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。

傳統(tǒng)機(jī)器學(xué)習(xí)惡意網(wǎng)站檢測(cè):可控、可解釋的落地實(shí)踐

傳統(tǒng)機(jī)器學(xué)習(xí)惡意網(wǎng)站檢測(cè):可控、可解釋的落地實(shí)踐 簡(jiǎn)介本資源是一套基于傳統(tǒng)機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)的惡意網(wǎng)站檢測(cè)完整項(xiàng)目面向計(jì)算機(jī)、人工智能、大數(shù)據(jù)等專業(yè)的本科生及初階技術(shù)學(xué)習(xí)者適用于課程設(shè)計(jì)、期末大作業(yè)與畢業(yè)設(shè)計(jì)實(shí)踐幫助讀者掌握特征工程、分類建模與Web安全檢測(cè)的基本流程。壓縮包共7個(gè)文件含5個(gè)核心Python腳本涵蓋數(shù)據(jù)預(yù)處理、特征翻譯、SVM與隨機(jī)森林建模、DNN對(duì)比實(shí)驗(yàn)、1個(gè)數(shù)據(jù)集zip包及1份結(jié)構(gòu)清晰的README.md說明文檔整體體積僅3.31MB輕量易部署。目前已有148人下載學(xué)習(xí)代碼經(jīng)作者嚴(yán)格調(diào)試開箱即用無(wú)需復(fù)雜環(huán)境配置。讀者可直接復(fù)現(xiàn)從URL特征提取、模型訓(xùn)練到檢測(cè)結(jié)果輸出的全流程并通過源碼理解typelist規(guī)則映射、forest_split數(shù)據(jù)劃分邏輯及多模型性能對(duì)比思路是深入理解傳統(tǒng)機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)安全領(lǐng)域落地的優(yōu)質(zhì)實(shí)踐材料。1. 傳統(tǒng)機(jī)器學(xué)習(xí)做惡意網(wǎng)站檢測(cè)不是過時(shí)而是可控、可解釋、能落地的“兜底方案”你可能在論文里看到過“XGBoost 檢測(cè)準(zhǔn)確率 98.7%”這種數(shù)字但真把模型塞進(jìn)一個(gè)校園網(wǎng)出口防火墻旁路系統(tǒng)里跑一周就會(huì)發(fā)現(xiàn)特征提取卡在 DNS 查詢超時(shí)、SVM 訓(xùn)練因內(nèi)存溢出中斷三次、某條 URL 的 TF-IDF 向量維度和訓(xùn)練時(shí)對(duì)不上——最后不是模型不行是整個(gè) pipeline 缺少邊界控制。這份「基于傳統(tǒng)機(jī)器學(xué)習(xí)的惡意網(wǎng)站檢測(cè)算法源碼項(xiàng)目說明.zip」就是為這類真實(shí)場(chǎng)景準(zhǔn)備的它不追求 SOTAState-of-the-Art指標(biāo)但確保從 raw URL 到預(yù)測(cè)標(biāo)簽的每一步都可追蹤、可調(diào)試、可替換。它用 typelist.py 做域名類型預(yù)篩、forest_split.py 實(shí)現(xiàn)分層特征采樣、SVM.py 和 DNN.py 并行對(duì)比驗(yàn)證所有模塊都帶明確輸入/輸出契約。適合正在做課程設(shè)計(jì)、畢設(shè)或想吃透“特征工程→模型訓(xùn)練→部署驗(yàn)證”全鏈路的新手也適合需要快速搭建 baseline、再逐步疊加深度學(xué)習(xí)模塊的工程師。它不是黑匣子而是一套帶注釋的、能讓你在凌晨?jī)牲c(diǎn) debug 時(shí)看清每一行X_train.shape變化原因的工具集。2. 項(xiàng)目結(jié)構(gòu)與核心模塊職責(zé)先看懂文件關(guān)系再動(dòng)代碼這個(gè)壓縮包不是一堆腳本亂扔而是一個(gè)有明確分工的輕量級(jí)檢測(cè)框架。它沒用 Flask 封裝 API也沒上 Docker所有邏輯都?jí)涸?Python 腳本里目的就一個(gè)讓你一眼看穿數(shù)據(jù)怎么流、特征怎么變、模型怎么判。下面拆解每個(gè)關(guān)鍵文件的真實(shí)作用不是照 README.md 復(fù)述而是告訴你“為什么非得這么設(shè)計(jì)”。2.1 data.zip不是原始日志而是經(jīng)過三輪清洗的“教學(xué)友好型”數(shù)據(jù)集data.zip解壓后包含train.csv、test.csv和features_desc.txt。注意這不是直接爬下來的百萬(wàn)級(jí) URL 日志而是某高校實(shí)驗(yàn)室用公開數(shù)據(jù)集如 Alexa Top 1M MalwareDomainList交叉去重、人工標(biāo)注后生成的 12,486 條樣本。train.csv有 9,231 行字段共 23 列前 22 列是特征如domain_length、subdomain_count、has_ip_in_url、tld_entropy、https_ratio_in_path最后一列l(wèi)abel是 0良性或 1惡意。features_desc.txt不是廢話文檔它逐行定義了每個(gè)特征的計(jì)算邏輯比如tld_entropy: 計(jì)算頂級(jí)域名字符串的香農(nóng)熵公式為 -Σ(p_i * log2(p_i))其中 p_i 是第 i 個(gè)字符在 TLD 中出現(xiàn)概率。TLD 提取規(guī)則取最后一個(gè)點(diǎn)號(hào)后的全部字符若無(wú)點(diǎn)號(hào)則為空。這個(gè)設(shè)計(jì)很關(guān)鍵——很多初學(xué)者一上來就用urlparse直接切結(jié)果.co.uk被當(dāng)成.uk熵值全錯(cuò)。而本項(xiàng)目在typelist.py里內(nèi)置了 1,247 個(gè)主流 TLD 規(guī)則表含.gov.cn、.ac.uk等復(fù)合后綴保證 TLD 提取不出錯(cuò)。所以data.zip的價(jià)值不在“大”而在“準(zhǔn)”每條樣本的特征值都能反向推導(dǎo)出原始 URL 和計(jì)算步驟方便你驗(yàn)證自己的特征工程是否寫對(duì)。2.2 typelist.py域名類型預(yù)篩模塊解決“第一道過濾門”的漏報(bào)問題惡意網(wǎng)站常偽裝成正常域名如apple-id-verify.net單純靠長(zhǎng)度或特殊符號(hào)規(guī)則會(huì)漏掉。typelist.py的核心不是分類而是類型歸因它把域名映射到 17 類業(yè)務(wù)語(yǔ)義標(biāo)簽如payment_gateway、cloud_storage、email_service再結(jié)合歷史黑名單庫(kù)做加權(quán)打分。代碼邏輯如下# typelist.py 關(guān)鍵片段 def get_domain_type(domain: str) - str: 返回域名最可能歸屬的業(yè)務(wù)類型基于詞典匹配Levenshtein距離 # 步驟1查白名單詞典payment_keywords.txt for keyword in PAYMENT_KEYWORDS: if keyword in domain or Levenshtein.distance(domain, keyword) 2: return payment_gateway # 步驟2查 TLD 映射表tld_mapping.json tld extract_tld(domain) # 調(diào)用內(nèi)置 TLD 提取器 if tld in TLD_MAPPING: return TLD_MAPPING[tld] # 步驟3fallback 到 n-gram 頻次統(tǒng)計(jì)n3 trigrams [domain[i:i3] for i in range(len(domain)-2)] scores {k: sum(1 for t in trigrams if t in v) for k, v in NGRAM_DICT.items()} return max(scores, keyscores.get) if scores else unknown這個(gè)函數(shù)返回的domain_type不直接用于最終預(yù)測(cè)而是作為forest_split.py的分層采樣依據(jù)。