运算传感器:港理工最新研究成果!近传感器/内计算技术大幅提高运算效率

2021/12/25 04:33 · 传感器知识资讯 ·  · 运算传感器:港理工最新研究成果!近传感器/内计算技术大幅提高运算效率已关闭评论
摘要:

运算传感器:港理工最新研究成果!近传感器/内计算技术大幅提高运算效率智东西(公众号:zhidxcom)编译|林卓玮编辑|Panken智东西12月23日消息,据TechXplore报道,香港理工大学的科研人员近日在《自然·电子学》期刊上发布了一项研究,创造性地提出了近传感器计算(Near-SensorComputing)、传感器内计算(Near-Sens

运算传感器:港理工最新研究成果!近传感器/内计算技术大幅提高运算效率  第1张

运算传感器:港理工最新研究成果!近传感器/内计算技术大幅提高运算效率

智东西(公众号:zhidxcom)编译| 林卓玮编辑 | Panken
智东西12月23日消息,据TechXplore报道,香港理工大学的科研人员近日在《自然·电子学》期刊上发布了一项研究,创造性地提出了近传感器计算(Near-Sensor Computing)、传感器内计算(Near-Sensor Computing)的方法。
▲《近传感器和传感器内计算(Near-Sensor and In-Sensor Computing)》一文发布在《自然·电子学》上
论文链接:
在传统的传感计算架构中,传感器和计算单元被分开放置,两者之间存在一定距离。而在近传感器计算、传感器内计算架构中,传感器和计算单元之间的距离大大缩小,甚至趋近于零。
这两种计算方法能够将部分计算任务从计算单元转移到传感终端(Sensory Terminal),在减少功耗的同时,还能提升算法的效率,从而更好地应对日益增长的数据计算需求。
该文作者、香港理工大学应用物理学系副教授柴扬博士在接受TechXplore采访时说道:“物联网上的传感器节点数持续高速增加。到2032年,传感器的数量将达到45万亿,相当于每秒能生成高达1020比特的信息。因此,有必要将部分计算任务从云计算中心转移到边缘设备,减少能耗和时间延迟、节省通信带宽并增强数据安全性和隐私性。”
一、什么是近传感器计算、传感器内计算?
随着接入互联网的设备数不断增加,传感终端和计算单元之间的冗余数据传输量日益增长。在传感终端附近或内部进行运算能提高数据处理的效率、降低计算功耗,并减少在传感终端和处理单元间传输的冗余数据。
在题为《近传感器和传感器内计算(Near-Sensor and In-Sensor Computing)》的论文中,柴扬博士及其研究团队概述了近传感器计算、传感器内计算的概念。
由于传感器和计算单元具有不同的功能,它们的材料、内部结构、设计、处理系统往往也不尽相同。
在传统的传感计算架构中,传感器和计算单元通常是分开放置的,两者之间存在一定距离。而在近传感器计算、传感器内计算架构中,传感器和计算单元间的距离大大缩短,甚至趋近于零。
在近传感器计算系统中,处理单元(或加速器)位于传感器旁边,处理单元(或加速器)可以在传感器端点执行特定操作。这种计算方法可以提高系统的整体性能,并最大程度地减少冗余数据的传输。
在传感器内计算体系中,单个传感器或多个互联的传感器可以直接处理采集到的信息。这种方法既不需要处理单元,也不需要加速器,更无须将传感单元和计算单元整合在一起。
除了介绍了近传感器和传感器内计算的概念,这篇论文还将传感计算分为低级处理和高级处理两种。
低级处理指的是通过抑制噪声或失真、数据预处理,从大量原始数据中初步和选择性地提取有用数据。高级处理则涉及到认知过程的抽象表征,需要识别出是“什么”,以及从“哪里”输入信号。
二、两大技术难题:单元集成难、适用范围小
柴扬博士及其研究团队目前关注的主要是视觉传感器。
视觉传感器采集的数据量巨大,相应地也对计算能力提出了更高的要求。
在此前的一项研究中,柴扬博士和他的同事试图在传感终端级别执行信息处理任务,并使用光电电阻式开关存储阵列(optoelectronic resistive switching memory array)来证明传感器收集的预处理图像可以提高图像识别算法性能。
柴扬博士说:“在这项研究之后,我提出了传感器内的计算方法,这套方法基于新的硬件平台,能够以相同或更少的功率同时实现新功能、高性能和高能效。”
然而,近传感器计算体系和传感器内计算体系分别面临着传感单元和计算单元难集成、适用范围有限的技术难题。
柴扬博士解释说:“近传感器计算体系的一大挑战便是集成传感单元和计算单元。尽管单片3D集成技术(monolithic 3D integration)提供了一种提高单元间密度、缩短单元间距离的方法,但其工艺复杂,且存在散热问题。”
▲《近传感器和传感器内计算(Near-Sensor and In-Sensor Computing)》一文介绍的单片3D集成技术(monolithic 3D integration)
此外,传感器内计算方法仅适用于特定场景,而且该技术所需的创新材料和设备结构尚还处于开发初期。
三、离实际应用尚有距离
柴扬博士说:“近/传感器内计算是一个跨学科的研究领域,涉及材料、设备、电路、体系结构、算法和集成技术。”
在这篇论文中,柴扬团队在提出概念之余,还提出了传感单元和计算单元的集成方案。他们的研究成果可能会激发学界各领域进一步的研究,以更先进的制造技术实现上述构想。
尽管柴扬团队目前工作重心主要集中在视觉传感器上,但是近传感器和传感器内计算方法也可以扩展到其他种类的传感器,如检测声音、压力、污点、化学,甚至生物信号的传感器。
柴扬博士谈到未来的研究计划时说道:“我们希望将这套方法扩展到不同的应用场景。此外,大多数现有研究仍停留在较小规模,远远未达到实际应用的程度。在未来,我们将增加设备数量、将其与外围电路连接,从而构建一整套系统,进一步探索如何扩大设计规模。 ”
结语:边缘计算应对爆炸式增长的数据处理需求
随着人工智能、物联网、5G等前沿技术的落地和发展,接入网络的终端用户和机器越来越多,整体数据呈爆炸式增长态势。
面对海量数据的处理需求,中心式的数据处理方式已经难以招架,出现了延迟大、响应慢等问题。
而边缘计算,作为一项新兴计算技术,也越来越多地出现在银行转账等时间性敏感度高的应用场景。
通过在靠近物或数据源头的一侧进行数据处理,边缘计算大大地提高了运算效率,降低了能耗。
柴扬博士团队的这项最新研究成果实质上便是物联网边缘计算的一种。随着越来越多的研究团队投入相关研究,边缘计算未来将愈发成熟并逐渐扩展应用到更多场景。
来源:TechXplore
举报/反馈运算传感器:港理工最新研究成果!近传感器/内计算技术大幅提高运算效率  第2张

