)類一側(cè)。解決在創(chuàng)建SVC實例時加class_weightbalanced它的作用是按類別樣本數(shù)量的反比自動調(diào)整權(quán)重少數(shù)類分錯時付出更高的代價。代碼前面已經(jīng)出現(xiàn)過這里列一下調(diào)整前和調(diào)整后的效果差異# 調(diào)整前異常樣本幾乎全部漏報 clf SVC(kernelrbf, C10, gammascale) # 調(diào)整后少數(shù)類召回率明顯上升但誤報也會增加 clf SVC(kernelrbf, C10, gammascale, class_weightbalanced)邏輯說明class_weightbalanced等于給樣本量少的類別更高的誤分類懲罰代價是正常流量的誤報率會上升這是安全場景下的合理取舍——漏掉一次攻擊的代價通常比多告警一次高得多。4.3 離線訓練與在線檢測的特征不一致現(xiàn)象訓練集上用 NSL-KDD 評估效果不錯但把Sniffer.py抓到的新流量喂給同一個模型預測結(jié)果完全失真。原因離線訓練的特征來自已經(jīng)切分好的會話記錄而實時抓包的流量是連續(xù)不斷的字節(jié)流切分方式不同導致每條流的特征計算口徑不一致模型輸入分布完全變了。解決把特征提取邏輯封裝成一個統(tǒng)一函數(shù)在線和離線共用同一套特征計算代碼。我一般這樣做def build_flow_features(packets): 統(tǒng)一的流特征提取入口離線和實時都走這里 flows sessionize_packets(packets) features extract_session_features(flows) features drop_ip_and_port(features) return features邏輯說明sessionize_packets負責按五元組和超時閾值切分會話extract_session_features計算統(tǒng)計量drop_ip_and_port保證特征與離線訓練時一致。只要離線訓練的數(shù)據(jù)集預處理也調(diào)用了這個函數(shù)特征口徑就不會錯位。4.4 SVM 預測結(jié)果全是同一個類別現(xiàn)象對一批新流量預測輸出全部為 0 或全部為 1。原因predict_proba需要SVC(probabilityTrue)才能計算概率默認的 SVM 模型只能輸出類別標簽和決策距離。如果代碼里調(diào)用了predict_proba而實例化時沒加probabilityTrue會直接報錯不報錯但全判一類的情況通常是特征標準化參數(shù)不匹配比如用訓練集的scaler處理在線特征但由于在線流量統(tǒng)計量異常標準化后特征值全部落在邊界同一側(cè)。解決在SVC實例化時開啟probabilityTrue并檢查在線特征的值域范圍是否與訓練集一致clf SVC(kernelrbf, C10, gammascale, class_weightbalanced, probabilityTrue) distances clf.decision_function(X_test_scaled)邏輯說明decision_function返回的是樣本到超平面的帶符號距離距離越大說明越像正常類為負、越大說明越像異常類為正。用這個距離做閾值比直接用predict更靈活可以在告警敏感度上做調(diào)節(jié)。4.5 抓包程序長時間運行內(nèi)存持續(xù)上漲現(xiàn)象Sniffer.py連續(xù)跑幾小時內(nèi)存占用漲到幾個 GB最后進程被殺。原因?qū)崟r抓包時把報文全部緩存在列表里會話超時后沒有及時回收數(shù)據(jù)結(jié)構(gòu)。解決對 TCP 流做主動老化超過 120 秒沒有新包的會話強制關(guān)閉并釋放內(nèi)存# flow_table 是五元組 id - 會話對象 for fid in list(flow_table.keys()): if time.time() - flow_table[fid].last_seen 120: processed extract_session_features({fid: flow_table[fid]}) flow_table.pop(fid)邏輯說明這段代碼在每次抓取新包時順帶掃描一次流表超時會話先提取特征再刪除引用。判斷條件里的 120 秒要大于你的會話超時閾值不然正常的慢連接會被提前切斷。5. 從離線檢測到實時檢測把 Sniffer 接入 SVM 判別的重構(gòu)思路5.1 實時檢測的整體結(jié)構(gòu)WebPackageSniffer目錄配合Sniffer.py可以做實時檢測改造。整體結(jié)構(gòu)是三條線并行抓包線程持續(xù)接收報文會話管理模塊做流聚合檢測模塊按時間窗口觸發(fā) SVM 判定。三個模塊之間用隊列解耦避免抓包阻塞影響判別。核心工作流是抓包線程把每個包解析成(五元組, 長度, 時間戳)的元組入隊會話管理模塊從隊列取包更新對應的流對象每隔 N 秒把當前活躍會話的特征做一次批量提取送入SVM.py訓練好的模型預測。