比如payment_gateway類域名中惡意樣本占比高達(dá) 37%而education類僅 0.8%那么在構(gòu)造訓(xùn)練集時(shí)會(huì)對(duì)前者做欠采樣、后者做過采樣避免 SVM 因類別不平衡導(dǎo)致precisiontop10驟降。這是很多教程忽略的實(shí)戰(zhàn)細(xì)節(jié)傳統(tǒng) ML 不是“丟進(jìn)去就完事”而是要讓數(shù)據(jù)分布先說話。2.3 translate.pyURL 到結(jié)構(gòu)化特征的轉(zhuǎn)換引擎不是簡(jiǎn)單正則translate.py是整個(gè) pipeline 的心臟它把原始 URL 字符串轉(zhuǎn)成 22 維數(shù)值特征向量。它不依賴urllib.parse的默認(rèn)行為而是針對(duì)中文、編碼混淆、路徑嵌套等惡意網(wǎng)站常用手法做了專項(xiàng)處理。例如對(duì)http://example.com/%E4%BD%A0%E5%A5%BD/..%2f..%2fetc%2fpasswd這類路徑遍歷 URL先做urllib.parse.unquote()解碼再用os.path.normpath()歸一化路徑最后統(tǒng)計(jì)../出現(xiàn)次數(shù)對(duì)https://www.google.com/search?qsite%3Aevil.com這類搜索引擎跳轉(zhuǎn) URL用re.search(rsite%3A([^\s]), url)提取被搜索的域名將其作為redirect_target特征對(duì)含中文 IDN 域名如https://www.谷歌.com調(diào)用idna.encode()轉(zhuǎn)為 punycode 后再解析避免unicode_error。它的主函數(shù)url_to_features(url: str) - List[float]返回一個(gè)固定長(zhǎng)度列表順序嚴(yán)格對(duì)應(yīng)train.csv的列順序。這意味著你完全可以寫個(gè)測(cè)試腳本# test_translate.py from translate import url_to_features url http://malware-site.net/login.php?redirecthttp://evil.com vec url_to_features(url) print(fLength: {len(vec)}, First 5: {vec[:5]}) # 輸出Length: 22, First 5: [18.0, 2.0, 1.0, 0.0, 3.21]只要vec長(zhǎng)度是 22 且數(shù)值合理如domain_length在 5~63 之間就說明特征提取模塊已就緒。這是后續(xù)所有模型訓(xùn)練的前提——寧可花 2 小時(shí)調(diào)通translate.py也不要帶著錯(cuò)誤特征去訓(xùn) SVM。2.4 SVM.py 與 DNN.py雙模型驗(yàn)證機(jī)制不是炫技而是交叉校驗(yàn)項(xiàng)目同時(shí)提供SVM.py和DNN.py但它們不是讓你“選一個(gè)用”而是構(gòu)建雙模型一致性校驗(yàn)。SVM.py用sklearn.svm.SVC(kernelrbf, C1.0, gammascale)輸入是translate.py輸出的 22 維向量DNN.py用 Keras 構(gòu)建 3 層全連接網(wǎng)絡(luò)128-64-32激活函數(shù)為relu輸出層為sigmoid。兩者訓(xùn)練代碼都強(qiáng)制要求輸入數(shù)據(jù)必須經(jīng)StandardScaler標(biāo)準(zhǔn)化SVM對(duì)量綱敏感DNN收斂慢訓(xùn)練集劃分嚴(yán)格按train_test_split(X, y, test_size0.2, stratifyy, random_state42)保證類別比例一致評(píng)估必須輸出classification_report精確率、召回率、F1和confusion_matrix。為什么這么做因?yàn)閻阂饩W(wǎng)站檢測(cè)中誤報(bào)False Positive比漏報(bào)False Negative更致命——把銀行官網(wǎng)標(biāo)成惡意用戶直接不敢付款。而 SVM 在小樣本下更穩(wěn)定DNN 容易過擬合噪聲。當(dāng)兩個(gè)模型對(duì)同一批測(cè)試 URL 的預(yù)測(cè)結(jié)果差異 15%就觸發(fā)告警提示你檢查translate.py是否引入了異常特征比如某個(gè) URL 的https_ratio_in_path算出負(fù)數(shù)。這種設(shè)計(jì)把“模型不可信”轉(zhuǎn)化成了可操作的排查信號(hào)。3. 本地運(yùn)行全流程從解壓到生成預(yù)測(cè)報(bào)告一步一驗(yàn)證別急著python SVM.py這套代碼的健壯性建立在“每步可驗(yàn)證”上。我一般會(huì)按以下順序執(zhí)行中間任何一步失敗立刻停住查原因而不是硬著頭皮往下跑。3.1 環(huán)境準(zhǔn)備與依賴安裝版本鎖定是避免玄學(xué)翻車的第一步項(xiàng)目沒提供requirements.txt但根據(jù)SVM.py和DNN.py的 import 語(yǔ)句可反推出最小依賴集。我推薦用虛擬環(huán)境避免污染全局 Python# 創(chuàng)建并激活虛擬環(huán)境Python 3.8 python -m venv ml-malware-env source ml-malware-env/bin/activate # Linux/macOS # ml-malware-env\Scripts\activate # Windows # 安裝指定版本關(guān)鍵 pip install numpy1.21.6 pandas1.3.5 scikit-learn1.0.2 pip install tensorflow2.8.0 # 注意DNN.py 用的是 TF 2.x不是 PyTorch pip install python-Levenshtein0.20.0 # typelist.py 依賴比 difflib 快 10 倍提示不要用pip install -r requirements.txt項(xiàng)目沒提供也不要盲目升級(jí)到最新版。scikit-learn 1.2的SVC默認(rèn)啟用了break_tiesTrue會(huì)導(dǎo)致預(yù)測(cè)結(jié)果與原項(xiàng)目README.md中的示例不一致tensorflow 2.10移除了部分舊 APIDNN.py里的tf.keras.layers.Dense初始化方式會(huì)報(bào)錯(cuò)。版本鎖死是復(fù)現(xiàn)成功的底線。3.2 數(shù)據(jù)加載與特征生成用translate.py驗(yàn)證你的 URL 輸入是否合規(guī)先解壓data.zip到項(xiàng)目根目錄確保train.csv和test.csv存在。然后運(yùn)行特征生成腳本# gen_features.py —— 自己寫的驗(yàn)證腳本 import pandas as pd from translate import url_to_features # 加載訓(xùn)練集只取前 10 行做快速驗(yàn)證 df pd.read_csv(train.csv, nrows10) print(Raw train.csv shape:, df.shape) # 對(duì)每行 URL 調(diào)用 translate.py features_list [] for idx, row in df.iterrows(): try: vec url_to_features(row[url]) # 注意train.csv 里 URL 列名是 url features_list.append(vec) print(f? URL {idx}: {row[url][:50]}... - {len(vec)}D vector) except Exception as e: print(f? URL {idx} failed: {e}) # 檢查所有向量長(zhǎng)度是否一致 lengths [len(v) for v in features_list] print(Feature vector lengths:, set(lengths)) # 必須輸出 {22}如果輸出里有?