运算传感器:科学家发明近传感器计算与传感器内计算技术,边缘计算更“稳”

提到边缘计算,也许你感到很晦涩,但对于章鱼你肯定不陌生。
章鱼是一种无脊椎动物,浑身布满神经元,但是它的脑部只有 40% 的神经元,剩下的 60% 神经元在八条腿(腕足)上。这等于章鱼拥有 “多个小脑 + 一个大脑”,这样的分布式结构使得它在捕猎时非常敏捷,腿部得到信号即可就近捕猎。
图 | 章鱼(来源:IC photo)
而边缘计算的结构和章鱼很相似,它是一种分布式计算,得到信息后无需把大量数据上传到远端管理平台,直接可以就近处理。
而说到边缘计算,就不得不提传感器。当前的传感器网络中,节点数量增长非常迅速,传感器终端和计算单元之间交换着大量冗余数据,如何在处理大量数据的同时、还能降低功耗,是边缘计算亟待解决的难题。
针对此,近日香港理工大学应用物理学系副教授柴扬发表在《自然电子学》上题的论文《近传感器计算与传感器内计算》(Near-Sensor and In-Sensor Computing),创造性地提出了近传感器计算与传感器内计算的方法。
图 |《近传感器计算与传感器内计算》(来源:Nature)
柴扬告诉 DeepTech,近传感器计算与传感器内计算的方法,可减少传感器终端和计算单元之间的冗余数据移动。而计算任务被部分转移到传感器终端后,能减少能耗和时间延迟,还可节省通信带宽并增强数据安全性和隐私性。
不同架构,不同级别
谈及一些情况下把数据处理放在传感器端更好的原因,柴扬解释称,物联网传感器收集到的数据基本都是非结构性的,因此数据必须要先做处理。而一个完整的传感系统既需要有传感器,又需要有运算器。但实际上,传感器的制造工艺和运算器的制造工艺很不一样。以图像传感器为例,用 65 纳米的节点已是非常先进的工艺;而如果要做运算,目前最先进的半导体工艺已经发展到 5 纳米节点。
此外,传感器和运算器通常采用不同工艺制造,然后组装为一个完整的系统,两者在系统中的距离较远,更多情况是传感器收集数据,上传到云端后做计算处理。那么在哪些情况下,把数据处理放在传感器端比在云端更好呢?
柴扬表示,这主要出于两个刚性需求考量:第一个考量是功耗,传感器一般是靠电池来供电,因为电量受限,所以不能做太复杂的运算,复杂运算一般都要上传到云端做进一步处理;第二个考量是时间,也就是实时处理。
比如,自动驾驶对延时非常敏感,如果传到云端处理再传回来,会给安全驾驶带来很大挑战。因此,比较简单且对时间敏感的数据处理,放在传感器端比放在云端更好。一般来说,传感器和计算单元的材料不同,因此它们的功能、结构、设计和处理系统都不同。
在传统的感觉计算架构中,传感器和计算单元在物理空间上是分开的,它们之间有较远的物理距离。而在近传感器计算和传感器内计算架构中,传感器和计算单元之间的距离通常会显著减少或消除。比如,在近传感器计算架构中,前端处理单元被放置在传感器旁边,这意味着处理单元可提高系统整体性能,并最大限度减少冗余数据传输;在传感器内计算架构中,单个传感器或多个连接的传感器可直接处理收集到的信息,这样的设计可将传感和计算功能结合在单一器件中。
图 | 不同的计算架构
图 | 用于神经网络中乘法累加运算的、具有可重构传感器的传感器内计算架构示意图
柴扬表示:“近传感器计算面临的一大挑战是传感单元和计算单元的集成。例如,计算单元已经采用了非常先进的技术节点,而大多数传感基于大节点技术就可以很好地执行它们的功能。近传感器计算的集成技术包括异质集成、3D 单片集成、片上系统集成和 2.5D Chiplet 技术等,其中 3D 单片集成提供了一种高密度、短距离的系统集成方法,但是其复杂的制备工艺和散热仍面临巨大挑战。”
