Hệ Thống Phát Hiện Xâm Nhập Trong Mạng SDN Sử Dụng Mạng Đối Kháng Sinh

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp an toàn thông tin trình phát hiện xâm nhập trong mạng khả lập trình dựa trên mạng đối, vận dụng lý thuyết vào thực tế, đề xuất giải pháp

• Tác giả: Võ Văn Minh
• Người hướng dẫn: ThS. Phan Thế Duy
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành An toàn thông tin
• Đề tài: Hệ Thống Phát Hiện Xâm Nhập Trong Mạng SDN Sử Dụng Mạng Đối Kháng Sinh
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Đặt vấn đề
• 1.2. Tình hình nghiên cứu
• 1.3. Tính khoa học và tính mới của đề tài
• 1.4. Mục tiêu của đề tài
• 1.5. Đối tượng nghiên cứu
• 1.6. Phạm vi nghiên cứu
• 1.7. Cấu trúc khoá luận
• 2. CHƯƠNG 2: KIẾN THỨC NỀN TẢNG
• 2.1. Software-Defined Networking (SDN)
• 2.2. Tổng quan về SDN
• 2.3. Kiến trúc của SDN
• 2.4. Cơ chế hoạt động của SDN
• 2.5. Giới thiệu về phương pháp học sâu (Deep Learning)
• 2.5.1. Khái niệm học sâu
• 2.5.2. Phân loại học sâu
• 2.5.3. Mạng nơ-ron tích chập CNN (Convolutional Neural Network)
• 2.5.3.1. Kiến trúc chung của mạng nơ-ron tích chập
• 2.5.3.2. Mô hình hoạt động của CNN
• 2.5.4. Giới thiệu các kiến trúc CNN hiện đại
• 2.5.5. Mạng nơ-ron hồi quy (RNN - Recurrent Neural Network)
• 2.5.5.1. Giới thiệu về RNN
• 2.5.5.2. Mô hình hoạt động của RNN
• 2.5.5.3. Mô hình hoạt động của LSTM (Long short-term memory)
• 2.6. Generative Adversarial Network (GAN)
• 2.6.1. Giới thiệu về GAN
• 2.6.2. Cấu trúc mạng GAN
• 2.6.3. Mô hình AdvGAN
• 2.6.4. Giới thiệu về AdvGAN
• 2.6.5. Nguyên lý hoạt động của AdvGAN
• 2.6.6. Kỹ thuật học chuyển tiếp (Transfer Learning)
• 2.6.7. Các phép đo đánh giá mô hình
• 2.6.8. Hệ thống phát hiện xâm nhập NIDS
• 3. CHƯƠNG 3: PHƯƠNG PHÁP LUẬN VÀ THIẾT KẾ HỆ THỐNG
• 3.1. Giới thiệu chung
• 3.2. Phương pháp phát hiện tấn công
• 3.2.1. Phương pháp binary classifier
• 3.2.2. Phương pháp multiclass classifier
• 3.3. Mô hình phát hiện tấn công
• 3.3.1. Mô hình phát hiện tấn công sử dụng thuật toán MLP
• 3.3.2. Mô hình phát hiện tấn công sử dụng thuật toán LSTM
• 3.3.3. Mô hình phát hiện tấn công sử dụng thuật toán VGG-19
• 3.4. Mô hình phát sinh tấn công đối kháng
• 3.4.1. Mô hình phát sinh tấn công đối kháng sử dụng AdvGAN
• 3.4.2. Mô hình phát sinh tấn công đối kháng sử dụng Conditional GAN
• 3.5. Phương pháp tái huấn luyện
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM, PHÂN TÍCH - ĐÁNH GIÁ
• 4.1. Các tập dữ liệu sử dụng
• 4.1.1. Tạo tập dữ liệu tấn công InSecLab2021
• 4.2. Xây dựng mô hình mạng bị tấn công
• 4.2.1. Triển khai ONOS Controller
• 4.2.2. Giới thiệu về CICFlowMeter
• 4.2.3. Tạo các Docker Image
• 4.2.4. Dựng mô hình với Containernet
• 4.2.5. Xây dựng mô hình mạng tấn công
• 4.2.5.1. Cài đặt Docker Swarm và POFfalner
• 4.2.5.2. Dựng mạng Botnet Mira
• 4.2.5.3. Thu thập tấn công và gắn nhãn dữ liệu
• 4.3. Gắn nhãn dữ liệu
• 4.4. Tiền xử lý dữ liệu
• 4.4.1. Xử lý dữ liệu đầu vào cho mô hình MLP và LSTM
• 4.4.2. Xử lý dữ liệu đầu vào cho mô hình VGG-19
• 4.5. Các tiêu chí đánh giá mô hình
• 4.6. Môi trường huấn luyện mô hình
• 4.6.1. Máy tính huấn luyện
• 4.6.2. Framework sử dụng
• 4.7. Huấn luyện IDS
• 4.7.1. Huấn luyện mô hình MLP
• 4.7.2. Huấn luyện mô hình LSTM
• 4.7.3. Huấn luyện mô hình VGG-19
• 4.7.4. Kết quả huấn luyện IDS
• 4.8. Huấn luyện mô hình GAN
• 4.8.1. Huấn luyện mô hình AdvGAN
• 4.8.2. Huấn luyện mô hình Conditional AdvGAN
• 4.9. Tấn công IDS sử dụng AdvGAN
• 4.10. Tấn công IDS sử dụng Conditional AdvGAN
• 4.11. Tái huấn luyện IDS bằng tập dữ liệu đối kháng
• 4.11.1. Tái huấn luyện IDS sử dụng tập dữ liệu đối kháng AdvGAN
• 4.11.2. Tái huấn luyện IDS sử dụng tập dữ liệu đối kháng Conditional AdvGAN
• 4.12. Phân tích - đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Thuận lợi và khó khăn
• 5.2. Khó khăn
• 5.3. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về Hệ Thống Phát Hiện Xâm Nhập Trong Mạng SDN

