本研究利用NetFlow輔以監督式學習算法Xgboost分析網路流量，透過學習攻擊初期的網路掃描與暴力破解行為，以期能夠提升偵測率並能盡早的發現攻擊。實時NetFlow資料的轉換與所提出的特徵結合，使週期性偵測時能於當下進行判定，並保留充足資訊供後續查閱。

加入機器學習的算法能將原本需要人為觀察調整的閾值(threshold)自動的進行設定，這可以有效提升偵測率，並且在非well-known port的攻擊上，更有效地進行偵測。

機器學習過程中增加FLOW間之關聯特徵，再搭配上IP名單所提供的明確資訊，將能有效的進行攻擊的偵測。該系統目前已經可以實時運作於真實校園網路環境中，進行流量的判別，未來預期可提供網路管理人員或是SOC人員協助。