import queue import threading import time pkt_queue queue.Queue() session_table {} def packet_callback(packet): # 解析包信息并放入隊列 pkt_queue.put({ src_ip: packet.ip.src, dst_ip: packet.ip.dst, src_port: packet[packet.transport_layer].srcport, dst_port: packet[packet.transport_layer].dstport, length: int(packet.length), timestamp: float(packet.frame_info.time_epoch) }) def detector_loop(clf, scaler, window60): while True: time.sleep(window) pending [] for fid, flow in session_table.items(): if time.time() - flow[last_seen] window: pending.append((fid, flow)) features extract_session_features(dict(pending)) scaled scaler.transform(features.drop(columns[flow_id])) preds clf.predict(scaled) for fid, pred in zip(features[flow_id], preds): if pred 1: print(f[ALERT] 異常流 {fid})邏輯說明抓包回調(diào)只是快速解析入隊不做任何統(tǒng)計避免在高流量下阻塞抓包線程。檢測循環(huán)按固定時間窗口觸發(fā)窗口內(nèi)活躍的會話統(tǒng)一推理這樣能批量復用模型預測接口效率比每來一個包預測一次高得多。參數(shù)說明window60表示 60 秒觸發(fā)一次全量檢測窗口大小需要權(quán)衡實時性和特征穩(wěn)定性。窗口太短5 秒內(nèi)統(tǒng)計量方差大模型輸出不穩(wěn)定太長300 秒以上異常行為已經(jīng)被放大到影響業(yè)務告警失去意義。實際部署時我會在 30 到 90 秒之間試跑觀察誤報率變化再定。5.2 窗口切分與特征對齊實時檢測里最容易翻車的點是「一個會話跨窗口」。假設(shè)窗口是 60 秒某條 TCP 連接在 0 到 120 秒持續(xù)傳輸?shù)谝淮螜z測窗口只算了它前半段流量第二次窗口只算了后半段兩次的特征分布必然不同模型的判斷就無法穩(wěn)定。處理策略是雙窗口會話在第一次被檢測后繼續(xù)累積統(tǒng)計信息但打上「已檢測」標記如果后續(xù)窗口里它的特征發(fā)生突變比如包長方差突然縮小再觸發(fā)一次告警。這個邏輯比簡單按窗口切分要復雜但更接近真實攻擊的漸變特征。5.3 告警輸出與可視化方式實時檢測的告警要有數(shù)據(jù)支撐不該只是打印一行文字。實踐中我會把告警信息落成結(jié)構(gòu)化日志import json import datetime alert { time: datetime.datetime.now().isoformat(), flow_id: fid, confidence: float(clf.decision_function(sample)[0]), src_ip: flow[src_ip], dst_ip: flow[dst_ip], } with open(alerts.jsonl, a) as f: f.write(json.dumps(alert) \n)邏輯說明decision_function輸出的距離可以作為置信度參考距離越大說明越偏離正常邊界。把告警按 JSON 行格式寫入文件后續(xù)可以直接導入 Elasticsearch 或做成表格展示畢設(shè)答辯時也方便給評審看真實輸出樣例。6. 檢測結(jié)果的驗證與進階混淆矩陣、閾值調(diào)節(jié)與特征擴展完成基礎(chǔ)訓練后先不要急著上實時檢測把評估環(huán)節(jié)做到位更重要。很多人在答辯時只會報一個準確率評審追問「那誤報率多少、漏報率多少」就答不上來。這里建議至少做兩件事。第一件事是輸出混淆矩陣的標準化視圖和召回率曲線。對于入侵檢測場景異常類的召回率真正例率才是核心指標準確率反而容易被不平衡樣本帶偏??梢栽赟VM.py基礎(chǔ)上加一段import matplotlib.pyplot as plt from sklearn.metrics import ConfusionMatrixDisplay ConfusionMatrixDisplay.from_estimator( clf, X_test_scaled, y_test, display_labels[normal, attack], cmapBlues ) plt.savefig(confusion_matrix.png)第二件事是調(diào)低決策閾值以提高異常召回率。