伴随信息技术的快速发展,作为信息技术核心的信息网络也以超乎想象的速度不断发展壮大,影响着人们的学习、生活和工作方式。在纷繁复杂的网络环境中,网站内容安全的重要性愈加凸显,在网民关注点聚焦于网络攻击的情况下,却未能关注以内容作为基础的安全问题。以内容作为基础的安全问题,属于语义方面的安全过滤,直接影响公众层级,因此针对该问题开展对应的分析工作,是非常关键的研究项目。网络信息监控是整体安全体系的重要组成部分,监控代表着参考特定的标准化和工具化,在大量的信息流内检索需要的信息,监控的本质是对内容开展分类,也是抑制互联网不良信息传播的一种有效途径。当前针对该问题开展分析的重点是围绕着监控对象属于动态信息流的范畴,监控的目的是符合用户的客观需求,监控的基础是信息和需求之间的关联性,监控信息流符合分类规范的活动,同时也在其中进行排除活动。本文着重探讨以规则库匹配作为基础的检测方案的缺陷,同时采用整合拆字还原、同音字匹配等方案,从而有效的解决旧有方案中未能有效处理分拆字以及同音字的缺陷,依靠机器学习的设计思路,有效的避免语序颠倒及无法按时限深度学习等问题。针对训练文本集采用配套的动态以及反文档词频进行整合的方案来进行表述,可以有效解决其中存在的非相关词组,以此来有效控制相关向量的具体维度,同时可以强化关键字的整体权重参数,使有着近似语义的文本可以在特定的聚集点中有效的聚集。采用K-means算法而实现对文本集的有效分类操作,消除其中不存在关联的文本数据,在提升整体训练速度的基础上可以实现更为理想的精确度,综合K-means以及增量支持向量机(Support Vector Machine,SVM)算法,得出效率更加理想,并实现增量学习的全新模型。本文设计了以Storm架构作为基础的增量学习架构,相对于普通的流式架构而言,在保障精准度的基础上实现了更为理想的学习效率,解决了新时期安全监控中的高并发及大容量等基础需求,有效处理了传统方案中的各种缺陷,对安全监控具有较强的研究意义。