Hệ thống phát hiện xâm nhập (IDS) trong mạng định nghĩa bằng phần mềm (SDN) đang trở thành một chủ đề nóng trong lĩnh vực an ninh mạng. SDN cho phép quản lý mạng một cách linh hoạt và hiệu quả hơn, nhưng cũng đồng nghĩa với việc các mối đe dọa an ninh mạng ngày càng phức tạp hơn. Việc phát hiện và ngăn chặn các cuộc tấn công mạng là một thách thức lớn. Hệ thống IDS sử dụng mạng đối kháng sinh (GAN) có thể cải thiện khả năng phát hiện các hành vi bất thường trong mạng.

1.1. Khái niệm về Hệ Thống Phát Hiện Xâm Nhập

Hệ thống phát hiện xâm nhập (IDS) là một công cụ quan trọng trong việc bảo vệ an ninh mạng. IDS có thể phân loại thành hai loại chính: dựa trên dấu hiệu và dựa trên hành vi bất thường. Mỗi loại có những ưu điểm và nhược điểm riêng, nhưng IDS dựa trên hành vi bất thường đang ngày càng được ưa chuộng nhờ khả năng phát hiện các tấn công mới.

1.2. Tầm quan trọng của Mạng SDN trong An ninh Mạng

Mạng SDN cung cấp khả năng quản lý linh hoạt và hiệu quả cho các hệ thống mạng phức tạp. Tuy nhiên, sự phức tạp này cũng tạo ra nhiều lỗ hổng bảo mật. Việc áp dụng các giải pháp bảo mật như IDS trong môi trường SDN là rất cần thiết để bảo vệ hệ thống khỏi các cuộc tấn công mạng.

II. Vấn đề và Thách thức trong Hệ Thống Phát Hiện Xâm Nhập

Mặc dù hệ thống phát hiện xâm nhập trong mạng SDN có nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức. Các cuộc tấn công mạng ngày càng tinh vi và khó phát hiện hơn. Hệ thống IDS cần phải được cải tiến liên tục để đối phó với các mối đe dọa mới. Việc thiếu dữ liệu chất lượng để huấn luyện mô hình cũng là một vấn đề lớn.

2.1. Các loại tấn công mạng phổ biến

Các loại tấn công mạng như tấn công từ chối dịch vụ (DDoS), tấn công lừa đảo và tấn công mã độc đang gia tăng. Những tấn công này không chỉ gây thiệt hại về tài chính mà còn ảnh hưởng đến uy tín của tổ chức. Hệ thống IDS cần phải có khả năng phát hiện nhanh chóng và chính xác các loại tấn công này.