說明translate.py遇到了未覆蓋的 URL 格式如含\0字符、超長(zhǎng) base64 參數(shù)。此時(shí)不要改模型先打開translate.py在url_to_features函數(shù)開頭加一行print(fDEBUG: raw url {url})定位具體哪條 URL 觸發(fā)異常。這是血淚經(jīng)驗(yàn)80% 的“模型跑不通”問題根源都在特征生成這一步。3.3 SVM 模型訓(xùn)練與保存關(guān)注model.pkl生成而非屏幕日志SVM.py的核心邏輯是# SVM.py 關(guān)鍵片段 from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split import joblib # 1. 加載數(shù)據(jù)注意這里讀的是 train.csv不是原始 URL df pd.read_csv(train.csv) X df.iloc[:, :-1].values # 前22列特征 y df.iloc[:, -1].values # 最后1列標(biāo)簽 # 2. 標(biāo)準(zhǔn)化必須 scaler StandardScaler() X_scaled scaler.fit_transform(X) # 3. 劃分訓(xùn)練/驗(yàn)證集 X_train, X_val, y_train, y_val train_test_split( X_scaled, y, test_size0.2, stratifyy, random_state42 ) # 4. 訓(xùn)練 SVM clf SVC(kernelrbf, C1.0, gammascale, probabilityTrue) clf.fit(X_train, y_train) # 5. 保存模型和 scaler關(guān)鍵 joblib.dump(clf, svm_model.pkl) joblib.dump(scaler, scaler.pkl) print(SVM model saved to svm_model.pkl)運(yùn)行python SVM.py后檢查當(dāng)前目錄是否生成了svm_model.pkl和scaler.pkl。不要只看屏幕輸出“Training finished”要確認(rèn)文件真實(shí)存在且大小 10KB。因?yàn)閖oblib.dump有時(shí)會(huì)因磁盤滿或權(quán)限問題靜默失敗。你可以用以下命令驗(yàn)證模型可加載python -c import joblib; m joblib.load(svm_model.pkl); print(Model loaded OK)如果報(bào)錯(cuò)ModuleNotFoundError: No module named sklearn說明環(huán)境沒激活如果報(bào)錯(cuò)ValueError: buffer size mismatch說明joblib版本不兼容需統(tǒng)一用joblib1.1.0。3.4 DNN 模型訓(xùn)練與權(quán)重保存Keras 的model.h5必須手動(dòng)指定路徑DNN.py使用 Keras Sequential API關(guān)鍵區(qū)別在于模型保存格式# DNN.py 關(guān)鍵片段 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.callbacks import ModelCheckpoint # ... 數(shù)據(jù)加載與標(biāo)準(zhǔn)化同 SVM.py... # 構(gòu)建模型 model Sequential([ Dense(128, activationrelu, input_shape(22,)), Dense(64, activationrelu), Dense(32, activationrelu), Dense(1, activationsigmoid) ]) model.compile(optimizeradam, lossbinary_crossentropy, metrics[accuracy]) # 設(shè)置檢查點(diǎn)保存最佳權(quán)重 checkpoint ModelCheckpoint( filepathdnn_best_weights.h5, # 注意不是 .hdf5是 .h5 monitorval_accuracy, save_best_onlyTrue, modemax ) # 訓(xùn)練 history model.fit( X_train, y_train, validation_data(X_val, y_val), epochs50, callbacks[checkpoint], verbose1 )運(yùn)行python DNN.py后務(wù)必檢查是否生成dnn_best_weights.h5。Keras 默認(rèn)不會(huì)保存完整模型含架構(gòu)只保存權(quán)重。所以預(yù)測(cè)時(shí)必須先重建模型結(jié)構(gòu)再加載權(quán)重# predict_dnn.py from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense import numpy as np # 1. 重建完全相同的模型結(jié)構(gòu) model Sequential([ Dense(128, activationrelu, input_shape(22,)), Dense(64, activationrelu), Dense(32, activationrelu), Dense(1, activationsigmoid) ]) # 2. 加載權(quán)重 model.load_weights(dnn_best_weights.h5) # 3. 預(yù)測(cè)注意輸入必須是標(biāo)準(zhǔn)化后的向量 X_test np.array([[18.0, 2.0, 1.0, 0.0, 3.21, ...]]) # 22維 pred model.predict(X_test) print(DNN prediction:, pred[0][0])如果跳過第1步直接load_weights會(huì)報(bào)錯(cuò)ValueError: You are trying to load a weight file containing 8 layers into a model with 0 layers。這是新手最常踩的坑之一。4. 避坑指南五個(gè)真實(shí)發(fā)生過的翻車現(xiàn)場(chǎng)與自救方案這套代碼在多個(gè)課程設(shè)計(jì)中被使用我也幫 A同學(xué) 調(diào)試過他的畢設(shè)。以下是高頻、高破壞性的五個(gè)坑按“現(xiàn)象 → 原因 → 解決”給出可立即執(zhí)行的方案不是泛泛而談。4.1 現(xiàn)象python SVM.py報(bào)錯(cuò)ValueError: Input contains NaN, infinity or a value too large for dtype(float64)原因translate.py中某個(gè)特征計(jì)算出現(xiàn)除零如https_ratio_in_path https_count / path_length當(dāng)path_length0時(shí)結(jié)果為inf或 URL 含非法 Unicode 字符導(dǎo)致len()返回負(fù)數(shù)。