SVM 在默認情況下以決策距離 0 為分界線但你可以把分界線往正常方向偏移讓更多模糊樣本被判為異常distances clf.decision_function(X_test_scaled) # 默認閾值是 0改為 -0.5 后更多樣本會被判為異常 y_pred_custom (distances -0.5).astype(int)閾值調(diào)整這是一種權(quán)衡閾值越小召回率越高誤報也會變多。具體設(shè)多少取決于你對漏報的容忍度沒有標準答案應該跑一組不同閾值的對比數(shù)據(jù)畫出召回率與誤報率的曲線這組圖拿到答辯現(xiàn)場比任何口頭解釋都有說服力。進階方向上可以進一步在現(xiàn)有 SV?M 基礎(chǔ)上做特征擴展比如把時間窗內(nèi)流量的目的端口熵值加入特征向量對端口掃描類攻擊會更敏感或者把分類器替換為梯度提升樹做對比實驗常見的做法是把SVC換為GradientBoostingClassifier復用同一套特征和評估邏輯對比兩者在召回率和訓練時間上的差異這組對比數(shù)據(jù)能直接擴充成畢設(shè)的一個章節(jié)。這套代碼我用下來最大的感受是作為畢設(shè)源碼它的目錄劃分足夠干凈Sniffer、DataProcessor、SVM三層職責邊界分明改起來不費勁但距離真正的產(chǎn)品化檢測還有明顯距離需要把會話老化機制、特征口徑統(tǒng)一和告警結(jié)構(gòu)化補上。從那以后我做任何流量檢測項目都會強制走一遍「統(tǒng)一特征函數(shù) 不平衡處理 閾值驗證」這條流程至少能少踩一半的坑。希望幫到你。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
综合久久久| 亚洲操逼网| 可以免费观看的AV| 婷婷月综合| 人妻少妇色综合| 五月丁香日本一抹本| 五月丁香综合中文| 伊人在线大香蕉网| 香蕉久久国产AV一区二区| 天天干狠狠| 91互操| 婷婷成年人免费视频| 成人在线网| 日韩人妻白浆视频系列| av大香蕉| 六月丁香五月天| 我要射综合| 丁香六月婷婷综合啪啪| 涩丁香91| 婷婷五月天久久| 五月丁香六月婷婷婷婷| 久热这里只有精品在线观看| 玖玖无码中文| 九九热在线精品| 五月天激情综合首页| 九九中文字幕九| 午夜少妇在线观看视频| 人人操插| 99亚洲视频| 99久久成人| 大香蕉五月天婷婷丁香91| 欧美性猛交99久久久久99按摩| 五月天日日操夜夜操 | 91久久色| 激情综合五月开心狠狠| 天天爱天天做天天日| 青青草原亚洲久| 婷婷六月丁| 久操97| 色狠狠五月天| 丁香五月天堂网| 最新亚洲色色网| 国产1区2区3区| 亚洲久热| 成人在线网| 蜜桃五月天| 色综合丁香婷婷| 99只有精品| 五月天婷婷在线播放免费| 就要去操亚洲成人精品五月天丁香婷婷| 色五月色五天色情网| 欧美性爱丁香五月| 五月天激情婷婷| 天天色天天爱天天爽| 丁香视频| 91无码高清| 99A片| 激情六月天| 日夜操B| 99这里只有| 丁香综合网| 激情二色月| 无码网| 丁香五月天激情网址| 色婷婷很很十八禁| 婷婷丁香五月基地| 万月丁香狠狠爱| 激情四射五月天| 中文AV网| 日本人妻A片成人免费看片| 久香草视频在线观看| 五月丁香狠狠爱| av首页在线| 色五月天激情| 色婷婷小说| 婷婷综合在线观看视频| 五月丁香综合激情网| 五月天色婷婷视频| 婷婷性爱无码视频| 成人精品视频99在线观看免费| 九九青草热| 久久99成人性爱高清视频| 久久五月丁香六月婷| 琪琪理论片| 日日操夜夜爽天天天| www久久五月com| 久re热视频| CAoub青青超碰| 激情五月九九九| 99婷婷五月天激情| 日本的α片xxxwww| 激情深爱综合网| 五月婷婷免费看| 五月天成人网在线观看| 丁香五月天婷婷激情| 成人在线视频一区| 97碰超级人人看| 99re8在这里只有精品| 五月丁香久久久| 再綫Av免费視品| 婷婷色五月天第7色| 免费的日逼视频| 啪啪激情网站| 精品无码99| 激情五月天婷婷五月天| 开心激情站| 亚洲视色| 久久99国产综合精品免费| 可以免费观看的av| 色婷婷久久7777| 婷婷9月天| av在线不卡播放| 四色五月婷婷| 色色五月天婷婷| 97视频91| 91色久| 亚洲精品无码一区二区| 国产精品色婷婷久久久精品| 99少妇精品| 69人人操人人爽| 99色日本| 五月丁香爱婷婷深深| 激情五月网站| 狠狠xx| 四色五月婷婷| 激情综合网激情五月婷婷| 丁香久久激情俄| 开心五月综合激情网| 91丁香五月| 99re最新地址视频| 亚州精品久久久久AV无码| 日日夜夜噜噜爽爽| 啊v视频在线观看| 蒲京久久无码视频| 激情床戏| 婷婷五月天综合久久| 开心色五月天久久久久久久| 天天爽,夜夜爽| 丁香激情网| 婷婷五月天色| 最近免费中文字幕大全高清大全1| 亚洲亚洲人成综合网络| 