2.2. Thiếu hụt dữ liệu huấn luyện cho IDS

Một trong những thách thức lớn nhất đối với hệ thống IDS là việc thiếu hụt dữ liệu huấn luyện chất lượng. Dữ liệu không đủ đa dạng có thể dẫn đến việc mô hình không phát hiện được các tấn công mới. Việc sử dụng mạng đối kháng sinh (GAN) để tạo ra dữ liệu mới có thể là một giải pháp khả thi.

III. Phương pháp Sử dụng Mạng Đối Kháng Sinh trong IDS

Mạng đối kháng sinh (GAN) đã được chứng minh là một công cụ mạnh mẽ trong việc tạo ra dữ liệu huấn luyện cho hệ thống phát hiện xâm nhập. Bằng cách sử dụng GAN, có thể tạo ra các mẫu dữ liệu tấn công đa dạng, giúp cải thiện khả năng phát hiện của IDS. Phương pháp này không chỉ giúp tăng cường độ chính xác mà còn giảm thiểu thời gian và chi phí trong việc thu thập dữ liệu.

3.1. Cấu trúc và Nguyên lý hoạt động của GAN

Mạng đối kháng sinh (GAN) bao gồm hai thành phần chính: mạng sinh và mạng phân biệt. Mạng sinh tạo ra dữ liệu mới, trong khi mạng phân biệt đánh giá tính xác thực của dữ liệu. Quá trình này diễn ra liên tục cho đến khi mạng sinh tạo ra dữ liệu đủ chất lượng để đánh lừa mạng phân biệt.

3.2. Ứng dụng của GAN trong Hệ Thống IDS

Việc áp dụng GAN trong hệ thống IDS cho phép tạo ra các mẫu tấn công giả lập, giúp mô hình học hỏi và cải thiện khả năng phát hiện. Điều này đặc biệt hữu ích trong việc phát hiện các tấn công chưa từng thấy trước đây, từ đó nâng cao khả năng bảo vệ hệ thống mạng.

IV. Kết quả Nghiên cứu và Ứng dụng Thực tiễn

Nghiên cứu đã chỉ ra rằng việc sử dụng mạng đối kháng sinh (GAN) để tạo ra dữ liệu huấn luyện cho hệ thống phát hiện xâm nhập có thể cải thiện đáng kể khả năng phát hiện tấn công. Các thử nghiệm trên tập dữ liệu CSE-CIC-IDS2018 và InSecLab2021 cho thấy mô hình IDS được huấn luyện với dữ liệu sinh ra từ GAN có tỷ lệ phát hiện cao hơn so với mô hình truyền thống.

4.1. Kết quả thực nghiệm với dữ liệu CSE CIC IDS2018

Kết quả thực nghiệm cho thấy mô hình IDS sử dụng dữ liệu sinh ra từ GAN có tỷ lệ phát hiện tấn công cao hơn 15% so với mô hình không sử dụng GAN. Điều này chứng tỏ rằng GAN có thể tạo ra dữ liệu chất lượng cao, giúp cải thiện hiệu suất của IDS.

4.2. Ứng dụng thực tiễn trong các tổ chức

Nhiều tổ chức đã bắt đầu áp dụng phương pháp này để nâng cao khả năng bảo vệ hệ thống mạng của họ. Việc sử dụng GAN không chỉ giúp tiết kiệm thời gian và chi phí mà còn tăng cường khả năng phát hiện các mối đe dọa mới.

V. Kết luận và Hướng phát triển trong Tương lai

Hệ thống phát hiện xâm nhập trong mạng SDN sử dụng mạng đối kháng sinh (GAN) là một giải pháp tiềm năng cho các vấn đề an ninh mạng hiện nay. Nghiên cứu cho thấy rằng việc áp dụng GAN có thể cải thiện đáng kể khả năng phát hiện tấn công. Trong tương lai, cần tiếp tục nghiên cứu và phát triển các phương pháp mới để tối ưu hóa hiệu suất của IDS.