解決在translate.py的url_to_features函數(shù)末尾加防御性檢查# 在 return vec 前插入 for i, v in enumerate(vec): if not isinstance(v, (int, float)) or np.isnan(v) or np.isinf(v) or abs(v) 1e6: print(f?? Feature {i} invalid: {v}, setting to 0) vec[i] 0.0 return vec然后重新運(yùn)行g(shù)en_features.py確認(rèn)所有vec元素都是有限浮點(diǎn)數(shù)。4.2 現(xiàn)象SVM.py訓(xùn)練完成但predict.py預(yù)測(cè)全是 0良性原因predict.py里忘了對(duì)輸入特征做標(biāo)準(zhǔn)化直接把原始 URL 特征向量喂給svm_model.pkl。SVM 對(duì)量綱極度敏感未標(biāo)準(zhǔn)化時(shí)domain_length值域 5~63的權(quán)重遠(yuǎn)大于tld_entropy值域 0~4.5模型實(shí)際只看了長(zhǎng)度。解決predict.py必須加載scaler.pkl并 transformfrom sklearn.preprocessing import StandardScaler import joblib scaler joblib.load(scaler.pkl) X_pred scaler.transform([feature_vector]) # 注意必須是二維數(shù)組 pred clf.predict(X_pred)4.3 現(xiàn)象DNN.py訓(xùn)練 loss 下降但 val_accuracy 卡在 0.5 不動(dòng)原因train.csv的label列是字符串0/1不是整數(shù)。Keras 的binary_crossentropy要求y是float32類型的 0/1字符串會(huì)導(dǎo)致 one-hot 錯(cuò)誤。解決在DNN.py數(shù)據(jù)加載后加類型轉(zhuǎn)換y df.iloc[:, -1].values.astype(int) # 強(qiáng)制轉(zhuǎn) int # 或更安全y (df.iloc[:, -1].values 1).astype(int)4.4 現(xiàn)象typelist.py中g(shù)et_domain_type總返回unknown原因PAYMENT_KEYWORDS列表是空的或tld_mapping.json文件路徑錯(cuò)誤代碼里寫的是./data/tld_mapping.json但你解壓data.zip到了上級(jí)目錄。解決檢查typelist.py開頭的路徑定義# 修改為絕對(duì)路徑或確保相對(duì)路徑正確 TLD_MAPPING_PATH tld_mapping.json # 如果文件和 typelist.py 同目錄 # 或 TLD_MAPPING_PATH os.path.join(os.path.dirname(__file__), tld_mapping.json)然后用cat tld_mapping.json | head -5確認(rèn)文件可讀。4.5 現(xiàn)象forest_split.py執(zhí)行時(shí)報(bào)KeyError: payment_gateway原因forest_split.py依賴typelist.py的返回值但你修改了typelist.py的返回字符串如把payment_gateway改成payment而forest_split.py的字典里還是舊 key。解決打開forest_split.py找到類似SAMPLING_RATIO {payment_gateway: 0.3, education: 1.0}的字典確保所有 key 與typelist.py的return語(yǔ)句完全一致包括大小寫、下劃線。建議用grep -r payment_gateway *.py全局搜索。5. 模型對(duì)比與閾值調(diào)優(yōu)用classification_report和roc_curve找到你的業(yè)務(wù)平衡點(diǎn)跑通不代表結(jié)束。惡意網(wǎng)站檢測(cè)的核心矛盾是提高召回率抓更多惡意站必然降低精確率誤殺更多好站。SVM.py和DNN.py默認(rèn)用 0.5 為分類閾值但這在生產(chǎn)環(huán)境中幾乎從不適用。你需要根據(jù)實(shí)際場(chǎng)景調(diào)優(yōu)。下面是我每次必做的三步驗(yàn)證。5.1 生成雙模型詳細(xì)評(píng)估報(bào)告不只是看 accuracy先用test.csv生成預(yù)測(cè)結(jié)果# eval_models.py import pandas as pd import numpy as np from sklearn.metrics import classification_report, roc_curve, auc import joblib # 加載測(cè)試數(shù)據(jù) df_test pd.read_csv(test.csv) X_test df_test.iloc[:, :-1].values y_true df_test.iloc[:, -1].values # 加載 SVM 模型和 scaler svm_clf joblib.load(svm_model.pkl) scaler joblib.load(scaler.pkl) X_test_scaled scaler.transform(X_test) y_pred_svm svm_clf.predict(X_test) y_proba_svm svm_clf.predict_proba(X_test_scaled)[:, 1] # 獲取正類概率 # 加載 DNN 模型 from tensorflow.keras.models import load_model dnn_model load_model(dnn_model.h5) # 注意DNN.py 需改寫為保存完整模型 y_proba_dnn dnn_model.predict(X_test_scaled).flatten() # 打印報(bào)告 print( SVM Classification Report ) print(classification_report(y_true, y_pred_svm)) print( DNN Classification Report ) y_pred_dnn (y_proba_dnn 0.5).astype(int) print(classification_report(y_true, y_pred_dnn))重點(diǎn)看precision精確率和recall召回率這兩行。如果 SVM 的recall是 0.92 但precision只有 0.65意味著每抓 100 個(gè)惡意站就有 35 個(gè)是冤枉的。這時(shí)就要調(diào)閾值。5.2 繪制 ROC 曲線確定最優(yōu)閾值用roc_curve找到你的業(yè)務(wù)拐點(diǎn)ROC 曲線橫軸是False Positive RateFPR縱軸是True Positive RateTPR/Recall。理想情況是左上角FPR0, TPR1但現(xiàn)實(shí)中要權(quán)衡。以下代碼生成曲線并計(jì)算 AUC# plot_roc.py import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc fpr_svm, tpr_svm, _ roc_curve(y_true, y_proba_svm) fpr_dnn, tpr_dnn, _ roc_curve(y_true, y_proba_dnn) plt.figure(figsize(8, 6)) plt.plot(fpr_svm, tpr_svm, labelfSVM (AUC {auc(fpr_svm, tpr_svm):.3f})) plt.plot(fpr_dnn, tpr_dnn, labelfDNN (AUC {auc(fpr_dnn, tpr_dnn):.3f})) plt.plot([0, 1], [0, 1], k--, labelRandom Classifier) plt.xlabel(False Positive Rate) plt.ylabel(True Positive Rate) plt.title(ROC Curve) plt.legend() plt.grid(True) plt.savefig(roc_curve.png, dpi300, bbox_inchestight) plt.show()運(yùn)行后得到roc_curve.png。