91婷婷五月丁香碰| 2025最新亚洲激情在线| 玖玖热视频| 99久久66| 五月天激情网页| 婷婷五月中文在线视频| 欧美性生交A片免费看| 亚洲无AV在线中文字幕| 五月天婷婷六月激情网| 日日天天干| 少妇真实被内射视频三四区| 毛v一区二区视频| 久热91精品| 五月6香色婷婷视频| 亚洲av骚货| 中字幕视频在线永久在线观看免费| 影音先锋91资源站| 九九在线精点品| 国产精产国品一二三在观看| 色5月婷婷色| 五月婷在线视频免费看| av在线免费播放观看| 快乐激情五月色婷婷| 色婷婷丁香五月天在线观看| 狠狠色综合久久久久| 99热热九九| 色久五月天| 青柠影视免费高清电视剧| 91丁香色| 丁香六月AV| 五月丁香六月色| 我淫我色婷婷五月天激情四射| WWW、日本色丁香co m| 丁香花五月天激情| 国产性爱色| 成人电影在线免费试看| 国产色色色色| 人人叉久| 99超级碰碰| 亚洲精品中文字幕成人片| 九九爱激情| 久久99最新地址| 亚洲性视频| 亭亭五月色男人| 91|疯狂丨高潮丨对白| 日韩婷久| 五月天丁香婷| 99九九视频| 九九这里有精品| 超碰A V在线| 开心五月深爱五月丁香五月激情五月 | 亚洲综合成人网| 亚洲国产成人裸舞| 九九精品碰| 日日干夜夜撸夜夜骑| 婷婷丁香五月亚洲| 国产精品久久久99视频| 91ncom.色| 婷婷射图| 五月天激情婷婷| 婷婷五月花| 五月婷婷丁香五月亚洲色| 婷婷五月天伊人| 国产成人精品一区二区三区视频| 免费精品66| 成 人片 黄 色 大 片| 丁香 婷婷五月| 91色逼| 玖玖婷婷五月天毛片| 丁香五月激情综合啪啪| 六月婷婷综合激情| 女人被男人吃奶到高潮| 久久婷婷五月综合97色一本| 精品久久久人妻| 色婷婷久久天天性爱| 久操大香蕉| 熟女激情网| 91九色首页| 噜噜色五月| 欧美成人精品A片免费一区99| 五月丁香久久综合| 婷婷久久综合| 久久综合激情五月天| 天天色天天操天天射| 婷婷五月 丁香六月| 激情图片婷婷丁香五月| 久久久久久草黄色片AV在线观看| 中文超碰视在线| 婷婷九月在线| 六月丁香大香蕉| 99精彩视频| 人妻在线中文字幕久久| 99热九九九九| 五月天激情啪啪| 91五月天| 九九色video| 五月综合婷婷开心网| 欧美成人精品A片免费一区99| 天天干天天色天天干| 小香蕉av| 开心五月网| Caoporn公开| 91精品久久久久| 手机激情网| 色99久草在线| 可以免费观看的AV| 99er6热在线观看精品6| 亚洲免费av观看| 99热97| 色色色99韩| 人人干人人看| 欧美婷婷综合| 天天日天天做天天操| 色九月综合| 亚洲色优| 色六月天| 精品视频99看在线视频| 韩日AV片| 五月色婷婷综合| 亚洲综合色色| 26uuu亚洲色| 丝雨一区二区| 丁香六月亭亭久久综合| 久久aaa| 五月天丁香婷婷久久九| 日本99视频| 亚洲第一色区| 97碰在线视频| 九九无毛| 99综合| 婷婷六月中文字幕| 九九99九九99| 伊人五月综合网| 中国女人内射6XXXXX| 久久HD| 婷婷五月激情视频在线| 亚洲99在线视频| 2020日日干| 国产67194| 久久 这里只有精品1| 91欧美| 五月婷久久草| 色狠狠色噜噜AV天堂五区| 狠狠色狠狠| 婷婷五月天在线观看免费 | 色无婷婷| 1024国产在线| 黄桃AV无码免费一区二区三区| 五月丁香六月婷婷无码| 啄木鸟丝袜美女福利视频| 亚洲成人AV在线播放| 婷婷基地成人五月天| 九九九色综合| WWW,五月| 婷婷六月丁香五月| 激情綜合W W W,激情五月天| 婷婷中文字幕| 97人人干人人操| 婷婷性爱影院| 久久婷婷五月天| 久久99热在线观看| 色色色综合网| 亚洲十月婷婷综合| 五月天成人在线播放丁香| 夜夜天天久久婷婷| 天天情色五月天| 超碰renrenai| 天天日天天日天天搞| 婷婷五月天激情AV影院| 天天久| 久久久久er热| 激情综合五月婷婷| 丁香五月六月婷婷殴美综合| 色五月婷婷亚洲最大| 精品人妻伦| 久久草人妻| 男人天堂AV在线一区二区| 99玖玖精品| 99资源在线| 色香蕉婷婷| 婷婷丁香六月天激情四射网| 97丁香五月| 久久人人添人人爽添人人片αV | 伊人狠狠干| 五月丁香激情综合网| 波多野结衣成人作品在线| 无码99| 色色激情五月天| 五月丁香六月激情| 91丨九色丨大屁股| 乱精品一区字幕二区| 精品一区二区三区免费毛片爱 | AV在线观看网站| 综合网色| 国产成人AV| renrencaoav| 五月婷婷熟女| 天天插天天操| 96丁香六月婷婷蜜桃综合久久| 色婷视频| 欧美成人精品三区综合A片| 嫩草免费视频| 人人叉久| 日日干日日s| 九九色色| 人人操五月天| xxxx五月天色色| 99人妻碰碰碰久久久久视| 无码yw| www.