图 | 近距离传感器和传感器内计算的集成技术
虽然传感器内计算架构已被证明是结合计算和传感能力的方法,但它们通常只适用于特定场景。此外,它们只能通过处于早期开发阶段的新材料和新器件结构来实现。“近传感器计算和传感器内计算是一个跨学科的研究领域,涵盖材料、器件、电路、架构、算法和集成技术,” 柴扬说,“这些架构很复杂,因为它们需要在不同场景中处理大量不同类型的信号。近传感器计算和传感器内计算的成功部署,需要传感器、设备、集成技术和算法的共同开发和共同优化。”
在本次研究中,该团队为近传感器计算和传感器内计算提供了清晰定义,他们将信息处理分为低级处理和高级处理。低级处理,即通过抑制不必要的噪声或失真,或通过增强进一步处理的特征,从大量原始数据中有选择性地提取有用数据;高级处理,即抽象表示,这涉及到认知过程,其能识别输入信号是 “什么” 或 “在哪里”。最后,除了为近传感器计算和传感器内计算提供可靠的定义之外,研究人员还提出了实现集成传感和处理单元的可能解决方案。在未来,他们的工作可以激发进一步的研究,旨在利用先进的制造技术、实现这些架构或硬件组件。
实际应用,尚有距离
也就是说,近传感器与传感器内计算方法,是实现智能传感处理高效硬件的一种可能途径。在传感器端处直接处理数据,可提供改进的面积、时间和能量效率,并在实时和数据密集型应用中特别有益。
然而,在传感器附近实现低级和高级的处理功能,需要开发先进的集成技术和新的计算算法;在传感器内实现计算还需要开发具有新功能和新机制的设备、以及合适的算法。
虽然在传感器计算方面显示出潜力,但目前大多数设备都处于研究开发的早期阶段,由于功能有限,仅限于特定的应用场景。此外,到目前为止,对于完整处理和与外围控制的大规模集成只有有限的演示,而这对于传感器处理架构的未来至关重要。同时,柴扬告诉 DeepTech,自动驾驶应该是比较好的切入口,一旦突破现在的 “瓶颈”,就可能会有更多的新的应用产生。
上海有一家叫芯仑科技的公司,他们研发的动态视觉传感器(Dynamic Vision Sensor,DVS)就是应用在车辆上,采集图像、然后做一些实时的分析。他们在这个领域做得是比较好的,用得就是近传感器计算(Near-Sensor Computing),已经非常接近实用,在国内也是比较领先的。尽管柴扬团队目前工作重心主要集中在视觉传感器上,但是近传感器与传感器内计算方法也可以扩展到其他种类的传感器,如听觉、触觉、味觉信号、化学信号甚至生物信号的传感器。
玉汝于成,不忘初心
柴扬于香港科技大学电子工程系获得博士学位;之后在斯坦福大学开展博士后研究;后面在香港理工大学继续电子器件方向的研究。
在谈到成果落地的问题时,柴扬也提到,香港高校中有的老师做得非常成功,比如大疆创新、商汤科技和晶科电子都是从香港高校孵化出来的。谈及此,柴扬也表示了对粤港澳大湾区未来发展的期待,“现在国家针对大湾区提出了一些新的政策,香港政府也推出了一系列的支持科创政策,整个科创生态肯定能够变得更好一些,虽然这个过程可能是相对漫长的,希望最后的研究结果能够解决目前存在的一些科学工程问题,可以产生一些切实可用的东西。 ”
举报/反馈运算传感器:港理工最新研究成果!近传感器/内计算技术大幅提高运算效率  第3张