觀察曲線如果 SVM 曲線整體高于 DNN說明在相同 FPR 下 SVM 能獲得更高 TPR更適合“寧可錯(cuò)殺”的場(chǎng)景如內(nèi)網(wǎng)隔離如果 DNN 在低 FPR 區(qū)域FPR0.05更陡峭說明它在“嚴(yán)控誤報(bào)”時(shí)表現(xiàn)更好如面向終端用戶的瀏覽器插件。5.3 業(yè)務(wù)閾值決策表把技術(shù)指標(biāo)翻譯成運(yùn)營(yíng)語(yǔ)言不要憑感覺定閾值。我用一個(gè)表格把技術(shù)指標(biāo)和業(yè)務(wù)影響對(duì)應(yīng)起來供你決策閾值SVM PrecisionSVM Recall預(yù)估每日誤報(bào)數(shù)按 10w 請(qǐng)求適用場(chǎng)景0.30.580.9442,000離線批量掃描事后人工復(fù)核0.50.650.9235,000默認(rèn)值課程設(shè)計(jì)展示用0.70.780.8522,000企業(yè)網(wǎng)關(guān)旁路可接受少量漏報(bào)0.850.910.729,000瀏覽器插件用戶容忍度極低0.950.970.453,000高安全等級(jí)系統(tǒng)只攔截高置信惡意站計(jì)算邏輯誤報(bào)數(shù) 總請(qǐng)求數(shù) × (1 - Precision) × (True Negative Rate)其中True Negative Rate ≈ 0.99假設(shè) 99% 的請(qǐng)求是良性。這個(gè)表不是標(biāo)準(zhǔn)答案而是幫你把“我要更準(zhǔn)”翻譯成“我把閾值設(shè)成 0.85”。5.4 部署前的終極驗(yàn)證用predict.py測(cè)試真實(shí) URL最后一步寫一個(gè)真正可用的預(yù)測(cè)腳本輸入任意 URL輸出風(fēng)險(xiǎn)分和判定# predict.py import sys from translate import url_to_features from sklearn.preprocessing import StandardScaler import joblib import numpy as np if len(sys.argv) ! 2: print(Usage: python predict.py url) sys.exit(1) url sys.argv[1] try: features url_to_features(url) except Exception as e: print(fFeature extraction failed: {e}) sys.exit(1) # 加載模型和 scaler scaler joblib.load(scaler.pkl) svm_model joblib.load(svm_model.pkl) # 標(biāo)準(zhǔn)化并預(yù)測(cè) X np.array([features]) X_scaled scaler.transform(X) prob svm_model.predict_proba(X_scaled)[0][1] # 惡意概率 pred svm_model.predict(X_scaled)[0] print(fURL: {url}) print(fMalicious Probability: {prob:.3f}) print(fPrediction: {MALICIOUS if pred 1 else BENIGN}) print(fRisk Level: {HIGH if prob 0.85 else MEDIUM if prob 0.7 else LOW})運(yùn)行python predict.py http://fake-bank-login.net看輸出是否合理。如果prob是 0.99但你知道這個(gè)域名其實(shí)是某公司測(cè)試站那就回頭檢查translate.py里has_ip_in_url或tld_entropy的計(jì)算邏輯——這才是閉環(huán)驗(yàn)證。從那以后我每次交付模型都強(qiáng)制走一遍predict.py測(cè)試 5 個(gè)真實(shí) URL2 個(gè)已知惡意、2 個(gè)已知良性、1 個(gè)模糊案例不看到Risk Level符合預(yù)期絕不提交。因?yàn)橹笜?biāo)可以刷但一個(gè)真實(shí)的http://paypal-security-update.org被標(biāo)成LOW就是模型沒過關(guān)。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
婷婷五月天基地| 亚洲激情AV| 久热天堂| 97精品欧美91久久久久久久| 99视频地址| 人妻无码视频网| 深爱激情五月婷婷| 91精品久久久久久综合五月天| 久久免片| 五月丁香婷婷六月| 婷婷射丁香| 99操碰| 99视频在线精品免费观看2| 色婷婷超碰| 激情五月婷| 99热1| 丁香六月婷婷开心| 亚洲精品视频在线| AV在线免费网站| 婷婷的99视频网站| 国产看真人毛片爱做A片| 伊人六月无码视频| 欧美激情伊人| 婷婷丁香六月天| 天天天操天天天日| 秋霞三级色戒| 色97啪啪| 极品少妇高潮啪啪AV无码| 天天干天天操| 国产成人+综合亚洲+天堂| 99久久9| 天天谢天天操| 97资源碰碰| 国色天香成人网| 成人丁香五月| 激情综合网婷婷久久| 九色亚洲| 五月天婷婷色综合| 综合婷婷五月天| 99热大全在线观看| 性色综合网| 99综合| 操逼福利视频| 婷婷无码视频| www.久99| 91精品久久久久久77777| 亚洲综合婷婷六月丁香五月| www.激情五月天。com| 人操综合| 丁香激情婷婷网| 日韩在线成人电影| 男人的天堂婷婷色五月| 五月婷婷色| 综合久久五月| 五月丁香六月色婷| 91丁香婷婷综合资源| 亚洲综合五月| 丁香 亚洲 久久| 新99思思视频| 五月婷婷影院| 色婷婷啪啪| 婷婷久久综合| 亚洲精品国产setv| 五月激情综| 天天看片日日夜夜| 久久狼人天堂| 99热精品超碰| 久热久69| 免费无码毛片一区二区A片| 天天操人人干| 激情开心五月亚洲| 成人久久天天x资源站| 九九综合网色全集| 激情精品久久| 狠狠精品干练久久久无码中文字幕| 人人草人人舔| 亚洲va在线∨a天堂va欧美va| 激情五月天在线观看色婷婷| 亚洲色婷婷| 久久这里有精品在线观看| 色五月天激情| 色婷婷啪啪啪啪啪啪| 九九成人电影婷婷| 婷婷五月天在线观看| 另类精品视频在线观看| 丁香五月天资源网| 99re思思热久久| 色色99色色| 97干在线播放| 丁香久月| 久久久五月天婷婷成人网| 99这里有精品| 啪啪综合网| 538在线精品| 夜夜操夜夜姧| AV天堂淫乩| 大香蕉伊人99| 极品色丁香| 国产九月婷婷| 色插人人| 丁香五月婷婷欧美性爱| 国产亚洲精品AAAAAAA片| 欧美成人A片AAA片在线播放| 九九re精品视频在线观看| 久久人妻在线| 色五月婷婷啪啪五月| 99色综合网| 五月丁香综合激情网| 日本丁香五月| 日本操逼九九九九58日本操逼| 亚洲视频在线观看99| 丁香婷婷啪啪| 天天搡日日搡aaaaⅩ| 中文字幕性爱视频| 久久丁香婷婷五月| 2015WWW永久免费观看播放| 亚洲精品一区中文字幕乱码| 天天拍天天操| 久久久久久久人妻| 超碰精品在线| 天天色天天操天天射| 欧美 日韩 成人 在线| 99热精品中文字幕| 五月婷婷官网色| 色5月婷婷| 狠狠狠人妻| 五月婷丁香花| 激情五月丁香综合蜜桃| 婷婷另类开心| 五月天婷婷色播在线网| 激情五月,深深爱五月| 天天成人综合| 人妻操操色| 伊人日日干| 26UUU成人网| 丁香婷婷六月激情文学| 综合激情五月丁香9999久久精| 亚洲日韩国产黑丝黑丝AVAV一区二区三区 | 99在线视频资源| 婷婷五月亚洲一本在线丁香| 婷婷六月丁香欧美视频在线| 日本爆乳片手机在线播放| 九九在线视频| 丁香六月婷婷综合| 欧美性爱五月天| 国产日韩欧美性爱| 成人做爰A片免费看网站找不到了| 91狠狠综合久久久| 在线中文AV| 日本人妻伦在线中文字幕 | 久久久性爱视频| WWW.