婷婷五月| 曰日爽日日操| 激情婷婷五月天| 欧美日本高清视频99| 六月丁香婷婷视频综合在线观看| 丁香五月婷婷88在线| 99re这里只有| 日本色婷婷| 91丨人妻丨国产丨丝袜| 中文字幕人妻在线| 综合激情网| 亚洲色色精品| 99热最新| 国产五月天婷婷| www,8050,午夜三级| 青草激情在线| 久久99久久99精品免观看粉嫩| 国产精品99久久久久久久女警 | 丁香激情五月| 丁香六月 婷婷六月| 在线五月色播| 中文字幕av久久爽一区| 亚洲色频| aaaaa不卡| 婷婷五月天影视| 色情婷婷五月天| 色人久久| 视频一二区| 五月婷婷综合热| 五月婷婷丁香六月| 五月天婷婷久久| 性爱五月丁香| 婷婷丁香色五月| 色婷婷成人做爰A片免费看网站 | 亲子乱AV一区二区三区下载| 欧美内射AAAAAAXXXXX| 99亚洲精美视频在线观看| 26UUU一区二区| 99性爱| 极品精品一区二区三区在线| 丁香五月网址| 九九无码| 9精品一区| 婷婷五月天手机版视频| 91超碰人人操| 91九色 熟| 丁香九月激情| 日韩在线视频中文字幕| 久婷视频| www.亭亭五月天| 疯狂做受XXXX高潮A片动画| 婷婷丁香人妻天天爽| 人人色性网| 精品五月天| 牛色色碰| 99er日韩| 99re在线精品视频| 丁香五月先锋| 丁香五月激情综合| 91丨九色丨老农村| 99久久五月婷婷| 九九热这里只有精品9| 久久久性爱视频| 久久99热这里只有精品| 超碰京东热av男人的天堂| 77799热| 丁香蜜臀黄色婷婷五月天| 久久久色情| 激情五月综合色婷婷| 99这里只有精品| 六月婷婷色色网| 色欲丁香久久| 婷婷五月丁香五月| 五月天色色色| 丁香六月婷婷久久综合| 九九人人看| 久久99精品久久只有精品| 亚洲欧美综合7777色亭亭| 日本色道视频网站| 日日噜噜夜夜狠狠久久丁香五月| 在线观看五月婷婷网| 成人日韩欧美| 男人天堂伊人五月丁香| 色999亚洲人成色| 人妻六月天| 色婷婷激情小说网| 狠狠干.com| 天天爽成人综合网站| 色五月人妻| 99色视频| 亚洲中文字幕网| 天天爽—爽| 大陆极品少妇内射AAAAAA| 极品 少妇 内射| 婷婷综合中文字幕| 五月天婷婷爱丁香中文字幕| 久久婷婷五月天大香蕉| 另类图片 五月激情| 日本99视频| 日韩婷婷五月| 99热精品免费| 一区二区三区四区无码| 亚洲日韩一页精品发布| 这里只有精品久| 婷婷亚洲天堂| jiujiu无码五区| 亚洲天天操| 天天拍夜夜撸 | 日韩色久| 亚洲第一综合| 久青青久| 久久久婷婷五月天| 欧美综合丁香网| 女人高潮内射99精品| 成人网丁香五月| 97丨九色丨国产丨PORNY| 久婷婷视平| 夜夜骑天天玩天天日| 九九综合图片网| 色XX综合网| 91免费试看| 婷婷五月综合视频| AV操逼网| 五月天激情网站| 精品一区二区三区三区| 午夜丁香婷婷| 婷婷五月香蕉| 日本欧美成人片AAAA| 91丨九色丨高潮丰满日本| 五月天另类激情在线| 丁香五月花| 综合99综合久久久久久久| 欧美日韩成人高清在线| 99热自拍| 五月色婷婷在线观看| 丁香五月天网站| 99久久6| 在线中文av| 538在线精品| 五月婷婷香蕉| 伊人天堂婷婷| 中文字幕日产A片在线看| 国产毛片操B| 天天cha成人综合网| 天天噜| 丁香五月Av| 国产真实乱对白精彩| 久热这里精品免费| 玖玖色资源| 国语精品探花| 欧美婷婷| 亚洲国产精品VA在线看黑人| 九九热在线观看视频| 午夜天堂啪啪| www.91色| 人妻在线中文字幕久久| 9精品视频在线观看| 婷婷久久大香蕉| 91男同| 国外亚洲成AV人片在线观看| 天天干天天色综合| 亚洲午夜一区二区| 99免费在线视频| 超碰成人电影| 亚洲成人在线观看网址| 99热这里只有精品1025| 中文字幕+乱码+中文字幕在线观看| 超碰成人影视| 91丨九色丨43老版熟女| 大天天伊人| 人妻性爱av网站| 在线不卡的视频| 五月丁香六月综合激情| 天天撸夜夜爽| 青青草性爱视频| 六月丁香婷婷爱| 殴美日比视频| 五月天色丁香| 情欲综合网| 丁香五月影视| 日本nghangse中文字幕| 国产一区二区三区影院| 久久色情| 玖玖热视频| 99福利导航| 五月天sesese| 开心激情婷婷| 午夜天堂啪啪| 久久人妻精品| 婷婷丁香色情五月天| 玖玖伦理电影| 五月丁香激情综合网| 丁香五月婷婷av影院| www九九热| 在线成人网址| 色情一区二区播放| 色色色视频| 成人av在线电影| 91碰九色| 9|在线观看视频| 久久精品99国产精品日本| 五月色影院| 日本激情五月天‘| 伊九九三级区| 九九九九中文字幕| 久久精品这里只有精品免费首页| 99色免费观看全部| 色播丁香五月婷婷操:屄| 丁香九九九九| 中文无码精品一区二区三区| 激情丁香久久| 9精品视频在线观看| 午夜无码熟熟妇丰满人妻 | 成人在线网站| 青青色com久久| a在线观看| 九九热黄色| 激情色情五月天| 91久热| 日韩人妻在线观看| AV成人在线播放| 五月伊人婷婷999| 99国产精品久久久久久久久久久| 亚洲综合五月天| 久久人人妻| 99久热这里只有精品| 日韩十国产极品久久| 婷婷五月天成人动漫| 99久久视频| 午夜日日| 男人大jjc女人免费视频| 亚洲色网络| 久久久久久久97| 婷婷五月天激情综合| 十月色综合| www,天天干| 逼逼AV| 