5.1. Tương lai của Hệ Thống IDS

Hệ thống IDS sẽ tiếp tục phát triển và cải tiến để đối phó với các mối đe dọa ngày càng tinh vi. Việc tích hợp các công nghệ mới như AI và machine learning sẽ giúp nâng cao khả năng phát hiện và phản ứng nhanh chóng với các cuộc tấn công.

5.2. Đề xuất nghiên cứu tiếp theo

Cần nghiên cứu thêm về việc tối ưu hóa các mô hình GAN để tạo ra dữ liệu chất lượng cao hơn. Ngoài ra, việc kết hợp GAN với các phương pháp học sâu khác có thể mở ra nhiều cơ hội mới trong việc phát hiện và ngăn chặn các cuộc tấn công mạng.

Trích đoạn nội dung tài liệu

Chương 1. Giới thiệu tông quan về đề tài nghiên cứu, mục đích, đối tượng và phạm vi nghiên cứu. Trình bày các kiến thức nền tảng về SDN, Deep Learning, GAN, NIDS. Trình bày phương pháp luận và thiết kế hệ thống cho các phương pháp phát hiện tan công, sinh dit liệu, tái huấn luyện.

Hiện thực các phương pháp trình bày ở Chương 3, đánh giá kết quả đạt được. Dua ra kết luận, hướng phát triển cho khoá luận. KIÊN THUC NEN TANG 2. Software-Defined Networking (SDN) 2.

Tổng quan về SDN Trong những năm tồn tai và phát triển của Mang máy tính truyền thống, sự gia tăng mạnh mẽ về độ phức tạp của mạng đã mang lại những khó khăn trong việc quản trị nó. Việc câu hình các hệ thống mạng máy tính bằng các chính sách được xác định trước, câu hình lại các thiết bị mang dé đáp ứng với các thay đổi, hiệu chỉnh lỗi và cân bằng tải là trở thành những nhiệm vụ khó khăn. Vì có vẻ như các hệ thống mạng hiện tại được tích hợp theo chiều doc, tầng điều khiển va tầng dữ liệu được gắn kết với nhau. Vì vậy khi muốn cấu hình lại các tham số của mang, thay vì vốn về bản chat chúng ta chi cần thay đổi tang điều khiến thì chúng ta bắt buộc phải cấu hình lại hoàn toàn thiết bị (chứa cả tang dữ liệu lẫn tầng điều khiển), và phải làm trên từng thiết bị một cách thủ công mà không thé thay đổi đồng loạt toàn bộ tầng điều khiển cùng một lúc.

Thêm vào đó sự phát trién của các công nghệ ảo hóa cũng làm cho các công nghệ mạng truyền thống trở lên lỗi thời. Do hệ thống các thiết bị mạng truyền thống thường là các thiết bi đóng kin đắt tiền, trong đó phần mềm điều khiển và cau hình được gắn liền với phần cứng và mỗi hãng sản xuất lại cung cap một giao diện kết nối riêng làm cho độ phức tạp của mạng và khả năng tích hợp ngày càng trở lên khó kiểm soát. Việc ảo hóa do đó phục thuộc vào công nghệ và làm cho kết câu hệ thống mạng càng trở lên phức tạp, thiếu đồng bộ. Việc độc quyền các công nghệ mạng làm cho việc thay thé và sửa đổi, bổ sung các tính năng mới cho thiết bị cũng gặp nhiều hạn chế.

Các thiết bị cũng trở nên phức tạp và có nguy cơ chứa nhiều lỗ hồng, chang hạn như các phần mềm điều khiến routers có kích thước hơn 20 triệu dòng code với nguy cơ chứa day những lỗ hồng bao mật nghiêm trọng. Nhưng dé thay thế hoặc update các bản vá mới cho thiết bị đòi hỏi phải làm trên từng thiết bị một gây ra rất nhiều khó khăn cho các quản tri viên và trong trường hợp xâu nao đó, quản tri viên hoàn toàn có thé bỏ quên một vài thiết bị có lỗ héng chang hạn, điều này làm tăng các điểm yếu và nguy cơ an toàn cho mạng. Tóm lại các công nghệ mạng truyền thống đang gặp nhiều vấn đề trong việc quản lý và vận hành. Vì vậy sự ra đời của SDN được xem là một đột phá về kiến trúc mạng, tuy chưa được sử dụng rộng rãi nhưng SDN được kỳ vọng là tương lai của mạng máy tính với nhiều ưu điểm.