婷婷| 久久99激情| 97色女人在线| 5月丁香啪啪啪| 婷婷综合| 亚洲精品又粗又大又爽A片 | 亚洲AV网站| 99在线热| 八戒青柠影视剧在线观看| 伊人综合网站| 日美三级| 99福利导航| 亚洲成人免费在线| 五月天开心成人网| 亚洲aV写真天天综合网久久| 久9久成人精品视频| 亭亭丁香久久五月| 伊人六月丁香婷婷| 99精品在这里| 四色99久久| a在线观看| 午夜精品人妻无码一区二区三区| 久在线综合69| 另类激情综合| 欧美激情五月天在线观看| 激情丰满熟妇五月| 六月丁香综合| 99热这里只有精品3| 久久久天堂国产精品女人| 9九九久久精品无码专区| 在线sebiav精品视频| 超碰国产AV| 91超碰在线观看| 99色看这里只有精品| 五月丁香婷婷激情| 色五月激情五月开心五月| 97超碰综合| 这里有精品| 610018岁成人视频| 婷婷网影院| 婷婷综合激情| 丁香五月激情综合啪啪| 九九久久五月天| 99激情视频| 在线色婷婷| 日本99在线视频| 激情综合五月激情17| 五月天婷婷导航| 欧美A级网站| 日本天天综合| 色亭亭五月天丁香综合AV - 百度 - 百度 | 婷婷五月天在线综合导航| 热久久视频99| 91精品久久久久久久| 专区无日本视频高清8| 久久综合最新网址| 色五月首页| 色 五月俺去也| 无码色色色| 99热这里只有精品22| 国精产品一区一区三区免费视频| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 五月天婷婷在线观看精品男人| 亚洲丁香网| 九月综合| 久婷婷视平| 色天堂A| 婷婷舔| 激情综合网色播五月| 99操碰| 亚洲婷婷综合视频| 激情五月天开心网丁香无码| 亚洲性视频| 欧美性生交XXXXX无码小说| CAOBIBI| ay2区| 成人开心五月天| 99精品热| 亚洲99综合| 香蕉人妻AV久久久久天天| 91碰操| 亚洲色综合| 婷婷五月天激情五月天| 色色婷婷丁香| 久99久视频免费观看| 亚洲久久视频| 久激情网| 日韩啪啪自拍| 丁香婷婷免费| 操操碰| 色五月美女| 天天性视频| 激情五月,激情综合网| 丁香五月天啪啪| 久久一伦| 色五月天激情| 99热这里只有精品8| 99久在线精品99re5热视频| 婷婷五月丁香激情色情| 99精品视频网| 激情婷婷五月天丁香| 深夜婷婷五月丁香| 91狠狠综合久久| 丁香五月瑟瑟| 成人五月天在线视频在线观看| 久久精品夜色噜噜亚洲a∨| 亚洲欧美在线观看| 只有精品在线观看| 天天肏夜夜肏| 看全色黄大色大片| 久久婷狠狠色| 色综合久久88色综合天天99| 欧美97超碰| 99热久只有| 91久久综合亚洲鲁鲁五月天| 激情综合在线播放| 久久久久er热| 亚洲AV成人一区二区在线观看| 六月色婷婷色| 99热99色| 伊人色综合影院视频| 5月婷婷激情网| 丁香网站| 五月天婷亚洲天综合网综合| 久久香蕉影院| 五月婷婷丁香综合| 色色五月天网站| 久久久九九视频精品18| 99综合激情久久精品久久| 丁香九月激情| 成人五月天婷婷| 91婷色| 99在线一区| 婷婷五月天另类网站| 欧美色综合天天久久综合精品| 日本99视频| 超碰在线9| 亚洲AVwwwwwww| 99综合一区| 日本精品人妻无码77777| 婷婷香香五月| 久久99网| 九九视频免费| 亚洲欧美成人在线| 99欧美热| 婷婷色五月色妇| 久久综合五月天| 九九成人精品免费视频| 婷婷五月天激情文学| 久久久婷婷五月亚洲97号色| 99操无码视频观看| 在线看片av| 天堂中文国产| 激情性爱五月天| 国产色网站| 五月婷婷丁香六月| 亚洲在线综合| 九九久久99| 久久九九爽| 久久99精品视频| 五月丁香久| 人妻激情在线| 丁香六月婷婷色XXXXX| 日本综合久久| 色优久久| 五月天久久www| 性爱网五月婷婷| 天天天日天天天干| 五月丁香婷婷老司机| 五月草影视| 五月丁香六月停停停| 五月婷婷九月婷婷九月婷婷| 日本波多野结衣视频| 婷婷五月图片小说网| 秋霞九九无码| 五月婷婷激情五月| 色99在线视频| 97色色色| 6080av| 五月丁香婷婷六月| 六月婷色| 亚洲欧洲另类| 亚洲欧洲色色| 97超美国视频在线观看| 久久婷婷综合五月天| 九月丁香八月婷婷久久综合久97| 激情中文在线| 大香蕉九九| 性爱视频久久| 色五月视频无码播放| 激情性爱五月天网页| 日韩乱玛久久| 另类视屏| 五月婷婷影| 婷婷激情丁香五月婷婷激情丁香五月婷婷 | 亚洲夜夜操| 狠狠久久婷| 狼人婷婷综合| 婷婷色女| 96丁香婷婷九月蜜桃综合久久| 色色色色色网站| 在线视频99| 99无码黄色视频| 九九热视频网站| 香蕉网婷婷| 婷婷五月丁香六月天亚洲综合| 五月婷婷精品视频| 丁香五月性| 99热精品少| 伊人久久丁香狠狠婷婷综合香蕉| 婷婷五月丁香六月| 亚洲sesesese| 欧美黄色一级| 伊人99热| 人人操A| 五月天婷婷色色首页| 日本婷久久| 五月丁香日本在线视频观看| yw国产AV| www.婷婷| 五月停停丁香| 亚韩在线视频| 夜夜干夜夜操| 日本色色色| 99re6在线视频精品免费| 婷婷六月五月天综合| 欧美日韩国产一区二区| 三级三久久线久久99久目本WW| 激情丰满熟妇五月| 91九色 婷婷| 亚洲午夜av| 操逼棍操逼| 国产97色在线| 一区二区成人电影免费播放| 97人人操| 韩国久久少妇视屏| 久久九色| 超碰在线资源| 中文字幕 中文字幕明步| 五月丁香色婷婷基地| 色人久夂| 99色综合久久| 色婷婷影视| 伊人婷婷五月天av| 九九99久久| 操逼综合激情网| 五月天婷婷色色| 夜夜骑福利资源| 亚洲无码成人| 婷婷色色色| 婷婷导航| 天天做天天爱天天综合| 婷婷色五月综合丁香| 国产探花一片区| 九九热免费| 热思思| 中海油常州环保涂料有限公司| 久久婷婷五月综合色和| 日本综合色图| www夜夜| 伊人99热| www.色色com| 色99视频| 婷婷五月天激情小说| 99色一| www.超碰| 亚州操操| 五月婷婷六月丁香| 五月天激情婷婷小说| 五月色网| 色婷久| 91男同视频| 五月天精品视频| 特级西西4444www无码| 亚洲精99| 亚洲成人免费电影| 婷婷久久免费| 99热97美女| 久久久GOGO无码啪啪艺术 | 日韩精品AV一区二区三区| www.五月丁香| 色婷婷五月天视频在线| 色五月婷婷大| 综合欧美五月婷婷| 久久99久久99精品免视看婷| 97自拍99| 丁香五月婷综合| 国产69久久久欧美黑人A片| WWW.99热| 综合五月丁香六月婷婷| av操一操| 九九热这里只有国产精品| www.婷婷| 久久HD| 久久日九九| 亚洲综合色成丁香五月色| 中文字幕黄色片| 99干日本| 亚洲综合另类| 五月丁香六月婷婷国产视频| www色中色综合| 九九免费精品在线视频| 五月丁香六月激情综合网| 日本成人综合| 色狠狠综合入口| 玖玖九九9999在线观看视频精品| AV成人在线网站| 99这里都是精品| 五月丁香婷婷色色| 五月婷婷色播| 热久久这里只有精品| 五月婷精品| 五月天激情婷婷丁香| va婷婷在线| 五月婷婷新网站| 风流少妇A片一区二区蜜桃| 黄网在线免费观看| 五月丁香婷婷网在线在线| 99成人小视频| 五月婷导航| 99热这里只有精品13| 狠狠看狠狠| AV九九| 超碰93在线观看| 婷婷综合另类| 天天婬色综合| 六月丁香开心婷婷欧美| 色婷婷啪啪| 日韩欧美婷婷丁| 99在线看视频| 日韩成人影片在线观看| 中文字幕人妻AV| 9|人妻人人操| 五月婷性爱| 天天插操| 五月丁香综合久久夜夜| 日韩天堂久久| 日本色色网站| 91色操| 色呦呦美女| 久草性爱| 日韩九九视频| 99视频久久免费视频| 99热免费精品热久久66| 综合久色五月| 久久这里只有精品无码| 亚洲人妻五月丁香婷婷| 99久久玖玖| 婷婷六月丁香欧美视频在线| 五月天久久综合婷婷| 夜夜撸日日操| 亚洲精品影视| 99热手机在线精品| 国产成人一区二区三区在线观看| 五月天激情小说网| 丁香六月婷婷色XXXX| 99ER热精品视频| 色五月,com| 91久久九久久九久久九久久九久久 | 99久re热视频精品98| 