天天综合五月| 五月丁香六月婷婷亚洲| 丁香五月天啪啪激情综和网| 天天高潮夜夜爽| 深爱激情网五月天| 欧美日本一区二区三区| 这里只有精品视频一区| 成人超碰AV| 婷婷丁香色五月天久久88| 久久久久久18| 九九色区| 中文AV在线播放| 久热九九| 激情的五月婷婷蜜桃| 狠狠干天天内射| 五月婷婷与六月丁香图片激情| 色久影院| 99啪在线视频| 色五月亚洲| 超碰成人在线免费观看| 超碰色色综合| 久九色| 婷婷综合激情五月中文字幕| 亚洲中文字幕AV| 色99网| 丁香五月天激情婷婷丁香六月| 天天天天天天天干| 婷婷综合| 秋霞学生妹一二级| 大香蕉人人网| 色婷| 欧美一级a | 99热在线里有精品| 无码色| 色五月亚洲| 丁香五月av| 久久99这里只有精品视频 | 日本激情综合| 成人av在线网址| 成人av在线电影| 大伊香蕉精品视频在线| 久久98热re| 九九99精品免费播放| 日本色色色| 性爱在线播放av| 色色色色网| 伊人在线婷婷草| 五月天社区狠狠| 久久久久思思热| 欧美日比视频| 丁香五月欧美成人| 熟女少妇内射日韩亚洲| 99综合免费视频| 日本色色色| 一级操逼大片| 黄色录像网点| 99精品手机在线视频| 婷五月天影院| 97人人操| 婷婷色五月综合丁香| 青草激情在线| 99热这里只要精品免费| 五月婷婷色色色| 色99网| 丁香五月婷婷免费视频| 婷婷涩涩五月天| 婷婷丁香在线| 色偷偷狠狠| 五月丁香花开综合网| 五月丁香久| 久久精品99国产精品日本| 自拍视频99| 久久加勒比| 五月丁香综合激情网| 婷婷五月天无码熟女| 婷婷六月激情| 97干在线| 九色1区视频在线| 99久久久久| 99国产er热视频| 俺也去在线视频| 久大香蕉| 精品综合网在线| 久久婷婷激情四射五月天| 久久这里只有精彩| 五月亭亭网成人在线视频| 开心激情站| 九月久久婷婷| 六月丁香成人| 99热综合色图| 99热综合网| 极品人妻VIDEOSSS人妻| 青青草原亚洲天堂| 久久这里99| 色五月婷婷中文字幕| 八戒青柠影视剧在线观看| 五月激情综合婷婷| 色五月丁香五月激情五月激情| 亚洲99手机免费看视频| 亚洲色在线观看| 五月 婷 久| 久热91精品| 色婷婷丁香香香蕉视频| 97人人干人人操| 四川BBB搡BBB搡多人乱亂| 综合99综合久久久久久久| 五月丁香色婷婷熟女| 综合一区二区三区| 被强行糟蹋的女人A片| 色开心五月婷婷丁香HD| 金桔一区二区ab地址| 五月综合色播播丁香婷婷| 久久婷色| 国产4P视频精品五区| 婷婷久久夜| 激情五月婷婷| 91互操| 26uuu淫色| 久久久久亚洲AV成人无码电影| 婷婷色色色| 秋霞性爱AV| 96性爱视频| www.91在线观看| 国产肥白大熟妇BBBB视频| 91色色色| 丁香网五月天激情| 乱精品一区字幕二区| 婷婷四色五月| 久久人妻www| 99精彩视频网站在线| 六月久久婷婷| 婷婷五月天激情五月天| 五月激情婷婷在线| 婷婷天堂视频| 9这里只有精品| 丁香婷婷五月| 99欧美三级视频| 五月婷婷在线观看| 成人五月天综合网| 九九热99re8热免费观看| 五月天综合视频| 91国产精品视频播放| tingtingzonghewang| 五月婷婷激情网| 欧洲激情网站| 色五月播五月| 丁香五月情| 精品久热69| 第四色网婷婷| 婷婷丁香激情五月天色色| 婷婷在线视频| 九九综合伊人| 色日本五月天| 99热 在线播放| www.五月.com| 丁香六月欧美| 日本五月天婷婷丁香| 亚洲综合欧美色丁香婷婷888月图片| 九九碰九九爱97超碰| 。久久久久久久久久久久久久人妻| 99自拍视频网站| 碰碰碰91| 色婷婷精品视频| 婷婷五月天亚洲综合| 人人操人人爱丁香五月| 婷婷六月香| 五月网网站| 爆乳熟女-区二区三区| 九九热只有精品| 九九色video| 操一操| 国产美女无遮挡裸体毛片A片 | 婷婷五月综合色拍| 99少妇精品| 99热这里只有精| 91日本在线免费| 婷婷综合网| 超碰a女人的天堂| 色婷婷88| 99热青青草| 五月丁香六月激情欧美综合| 综合亚洲五月天| 国产成人精品一区二三区熟女在线| 超碰精品在线| 丁香五月激情五月| 狠狠操狠狠色| WWW,五月| 思思视频精品| 六月婷婷av| 丁香五月停停av| 日日鲁鲁鲁夜夜爽爽狠狠视频97| 色五月亚洲| 日本的α片xxxwww| 九九狠狠干| YW无码| 九九香蕉网| 久久婷婷婷婷伊人| AV在线免费播放| 风流少妇A片一区二区蜜桃| 国产亚洲在线观看| 铁牛TV人妻| 色色五月天婷婷| 色综合色综合色综合色综合| 99福利导航| 超碰在线成人| 婷激情五月| 亚洲av网址| 久久精品99| 久久色吧| 色久九| 92久久| 思思视频久久| 丁香五月激情婷婷| 久久老码第一| 婷婷六月天精品| 中文字幕性爱丰满| 狠狠久久婷五月综合色| 狠狠狠人妻| 亚洲无码www| 天天色视频| 高清无码视频网址| 99思思热只有在这里看| 五月婷天天搞视频| 色婷婷影视99| 狠狠操狠狠爱| 色婷久| 狠狠色色| 激情五月六月婷婷| 九九色热| 丁香五月区| 久久久久激情网| 婷婷99狠狠| 五月色影院| 五月丁香婷婷基地| 五月天婷婷婷| 五月婷在线播放| 久久五月天网| 日韩成人电影AV| 天天摸日日舔狠狠添婷婷婷| 国产一级黄色影片,| 婷婷五月激情小说| 99九九在线| 91啪啪视频| 激情婷婷丁香色五月| 97资源欧美日韩大香蕉超碰一区| 97在线观看| 日韩 中文 欧美| 做爱夜夜干天天操| 色婷在线视频| 久久人妻久久| 婷婷五月天综合久久| 久久久99免费视频| 日韩青青| 五月天国产| 日韩aaaaa| 26uuu青青| 婷婷久久综合| 日本婷久久| 综合欧美五月婷婷| 婷婷五月天久草在线| WWW.