运算传感器:近传感器计算与传感器内计算技术

当前的传感器网络中,节点数量增长非常迅速,传感器终端和计算单元之间交换着大量冗余数据,如何在处理大量数据的同时、还能降低功耗,是边缘计算亟待解决的难题。
针对此,近日香港理工大学应用物理学系副教授柴扬发表在《自然-电子学》上题的论文《近传感器计算与传感器内计算》(Near-Sensor and In-Sensor Computing),创造性地提出了近传感器计算与传感器内计算的方法,可减少传感器终端和计算单元之间的冗余数据移动,而计算任务被部分转移到传感器终端后,能减少能耗和时间延迟,还可节省通信带宽并增强数据安全性和隐私性。
物联网传感器收集到的数据基本都是非结构性的,因此数据必须要先做处理。而一个完整的传感系统既需要有传感器,又需要有运算器。传感器和运算器通常采用不同工艺制造,然后组装为一个完整的系统。
究竟把数据处理放在传感器端还是在云端,这主要出于两个刚性需求考量:第一个考量是功耗,传感器一般是靠电池来供电,因为电量受限,所以不能做太复杂的运算,复杂运算一般都要上传到云端做进一步处理;第二个考量是时间,也就是实时处理。比如,自动驾驶对延时非常敏感,如果传到云端处理再传回来,会给安全驾驶带来很大挑战。因此,比较简单且对时间敏感的数据处理,放在传感器端比放在云端更好。
在近传感器计算和传感器内计算架构中,传感器和计算单元之间的距离通常会显著减少或消除。比如,在近传感器计算架构中,前端处理单元被放置在传感器旁边,这意味着处理单元可提高系统整体性能,并最大限度减少冗余数据传输;在传感器内计算架构中,单个传感器或多个连接的传感器可直接处理收集到的信息,这样的设计可将传感和计算功能结合在单一器件中。

图 | 不同的计算架构

图 | 用于神经网络中乘法累加运算的、具有可重构传感器的传感器内计算架构示意图

近传感器计算面临的一大挑战是传感单元和计算单元的集成。例如,计算单元已经采用了非常先进的技术节点,而大多数传感基于大节点技术就可以很好地执行它们的功能。近传感器计算的集成技术包括异质集成、3D 单片集成、片上系统集成和 2.5D Chiplet 技术等,其中 3D 单片集成提供了一种高密度、短距离的系统集成方法,但是其复杂的制备工艺和散热仍面临巨大挑战。

图 | 近距离传感器和传感器内计算的集成技术

虽然传感器内计算架构已被证明是结合计算和传感能力的方法,但它们通常只适用于特定场景。此外,它们只能通过处于早期开发阶段的新材料和新器件结构来实现,近传感器计算和传感器内计算的成功部署,需要传感器、设备、集成技术和算法的共同开发和共同优化。