Sự khác biệt giữa kiến trúc mạng truyền thống và SDN được mô tả trong Hình 2. Traditional Network Software-Defined Network Hình 2.1: Sự khác biệt giữa kiến trúc mạng truyền thống và kiến trac SDN SDN là một kiểu kiến trúc mạng cho phép việc quản lý, điều khiến và tối ưu hóa tài nguyên mạng theo thiên hướng lập trình. SDN phân tách các cấu hình mang và việc thiết kế, lưu thông lưu lượng mạng ra khỏi phan ha tang phan cứng để đảm bảo việc quản lý và kiểm soát khi sử dụng các API mạng (network Application Programming Interface) trở nên hoàn chỉnh và đồng nhất hơn. Về mặt cơ bản, đây là cách thức sử dụng các giao thức mở như OpenFlow, giao thức mà có thé áp dụng cho mọi nơi dùng phần mềm dé quản lý việc truy cập vào các thiết bị mạng như switch, router có firmware độc quyền (như Cisco, Jupiter,.

SDN được định nghĩa bởi việc phân tách tầng điều khiến (control plane) và tang truyền dir liệu (data forwarding plane) trong hệ thống mạng. Nó là một kiểu kiến trúc giúp làm giảm chi phí vận hành và tăng tốc thời gian đáp ứng khi có yêu cầu thay đổi hoặc cung cấp thêm dịch vụ. SDN còn cho phép môi trường mạng kết nối trực tiếp đến các ứng dụng thông qua API để nâng cao độ bảo mật và hiệu suất của ứng dụng. SDN tạo ra một kiêu kiến trúc mạng linh hoạt tạo điều kiện cho sự thay đổi khi cần thiết.

Kiến trúc của SDN Kiến trúc của SDN gồm 3 tầng riêng biệt: tầng ứng dụng (Application Layer), tầng điều khiển (Control Layer), và tầng dữ liệu (Data Layer). Kiến trúc của SDN được mô tả trong Hình 2. Load Traffic/Security Application Laver Balancing Monitoring Ppp y Application-Control Interface OpenDayLight "1 Control Layer Control-Data Interface Virtual Switch | Data Layer Hình 2.2: Kiến trúc của SDN e Tang ứng dụng: Các ứng dụng như cân bằng tải, giám sát mang,. được triển khai tại tang này.

Nhờ khả năng thu thập thông tin từ bộ điều khiến, các ứng dụng này có thé có cái nhìn tong quan về mạng và có thé đưa ra quyết định điều khiến, thiết lập các thông số mạng cũng như tạo ra chính sách chuyển tiếp tối ưu đựa trên toàn bộ mạng. Với SDN, việc quản lý mạng có thê được thực hiện thông qua một giao diện duy nhất, trái ngược với việc cấu hình ở mỗi thiết bị mạng riêng lẻ. Việc này có thé thực hiện nhờ tang ứng dụng liên kết với lớp điều khiển thông qua các API. ° Tang diéu khién: La noi tập trung các bộ điều khiển (Controller) thực hiện việc điều khiển cấu hình mạng theo các yêu cau từ lớp ứng dụng và kha năng của mạng.

Controller hoạt động như một loại hệ điều hành cho SDN. Tất cả thông tin liên lạc giữa các ứng dụng và các thiết bị phải đi qua controller. Controller thường sử dụng giao thức OpenFlow và cung cấp API để cấu hình các thiết bị mạng, quản lý kiểm soát luồng lưu lượng trong môi trường mạng. e Tang dữ liệu: Là các thiết bi mạng thực tế (vật lý hay ảo hóa) thực hiện việc chuyên tiếp gói tin theo sự điều khiến của lớp điều khiển.

Một thiết bị mạng có thê hoạt động theo sự điều khién của nhiều bộ điều khiển khác nhau, điêu này giúp tăng cường khả năng ảo hóa của mạng. Cơ chế hoạt động của SDN Dữ liệu trong mang SDN được truyền đi theo hai luồng riêng biệt. Luồng dữ liệu chuyền tiếp các gói tin đi trong mạng, bao gồm tất cả các hàm và tiến trình chịu trách nhiệm xử lý và chuyên tiếp gói tin. Luồng điều khiển chuyền tiếp các gói mang thông tin điều khiến từ thiết bị chuyển mạch đến bộ điều khiển và ngược lại.