婷婷| 九九热最新| 色五月婷色彩免播放器| 狠干综合| AA丁香综合激情| 五月天开心网| 天天干天天爽天天操| 狠狠色噜噜狠狠色噜噜噜999| 91嫩草国产线观看亚洲一区二区| 99色性爰网络| www.99热. com这里只有精品| 丁香九月久久| 色五月97| 最近中文字幕大全免费版在线 | 爱久综合| 欧洲区自拍| 婷婷色婷婷| 亚洲九区| 婷婷激情五月综合在线视频| 99在线视频播放| 男同91 | 激情深爱综合| 91色碰| 夜色五月天| 另类图片天天影视在线观看| 开心婷婷五月| 天天摸夜夜夜| 丁香五月婷婷激情视频播放| 五月综合激情久久| www.色9| 色情五月| 潮汕成人AV片在线| 久久激丁香| 五月天丁香网| 五月婷视屏在线观看| 六月丁香婷婷色69| 无码一区二区三区四区五区| 色欲丁香| 91夫妻网站九色| 亚洲爆乳无码精品AAA片蜜桃| 免费视频99| 色日本丁香婷婷| 激情五月天婷婷直播| 丁香六月激情四射| 4438成人电影| 五月丁香综合色婷婷| 亚洲乱码日产精品BD| 婷婷激情综合网| 91人人操.COM| 伊人狠狠丁香婷婷综合尤物| 99热在线中文字幕| 9热成人在线视频| 免费无码毛片一区二区A片| 99无码超碰| 色噜噜狠狠色综无码久久合欧美| 夜夜夜夜做天天天做无码视频| 快乐激情五月色婷婷| 97干在线看| 天天干在线播放| 99热成人| 人人97碰| 人人操插| 99精品久久久久久久婷婷| 亚欧州精品视频| www.色9| 色狠狠综合入口| 日日爱699| 婷婷色情五月| 亚洲五月天天| 99久久免费性爱视频`| 欧美网站视频4399| 91狼友视频在线观看| 99热在线观看| 天天干天天日天天操| 五月婷婷六月激情| 五月天激情无码高清| 久久亚洲网| 99色激| 欧美五月丁香在线| 九九99视频精品| 久草五月| 丁香午月AV中文字幕| 亚洲无码色| 免费在线观看欧美激情xx小视频| 开心婷婷五月| AV国产有码| 俺去也婷婷| 丁香色六月婷婷| 久久婷婷亚洲| 国产色色色色色| WWW.桔色成人.COM| 婷婷六月天天| 99在线精品观看99| 99精品在线播放| 人妻在线观看视频| 国产色网站| 五月丁香婷婷激情在线| 五月丁香激情婷婷| 成人短视频免费| 四月婷婷五月丁香| 激情五月综合色| 久久女人天堂| 99热资源在线| 五月婷婷六月丁香| 九九亚洲无码| 亚洲V国产V欧美V久久久久久| 色欲色香伊人| 五月天激情综合首页| 久久久性爱视频| 甈你aaaaa| 国产黄大片在线观看画质优化| 五月丁香啪综合| 五月丁香花视频| \\五月天婷婷激情| Aα在线免费观看| 影音先锋秋秋五月婷婷| www.久操| 色六月婷婷| 久热 91| 激情五月激情综合俺也去婷婷小说| 五月丁香大相交| 九九AV在线| www日本熟妇99在线视频| 9999三级片| 思思w99| 精品无码久久久久久久久| 五月天婷亚洲天综合网综合| 99热网站| 色综合xx| 天天草比天天爽| 婷婷九月亚洲| 五月婷婷大香蕉| 伊人大综合| 日亚二欧美| 思思热久在线观看视频| 色爱终和网| 欧洲亚洲免费视频9| 青青青在线视频国产| 丁香五月婷婷激情中文| 综合久久婷婷| 亚洲性图一区二区| 久热99热| 久久综合久色欧美综合狠狠| 永久热91| 国产伦理精品高清在线观看网站一区二区 | 99热精品9| 久久综合影院| 裸体做A爰片毛片A片免费| 激情五月天.色网| 超碰人人超碰| 激情狠狠丁香月| 日韩操人| 亚洲久久婷婷| www99精品| 九九草草逼| 午夜丁香婷婷| 99精色| a久久| 玖玖爱导航| 五月的丁香六月的婷婷| 五月婷婷啪啪啪| 西西4r午夜剧场| 婷婷色女| 五月婷婷亚洲| www.1024久久| 色色色视频免费无码 | 99色热| 五月婷六月| 激情五月天伊人av| 国产欧美日韩综合精品一区二区| 99毛片| 婷婷五月视频| 精品一二三区久久AAA片| 五月丁香无码| 26uuu欧美日本| 4399无码视频| 思思热闹这里只有精品| 九九色大香蕉| 日本高清不卡免费一区二区三区| 天天激情视频| www.色五月| 色婷婷激情四射视频| 人妻精品久久久久久久| 天天日天天色| 91久久久久久| 色哟哟www| 91日综合欧美| www色五月天| 人妻熟女一区二区AV| 久久久人妻人伦| 五月丁香激情四射| 成人短视频免费| 色婷婷丁香五月色综合网| 久久婷婷五月天| 婷婷久久五月天| 综合AV在线| 性色av大香综合| 欧美日韩一区二区三区四区| 五月丁香六月片| 日韩激情婷婷五月天| 色色国产| 国产精品久久久久久白浆色欲| 在线视频激情网站| 激情五月婷婷她| www.