运算传感器:霍尔效应传感器原理运算应用及检测器

我们不能在没有提到磁传感器的情况下结束关于磁性的讨论,尤其是非常常用的霍尔效应传感器。磁传感器转磁或磁将信息编码成电信号以供电子电路处理,在传感器和传感器教程中,我们研究了电感式接近传感器和LDVT以及电磁阀和继电器输出执行器。磁传感器是固态设备,正变得越来越流行,因为它们可用于许多不同类型的应用,例如感应位置,速度或定向运动。它们也是电子设计师的一种流行的传感器选择,因为它们具有非接触式无磨损操作,低维护,坚固的设计以及密封的霍尔效应设备,不受振动,灰尘和水的影响。磁传感器的主要用途之一是用于感测位置,距离和速度的汽车系统。例如,曲柄轴的角度位置用于火花塞的点火角度,汽车座椅和用于安全气囊控制的座椅安全带的位置或用于防抱死制动系统的车轮速度检测(ABS)。 磁传感器设计用于响应各种不同应用中的各种正负磁场,一种类型的磁传感器,其输出信号是其周围磁场密度的函数,称为霍尔效果传感器。霍尔效应传感器是由外部磁场激活的设备。我们知道磁场有两个重要特性:磁通密度( B )和极性(北极和南极)。霍尔效应传感器的输出信号是器件周围磁场密度的函数。当传感器周围的磁通密度超过某个预设阈值时,传感器检测到它并产生一个输出电压,称为霍尔电压,V H。请考虑下图。霍尔效应传感器原理霍尔效应传感器基本上由一块薄的矩形p型半导体材料组成,例如砷化镓(GaAs),锑化铟(InSb)或砷化铟(InAs),它们通过自身连续的电流。当器件放置在磁场中时,磁通线在半导体材料上施加力,该力使电荷载流子,电子和空穴偏转到半导体板的任一侧。电荷载流子的这种运动是它们经过半导体材料所经受的磁力的结果。当这些电子和空穴移动到侧面时,半导体材料的两侧之间产生电位差。这些电荷载体的堆积。然后,电子通过半导体材料的运动受到与其成直角的外部磁场的影响,并且这种效果在扁平矩形材料中更大。产生通过使用磁场测量的电压被称为霍尔效应之后,埃德温霍尔在1870年发现了它,霍尔效应的基本物理原理是洛伦兹力。为了在器件上产生电位差,磁通线必须与电流垂直(90 o )并且具有正确的极性,通常是南极。霍尔效应提供有关磁极类型和磁场大小的信息。例如,南极会导致器件产生电压输出,而北极则无效。通常,霍尔效应传感器和开关设计为在没有磁场存在时处于"关闭"状态(开路状态)。当受到足够强度和极性的磁场时,它们只能"接通",(闭路状态)。输出电压,称为霍尔电压,( V H )基本霍尔元件与通过半导体材料的磁场强度成正比(输出α H )。这个输出电压可以非常小,即使受到强磁场也只有几微伏,因此大多数商用霍尔效应器件都是通过内置直流放大器,逻辑开关电路和稳压器制造的,以提高传感器的灵敏度,滞后和输出电压。这也使霍尔效应传感器能够在更广泛的电源和磁场条件下工作。霍尔效应传感器可用线性或数字输出。线性(模拟)传感器的输出信号直接取自运算放大器的输出,输出电压与通过霍尔传感器的磁场成正比。此输出霍尔电压如下: 线性或模拟传感器提供连续的电压输出,该输出随着强磁场而增加,并且随着弱磁场而减小。在线性输出霍尔效应传感器中,随着磁场强度的增加,放大器的输出信号也会增加,直到它开始饱和电源对其施加的限制。磁场的任何额外增加都不会对输出产生影响,但会使其更加饱和。另一方面,数字输出传感器具有施密特触发器,内置迟滞连接到运算放大器。当通过霍尔传感器的磁通量超过预设值时,器件的输出在其"关闭"状态之间快速切换到"接通"状态,而没有任何类型的接触反弹。当传感器移入和移出磁场时,这种内置滞后消除了输出信号的任何振荡。然后数字输出传感器只有两种状态,"ON"和"OFF"。有两种基本类型的数字霍尔效应传感器,双极和单极b>。