SDN hoạt động dựa trên cơ chế tách riêng việc kiểm soát luồng điều khiển với luồng dé liệu. Luông điều khiển không nằm trong các nút như mạng truyền thống mà được tách ra từ các thiết bị vật lý và chuyên đến quản lý tập trung tại các bộ điều khiển. Điều này giúp cho việc quản ly mạng có thé được thực hiện thông qua một giao diện duy nhất, trái ngược với viéc cau hình ở mỗi thiết bi mạng riêng lẻ. Việc tương tác với các thiết bị mạng vật lý được bộ điều khiển thực hiện thông qua một giao thức chuẩn dành riêng cho mạng SDN, phổ biến nhất là OpenFlow.

Luéng dữ liệu của SDN gồm các thiết bi mạng chứa bảng luồng, và trong bảng luồng chứa nhiều bản ghi luồng. Các bản ghi luồng quy định các hành vi và 10 nguyên tắc về đường đi cho các gói tin đi trong mạng. Luéng điều khiến trao đồi các gói tin mang thông tin về việc điều khién đường di, cau hình của gói tin,. giữa bộ điều khiến và các thiết bị chuyển mạch.

Thông qua các gói tin truyền đi trong luồng điều khiến, bộ diều khiến biết và quản lý sự tồn tại của các bản ghi luéng. Quy trình xử lý khi có gói tin đi đến một thiết bị chuyển mach trong mang SDN có thé được mô tả trong Hình 2. Controller (2) (3) Forward Feedback Flow Table Match Flow Table Packet Entries? Departure Hình 2.3: Quy trình xử lý gói tin trong mạng SDN Khi có gói tin đến, thiết bị chuyển mạch tra cứu trong bảng luồng. Nếu gói tin khớp với các nguyên tắc có trong bản ghi luồng thì thiết bị chuyển mạch thực thi các hành vi tương ứng và cập nhật các số liệu, nếu không thì chuyền thông tin về gói tin đến bộ điều khiển.

Bộ điều khiển xử lý thông tin gói tin, chuyển một bản ghi luồng chứa nguyên tắc và hành vi mới vào bảng luỗng của thiết bị chuyên mạch. Thiết bị chuyên mạch dựa vào nguyên tắc mới dé xử lý gói tin. Nếu van không có bản ghi luồng chứa nguyên tắc thích hợp thì hủy gói tin. Hướng tiếp cận 11 này cũng đơn giản hoá công việc triên khai các chức năng mạng.

Điêu này cho phép luéng các gói dit liệu đi qua mạng được kiểm soát theo hướng lập trình. Giới thiệu về phương pháp học sâu (Deep Learning) 2. Khái niệm học sâu Deep Learning là đào tạo một máy tính học giống như bộ não con người. Đôi khi được gọi là mạng thần kinh sâu (deep neural networking) hoặc học thần kinh sâu (deep neural learning), nó được liên kết với trí thông minh nhân tạo và thông qua máy tinh học sâu, "học" để nhận ra các mẫu và xác định các đôi tượng trừu tượng.

Để hiểu rõ về học sâu, hãy tưởng tượng một đứa trẻ học về loài méo. Đứa trẻ học dé nhận biết đó có phải là một con mèo hay không bằng cách chỉ vào nó và nói từ “mèo”. Phụ huynh nói "Đúng rồi, đó là một con mèo" hoặc "Không phải, đó không phải là một con mèo”. Khi trẻ tiếp tục chỉ vào đồ vật, trẻ sẽ nhận thức rõ hơn về các đặc điểm của mèo như đuôi, tai, lông và bốn chân.

Đứa trẻ đang làm rõ một sự trừu tượng phức tạp - khái niệm về một con mèo - bằng cách xây dựng một hệ thông phân cấp trong đó mỗi cấp độ trừu tượng được tạo ra với kiến thức mà lớp trước của hệ thống phân cấp thu được. Một chương trình có thể nhận ra một loài hoa dựa trên một bức ảnh hoặc bài hat dựa trên âm thanh của ai đó đang ngâm nga thì đó là kết quả của một mạng lưới thần kinh.