五月天社区| 婷婷视频在线碰| 色大综合| 麻豆AV一区二区三区| 熟女婷婷网站一婷婷五月一丁香婷婷一婷婷激情网 | 九九热这里只有精品7| 婷婷九月亚洲| 久久免费丁香| 人人摸人人| 成片免费观看大全| 久久色五月天激情小说| 日本色啪| 综合网五月天123| av中文网| 思思精品久久艹| 99年操人人爽| 丁香五月激情六月综合| 国产精品久久久久久久久久免费| 天天综合亚洲综合网天天αⅴ| 欧美激情综合| 色色色综合网| 久久99网| 欧美五月丁香在线| 天天色播| 日韩人妻无码一区二区| 玖玖婷婷五月天| 婷婷五月天色丁香| 五月丁香啪啪| 桃色激情婷婷伊人网| 少妇人妻人伦A片| 丁香五月婷婷姐| 国产精品久久久久久久久久久久| 色国产五月| 亚洲亚洲人成综合网络| 婷婷色色播五月天| 丁香五月天堂婷婷| 成人超碰Av| 日本人妻久久| 丁香五月欧美午夜视频| 98永久精品| 九九这里是免费的视频5| 久久婷婷五月丁香网| 香蕉久久国产AV一区二区| 欧美日本VA| 亚洲综合五月天婷婷丁香| 五月丁香啪啪激情| 丁香婷婷九月在线| 中国激情网| 亚洲综合成人网站| av在线观看网站| 色婷婷久久| 丁香五月影院| 婷婷激情综合网| 91丁香婷婷综合久久欧美| 伊人五月综合网| 色婷婷五月在线| 五月婷婷色| 亚洲性爱干干| 五月婷三级片| 天天五月天综合网址| 视频一二区| 婷婷伊人网| 五月婷丁香在线视频在线| 爱iii做iiii日| 九九精品免费| 婷婷精品免费久久| 无码色| 五月婷婷丁香在线视频| 激情五月份婷婷| 亚洲天堂久久| site:picc-up.com| 九九精品丁香花| 五月丁香综合影院| 丁香婷婷久久| 五月丁香婷婷色啪| 四月丁香五月婷婷久久| 婷婷综合五月天| 成人做爰A片免费看视频| A久网| 9精品在线| 狠狠狠狠狠狠| 五月天婷婷在线播放免费| 五月婷啪啪| 久久五月婷| 丁香六月天之亚州热女 | 99ER热精品视频| 色99网站| 婷婷中文在线| 日本不卡一区二区三区| 欧美成人色婷婷| 91久久婷婷| 韩国中文字幕91| 久久九精品| 91艹人| 草综合14| 97av在线视频| 日韩不卡123| 日本三级中国三级99| 六月丁香激情婷婷| 五月天婷婷免费| 九色在线观看91av| 五月婷婷激情| 丁香色六月婷婷| 五月激激网w'w'w| 91久久1118| 噜噜操操| 人妻丰满精品一区二区A片| www.色9| 99热网站| 丁香色五月天| 99激情视频| 天天肏视频| 激情中文在线| 99亚州综合精品成人网| site:jszngf.com| 五月丁香啪综合| 婷婷久综合| 777精品久无码人妻蜜桃| 亚洲婷婷欧美婷婷| 开心 五月 综合| 97人人射| 99热在线资源| 激情久久网 | www。五月,com| 中文字幕在线资源| 色约约视频一区二区三区四区五区| 欧洲激情网站| 白人荫道BBWBBB大荫道| 91九色在线| 激情久久久久| 丁香婷婷五月| www九九热| av国产精品| 色综色网| 国外亚洲成AV人片在线观看| 免费视频WWW在线观看网站| 午夜天天精品视频| 五月丁香 狠狠爱| 午夜日韩久久久网站| 99在线视频精品| 综合激情伊人影视在线| 亚洲 在线 性爱| 91丨九色丨熟女|新版| 1024AV视频| 五月天激情日色在线| 五月丁六月香av| 亚洲 在线 性爱| 激情色情五月天| 激情五月天电影| 婷婷五月激情网| 五丁香激情综合| 激情五月影院| 99热婷婷| 伊人色综合久久久| 综合一啪| 天天干天天日日| 九九九九这里只有精品| 色综合婷婷99| 草逼大片| 人碰人人人玩91| 热的无码综合视频| 蜜臀久久99精品久久久久久酒店| 深爱五月天 开心网| 99re久热| 97久久草草超级碰碰碰| 九九热99re8热免费观看| 国产精品人成A片一区二区| 久久99成人性爱高清视频| 日韩大片艹艹| 强伦轩人妻一区二区电影| 欧美久久五月婷婷| 色停停影院五月天| 超碰在线看| 六月婷婷色宗合| 九九热99免费视频| 日日鲁鲁鲁夜夜爽爽狠狠视频97| 五月天婷婷在线播放免费| 婷综合| 色爽干| 丁香五月婷婷视频| 日本久久人| 人妻久久久久久| 五月丁香六月婷婷在线| 专区无日本视频高清8| 丁香六月毛片| 婷婷五月天在线观看第二页| 五月天色色网站| 亚洲熟妇AV乱码在线观看| 激情小说视频图片| 亭亭丁香aV| 亚洲欧美综合7777色亭亭| 五月丁香六月婷婷无码| 婷婷和五月天| 日韩精品无码AV| 丁香色情五月综合激情| 人人摸人人搞| 精品草原久久视频| 只有精品视频在线观看| 久久一操| 婷婷香蕉| 一本久久亚洲五月婷婷 | 色婷婷中文| 久久久久亚洲AV无码网影音先锋| 久热只有这里有精品| 99久久66综合| www久久久| 狠狠干无码| 99亚洲精品| 丁香六月激情国产| 五月精品免费XXX| 综合婷婷六月| 亚洲avjiujiur91| 天天开心天天色| 五月婷婷激情网|