双极传感器需要一个正磁场(南极)来操作它们,一个负磁场(北极)释放它们,而单极传感器只需要一个磁性南极来操作和释放它们进出磁场大多数霍尔效应器件不能直接切换大型电气负载,因为它们的输出驱动能力非常小,大约为10到20mA。对于大电流负载,开路集电极(电流吸收)NPN晶体管添加到输出端。该晶体管在其饱和区域工作,作为NPN吸收开关,无论何时施加的通量,输出端子都会短接到地。密度高于"ON"预设点。输出开关晶体管可以是开放式发射极晶体管,开路集电极晶体管配置,也可以是两者都提供推挽输出型配置,可以吸收足够的电流直接驱动许多负载,包括继电器,电机,LED和灯。霍尔效应应用霍尔效应传感器由磁场激活,在许多应用中设备可以通过连接到移动轴或设备的单个永磁体操作。有许多不同类型的磁铁运动,例如"正面","侧面","推拉"或"推 - 推"等感应运动。使用哪种类型的配置,为了确保最大的灵敏度,磁通线必须始终垂直于器件的感应区域,并且必须具有正确的极性。同时确保线性,高场需要强度磁铁,以便为所需的运动产生大的场强变化。有几种可能的运动路径用于检测磁场,下面是使用单个磁体的两种更常见的传感配置:正面检测和侧向检测。正面检测顾名思义,"正面检测"要求磁场是垂直于霍尔效应传感装置和用于检测的装置,它直接朝向活动面接近传感器。一种"正面"方法。这种正面方法产生一个输出信号, V H ,它在线性设备中代表磁场强度,磁通密度,作为远离霍尔效应传感器的距离的函数。磁场越近,因此磁场越强,输出电压越大,反之亦然。线性器件还可以区分正磁场和负磁场。可以使非线性装置在远离磁铁的预设气隙距离处触发输出"ON"以指示位置检测。侧向检测第二种传感配置是"侧向检测"。这需要以横向运动的方式将磁铁移过霍尔效应元件的表面。侧向或滑动式检测有助于检测磁场在霍尔面上移动时的存在固定气隙距离内的元件,例如,计算旋转磁铁或电机的旋转速度。根据磁场经过传感器零场中心线的位置,可以产生表示正输出和负输出的线性输出电压。这允许方向移动检测,可以是垂直的也可以是水平的。霍尔效应传感器有许多不同的应用,特别是作为接近传感器。它们可用于代替光学和光学传感器,其环境条件包括水,振动,污垢或油,例如汽车应用。霍尔效应器件也可用于电流检测。我们从之前的教程中了解到,当电流通过导体时,会在其周围产生圆形电磁场。通过将霍尔传感器放置在导体旁边,可以从产生的磁场测量几毫安到几千安培的电流,而无需大型或昂贵的变压器和线圈。以及检测霍尔效应传感器是否存在磁铁和磁场,还可以通过在设备的有效区域后面放置一个小的永久"偏置"磁铁来检测铁磁材料,如铁和钢。传感器现在处于永久和静态磁场中,通过引入含铁材料对该磁场的任何变化或干扰都将被检测到,其灵敏度可能低至mV / G..霍尔效应传感器与电气和电子电路接口的许多不同方式取决于设备的类型,无论是数字还是线性。一个非常简单且易于构造的示例是使用如下所示的发光二极管。位置检测器当没有磁场存在时(0高斯),这个正面位置检测器将"关闭"。当永磁体南极(正高斯)垂直向霍尔效应传感器的有效区域移动时,器件变为"ON"并点亮LED。一旦切换为"ON",霍尔效应传感器将保持"ON"状态。要关闭设备并因此将LED"关闭",必须将磁场降低到单极传感器的释放点以下或暴露于用于双极传感器的磁北极(负高斯)。如果需要输出霍尔效应传感器来切换较大的电流负载,则LED可以用更大的功率晶体管代替。更多霍尔效应传感器内容,请访问rs电子。

您可能感兴趣的文章

本文地址:https://www.ceomba.cn/40117.html
文章标签: ,  
版权声明:本文为原创文章,版权归 ceomba 所有,欢迎分享本文,转载请保留出处!

文件下载

老薛主机终身7折优惠码boke112

上一篇:
下一篇:

评论已关闭!