激情综合五| 色婷婷电影网| 色九九综合色| 久久色午夜在线导航| 激情熟女网| 久久 婷婷 五月天| 激情综合播播| 五月天激情婷婷小说| 五月丁香另类网| 99久在线精品99re8热| 婷婷色在线播放| 97精品综合久久| 婷婷色婷婷| 国产精品18久久久| 婷婷丁香成人色综合| 热996精品在线观看| 国产成人在线不卡AV| 99re在线视频精品,这里只有精品18,| 人人舔人人色人人高潮| 婷婷色激情五月天| 综合伊人久久| 99成人| 色婷婷丁香女女| 视频在线免费观看欧洲乱码| 婷婷99| 五月婷色丁香| 婷婷精品综合| 99久久9| 亚洲乱码日产精品BD| 99ri精品在线观看| 五月色色色| 色五月激情五月丁香五月婷婷啪啪综合| 激情网五月婷婷| 日日夜夜干| 看片视频在线免费日产在线看| 国产婷婷色综合AV蜜臀AV| 色天使色综合| 伊人干综合| 久久婷婷操| 国产亚洲色婷婷久久99精品91| 五月天激情综合网站| 天天干天天操天天干天天操天天干天天操 | 色五月婷婷影院| 国产成人AV不卡| 五月婷婷|欧美| 另类五月婷婷| 色五月影视| 激情四射五月天| 五月丁香六月激情网站| 97人凄人人操人人爽| 极品 少妇 内射| 婷婷 色 丁香 夜| 婷婷五月天av| 婷婷香蕉香| 狠狠人妻色综合| 五月社区婷婷激情| 色碰碰| 成人国产欧美大片一区| 日本女人久久| 久久99色色| 激情综合国产| 91se精品国产| www九九热| 大陆肏屄视频| 综合网激情| 久久久久久久五月| 天天爽天天日人人爱| 99热在线观看免费精品| 中文幕无线码中文字蜜桃| 婷婷五月丁香色综合| 色VA| 成人免费在线电影| 99色免费观看全部| 综合激情五月四射婷婷| 色色色热热热| 99国产精品久久久久久久久久久| 婷婷五月天精品| 爱之国产色情综合| 亚洲操b| 九月婷婷| AAA久久久| 色色COm| www久久久| 久操干| 99热99热99热99热| 五月丁香色综合| 色欲色香综合网站| 日韩激情人伦人| 99热资源在线| 综合图片色色| 丁香色五月 97干| 免费亚洲成人电影AV| 热99re| 亚洲激情五月| 九色91美女| 五月天,激情四射,婷婷频道| 少妇人妻丰满做爰XXX| 丁香激情网| 天天做天天摸| 91919191919久久成人视频| 久99热| 色婷婷五月天在线观看| 玖久久网站| 伦乱美欧| 婷婷综合一二三| 91黄色五月天视频| 在线综合婷婷| 久久人人看| 黄色五月婷婷| 深爱激情五月婷婷| 婷婷激情五月呦呦| 日日噜噜久久婷婷五月天 | 五月天基地| 五月天激情婷婷丁香| 开心五月婷婷激情| 狠狠干五月天婷婷网| 九月婷婷激情| 4399欧美另类视频| www.99视频| 丁香五月天91| 综合在线丁香五月| 99噜噜噜在线播放| 五月天婷婷基地| 亚洲免费婷婷| 在线亚洲综合| 开心激情久久久久久久| 熟女人妻一区二区三区免费看 | 色色哒五月婷婷六月丁香| 操操操B| 99热久久这里只有精品| 五月天成人免费视频| 91精品久久久久久77777| 偷拍五月丁香| 丁香五月手机视频| AAA久久久| 天天撸夜夜爽| 久久久久人妻精品| 在线一起草av| Caoporn公开| 亚洲欧美综合7777色婷婷| 人人草成人视频| 噜噜操操| 亚洲午夜av| 激情五月天婷婷| 久久大香蕉| 99视频只有精品| 天天干电影| 中文字幕激情综合| 就爱啪啪婷婷| 极品人妻VIDEOSSS人妻| 六月五月久久丁香| 影音先锋自拍网| 天天撸夜夜爽| 久9综合| 色婷五月| 国产欧美性成人精品午夜| AV五月丁香| 激情综合色婷婷啪啪六月天| 国产成人一区二区三区在线观看| 五月激情视频网| 最新高清无码专区| 人妻操在线看| 日韩不卡123| 六月 丁香 视频| 91久久九色| 五月天天综合| 婷婷伊人中文字幕| 九九热AV| 思思色综合网站| 99色爱| 丁香5月婷婷| 久久99jiu9| 天天日夜夜| 免费观看亚洲AV片| 人人干人人看| 色狠狠伊人久久五月丁香| AV在线不卡播放| 丁香五月a| 九九九午夜视频| 99A级片| 成人精品人妻| 色丁香五月| 欧美丁香六月在线观看视频| 97色五月婷婷在线| 天天精品视频免费观看| 97在线刺激| 五月丁香婷婷综合网| 丁香六月亚洲| 久9热插入| 美国十月色婷婷在线观看| 色婷婷操逼| 色色婷婷五月| 五月天精品综合| 人妻激情视频| 色色99| 欧美一区二区三区不卡影视| 国产综合A片| 五月婷色色| 婷婷爱综合| WWW色色色COM| 婷婷五月天激情小说| 亚洲精品五十一区| 色播色丁香五月| 天天搞天天爽| 天天日天天狠狠操| 激情玖玖sh| 激情五月六月婷婷| 色婷婷色99国产综合精品| 日本精品久久久久中文字幕| 九色色| 91精品人妻少妇无码影院| 午夜天堂啪啪| 亚洲色无码| ww久久| 91精品久久久久久久久久| 日本高清综合网五月丁香| www.婷婷| av网站不卡在线| 丁香六月综合| 久久精品99国产精品日本| 天天天天天久久久久久| 久操福利| 日韩二区搞逼插逼毛片| 丁香 久久| 97涩涩丁香五月天| 2015WWW永久免费观看播放| 天天做天天爱| 激情五月小说婷婷| 婷婷激情五月天网站| 伦乱人妻| 综合网色| 五月丁香六月婷婷色情| 金桔一区二区ab地址| 四色五月婷婷| 色偷偷五月天| 五月激情综合美女久久| 天天爽天天爽天天爽天天爽天天爽天天爽天天| 熟女人妻视频| 婷婷中文无码| 欧美激情综合色综合色| 99久久综合| 激情网 久久| 99超级碰免费视频| 深爱五月日韩| 丁香久久| 亚洲成人av在线观看| 色五月网址| 五月婷婷综合久久| 一区二区中文字幕| 亚洲综合另类| 婷婷色影音天| 色色色综合色| 操逼巨乳91| 国产一区男女| 丁香六月开心| 丁香婷婷五月综合| 亚洲日本韩国| 久久99综合| 亚洲综合婷婷五月| 狠狠色综合网| 91亚洲免费片| 五月天开心色色网| 色色亚洲| 在线观看的av| 五月丁香六月激情欧美综合| 五月色欧洲| 久久99久久久久久| 婷婷va| 色五月丁香A欧美com| 婷婷亚洲综合| 99在线视频播放| 丁香五月天在线| 丁香五月激情欧欧美| 婷婷99| 九九色之九九色之88| 五月婷婷很很色| 狠狠色婷婷7777久| 91玖玖| 亚洲五月停停| Www.婷婷五月| 亚洲视频丁香网va| 99久久9| 久久久五月婷婷| 色吧99| 婷婷五月天黄色小说| 天天拍夜夜爽日日| 五月婷婷六月丁香激情深爱| 婷婷五月丁香啪啪| 亚洲在线视频321| 操草草草| 丁香88AV五月婷婷| 99亚洲视频| 色哟哟www| 狠狠干在线| 亚洲激情网站| 色色日韩无码| 妻久久久久| 99亚色色色| 亚洲精品电影| 日韩一级A片黄色| 久婷婷五月天影院| 久久六月综合| 一片AV片免费播放| 热99色| 一本色综合色| 亚洲精品又粗又大又爽A片| 五月天播播| 色综合久| 日韩操人| 91色婷婷综合久久中文字幕二区| 色欲五月婷婷| 国产精品色婷婷久久久精品| 俺去也综合| 丁香五月播播| 丁香五月综合亚洲| 婷婷五月天激情AV影院| 免费观看的AV| 青青草六月丁香| 婷婷五月丁香五月天| 这里只有精品视频在线观看免费| 婷婷激情肏屄网| 久久久人妻人伦| 色播五月丁香| www.粉嫩av.com| 九九这里只有精品在线视频| 九九这里只有精品在线视频| a色色色色色| www.激情.com.| 激情网第九色| 成人操呦av| 天天干夜夜操A片| 九九综合久久丁香婷婷,开心激情综合网| 中文网AV| 午夜理论片最新午夜理论剧| 激情综合网五月天天| 日本婷婷丁香五月| 亚洲激情视频网| 五月丁香色狠狠干大屄| 人人干AV| 激情色视频| 亚洲第79页| 色五月丁香五月| 激情婷婷五月天| 97人人操| 人人摸人人摸| 五月丁香啪啪网| 久久er99热精品一区二区 | 99久久婷婷国产综合精品| 国产在线网| 五月丁香婷婷激情图片| www色五月| 开心五月婷婷激情| 9久久精品| 国产精产国品一二三在观看 | 五月丁香啪综合| 超碰亚洲天堂| 99久久黄色顶级视频| 午夜爱爱爱成人| 日本操逼九九九九58日本操逼| 夜夜操天天爽| 五月丁香啪啪| 综合色影| 五月天桃色深爱网| 欧美日韩成人在线| 九月丁香婷婷基地| 97伊人综合婷婷| 琪琪色五月天| 美女丁香五月天| 婷婷五月色网| 99精彩视频| 成人精品在线| 黑人糟蹋人妻HD中文字幕| 婷婷五月激情基地| 久9热插入| 91成人看片| 99精品色色| 激情五月天婷婷视频| 丁香六月久久| 亚洲成人五月天| 五月天福利影院导航| 午夜日日| 精品视频这里只有精品| 五月开心激情网| av在线激情| 日本天天色| 婷婷丁香五月基地| 色五月色五天色情网| 婷五月丁香| 99这里都是精品6| 五月婷婷基地| 农村熟妇高潮精品A片| a毛片二逼wwwwwwwwww| 9色视频在线| 丁香婷婷五月天色播| 丁香五月香蕉| 激情丁香五月婷婷| 国产av第一专区| 久久久久网站| 狠狠色情婷婷| 五月天激情国产综合婷婷| 99热综合| 超碰人人妻| 99re99热| 玖玖热视频| 日日撸夜夜操| 99热很操老逼| 久久XX| 五月丁香六月婷婷综合网缴情| 99热免费精品| AA片在线观看视频在线播放| 五月婷婷综合社区| 思思热久在线观看视频| 色五月综合在线| 久草热在线视频| 五月丁香六月情亚洲| 日本色色网站| 国产精品日本一区二区在线播放| 特级操b片| 6080av| 99干日本| 9热在线| 久久婷婷色| 国产VA亚洲VA96| 人人摸人人摸| 婷婷中文网站| 开心五月激情| 婷婷五月激情图片| 欧美精品XXXXBBBB| 久青操| 亚洲一区二区无码蜜乳av| 日本超碰在线| 婷婷六月丁综合| 五月丁香色婷婷婷基地| 开心五月天激情网| 成人做爰A片免费看网站找不到了| 99人人操人人操人人精| 思99热精品久久只有精品| 色五月婷婷在线| 色婷婷很很十八禁| 激情五月天色色| 狠狠色综合精品视频在线| 婷婷五月天网| 97视频91| 五月激情五月婷婷五月天在线| 婷婷狠狠操| 婷婷综合偷拍| 婷婷激情五月天在线视频| 五月婷婷啪啪啪| 欧美日韩一区二区三区四区| 五月花综合| 五月激情婷婷播播开心| 97精品人人A片免费看| 亚洲综合视频网| 婷婷六月激情综合| 荡乳尤物3HP1V5| 超碰九九热| 九九色综合九九色| 中文字幕有多少字| 丁香综合婷婷开心激情网| 夜夜谢天天干| av免费在线观看0| 中文字幕 码精品视频网站| 久久九九免费视频| 又大又粗九一在线| 色婷婷婷av| www激情| aaa9区免费在线观看| 色婷婷在线视频综合| 色啪网| 久久xxxx| 欧美色97| 99re在线免费视频| 五月婷婷视频啪啪美女| 狠狠穞A片一區二區三區| 99情色五月天| 国产日日夜夜操| 99成人| 中文字幕在线日亚洲9| 色99色| 偷偷操九九| 五月天婷婷五月| 国产做爰视频免费播放| 午夜大香蕉| 五月丁香亭亭操逼| 欧美天天搞| 激情五月婷婷六月丁香| 免费日本aⅴ中文字幕 | 99在线精品免费视频| 婷婷六月激情小说网| 亚洲综合另类| 久艹伊| 女人天堂 AV| 五月婷婷丁香日韩在线| 天天干天天日日| 超碰人人色| 丁香五月激情婷婷视频| 久久综合五月天| 人妻久热| 99这里有精品视频| 欧美在线视频9| 99热无码首页| www...com黄在线观看| 能看的av片| 成人无码精品1区2区3区免费看| 综合激情啪啪| 五月丁香在线| 婷婷爱在线观看| 99免费| 99操99| 色婷婷视频| 久久婷婷色| www.超碰在线| 色婷婷久久视屏| 五月丁香婷婷欧美| 丁香五月天激情四射网络不好| 五月丁香六月激情啪| 九九热视频精品999| 天天草天天日| 精品日本视频444| AV79| 激情婷婷五月在线合集| www.26uuu.com亚洲电影| 国产欧美日韩综合精品一区二区| 婷婷夜夜夜夜| 久久视9精| 99九九精品视频| 色五月噜噜| 婷婷五月深深爱| 婷婷六月天| 综合图片色色| 啪啪六月婷婷| 日韩av在线免费观看| 久婷久婷激情肉| 色吧婷婷| 在线婷婷| 99热97| 日本本土色网第一区| 少妇水多A片太爽了| 亚洲综合婷婷| 欧美日本国产| 99爱无码| 99碰碰中文| 91九色丨国产丨爆乳| 超碰在线国产| 99激情视频| 九九精品视频免费在线| 日韩另类| 五月婷婷深深爱爱| 精品成人无码A片观看香草视频| 五月天婷婷久久综合| 激情98色婷婷五| 激情綜合W W W,激情五月天| 综合伊人久久| www.婷婷五月天.com| 就是色婷婷五月亚洲色| 97久久视频| 天天干天天干天天干天天干天天| 四色五月婷婷| 婷婷五月免费视频| 日韩成人中文字幕| 99视频精品| 亚洲激情五月丁香久久久久| 九色激情| 激情综合五月| 色色是色N一| AA片在线观看视频在线播放 | 久久成人天| 五月婷av| 婷婷久久丁香五月| 五月天婷婷基地丁香| 亚洲六月色| 热99只有里视频| 色综合偷拍| 婷婷色在线| 五月丁香综合精品| 大香蕉久久久久久久久| www,色婷婷| 色五月xxx| 久久日婷婷| www.五月.com| 色婷婷久久综合| 色偷偷AV亚洲男人的天堂| 丁香婷婷色情社区成人小说| 九色91国产| 乱岳熟女50岁| 五月天激情无码| 五月婷在线观看| 国外亚洲成AV人片在线观看| 99这里都是精品6| 久久天天天| 亚洲传媒在线观看| 超碰日日操| 激情影院内射| 变态另类色图| 丁香五月婷久久| 热99re| www,久久久人人| 午夜大香蕉| 久久婷婷五月天激情唯美| 色五月激情综合| 99在线精品免费视频| 色婷婷久久综合中文久久一本| 婷婷99狠狠| 97五月婷| 色噜噜狠狠色综无码久久合欧美| 91成人视频| 怡红院AV亚洲一区二区三区H | 女性自慰系列第五页| 丰满少妇猛烈A片免费看观看| 色色亚洲视频| 丁香婷婷精品视频| 免费色婷婷| 色婷婷av在线观看| 五月婷婷开心综合| 亚洲色五月| 五月婷婷激情啪啪| 五月天综合色| 色婷婷六月天在线| 免费AV播放| 色婷婷亚洲综合天堂| 色欲影香| 噜噜噜精品欧美成人在线观看| 亚洲AV网站在线观看| 七七婷婷综合| 超碰人人在线| www.五月瑟| 日本三级黄色大片| 97自拍视频网| 日韩成人电影AV| 婷婷五月天美女视频| 久色网| 色五月婷婷91在线| 日日操天天操| 婷婷九月丁香| 五月激情开心婷婷| 人妻激情在线| 99re8热精品免费视频| 五月婷婷九九热| 婷婷激情综合网| 伊久久婷婷| www.婷婷五月天,com| 丁香六月啪| 夜色综合网| 色婷婷六月天在线| 这里只有精品在线视频精品| www综合久久| 久久五月婷天天干| 亚洲无码色色| 天天做天天爱| 久热这里只有精品66| 久久这里精彩免费在线观看| 婷婷五月激情综合啪啪| 丁香月五月天婷婷久久| 国产成人精品一区二区三区视频| 色五月激情| 色播婷婷五月天| 就要去操亚洲成人精品五月天丁香婷婷| 丁香五月婷婷亚洲色图| 九月丁香很很色| 色婷婷狠狠| 视频一二区| 五月丁香婷婷潮喷中文字幕| 99久久99热| 久久久大香蕉| 91综合在线观看| 久久5 9视频免费观看| 婷婷丁香五月综合| 99只有精品| 久久这里只有精品22| 麻豆科斗777| 97干免费视频| 99热全是精品| 大香蕉网 久久| 精品一二三区久久AAA片| 99操逼| 五月综合激情| 五月丁香六月婷婷视频| 亚洲激情丁香五月基地| 欧美激情五月综合| 9久久久久久久久久久| 久热9热| 日本97在线观看| 婷婷五月天成人网| 激情AV在线| 99热精品免费| 天天做天天爱天天玩夜夜爽 | 大香蕉婷婷色| WWW.国产| 91干在线视频| 91综合色| 人人爽在线视频综合网| 69婷婷丁香午夜| 噜噜色com| 91丁香五月| 农村熟妇高潮精品A片| 好叼操在线观看| 日韩AV成人电影| 性生活视频98791| 这里只有精品99视频| 我要看激情五月天| 亚洲婷婷久久综合| 婷婷五月天色色| 久久婷婷原创视频| WWW·色色色·COM| 亚洲综合丁香五月| 日夜操B| 国产午夜成人免费看片无遮挡| 丁香狠狠色婷婷| 激情欧美丁香五月| 超碰v| www,99色| 久久老码第一| 日本婷久久| 一级内射毛片| 日韩啪啪视频| 亚洲人妻五月丁香婷婷| 色婷五月天| 色婷婷在线视频| 大香蕉久久综合网| 538任你爽视频不一样的| 97视频久久| 色五月婷婷视频| 久久92| 综合日本婷婷| 精品五月天| 九九九九中文字幕| www.色9| 激情五月婷婷| 91丨九色丨熟女|老版| 大香蕉久热| 天天色视频| 五月综合久久| 久久综合五月天| 99re免费精品视频| 97碰| 久操婷婷| 国产激情久久久| 四虎国产精品永久在线国在线| 色无码| 亚洲操逼网| 五月婷婷综合在线| 成人无码髙潮喷水A片| 狠狠色 综合色区| 亚洲xx在线| 久久久er热| 亚洲色图五月丁香| 91人人妻人人操人人爽| yazhou seshipin| 日韩欧洲亚洲| 欧美月久久| 五月婷网站| 久久视频在线视频| 97人人超| 综合五月丁香六月婷婷| 91碰碰碰|