En este documento, abordamos el problema de detectar y aprender anomalías en flujos de datos de alta dimensión en tiempo real. Siguiendo un enfoque basado en datos, proponemos un método de detección de anomalías en línea y multivariado que es adecuado para la detección oportuna y precisa de anomalías. Proponemos nuestro método tanto para configuraciones semisupervisadas como supervisadas. Al combinar los algoritmos semisupervisados y supervisados, presentamos un algoritmo de aprendizaje en línea auto supervisado en el que el algoritmo semisupervisado entrena al algoritmo supervisado para mejorar su rendimiento de detección con el tiempo. Los métodos se analizan exhaustivamente en términos de complejidad computacional, optimalidad asintótica y tasa de falsas alarmas. El rendimiento de los algoritmos propuestos también se evalúa utilizando conjuntos de datos de ciberseguridad del mundo real, que muestran una mejora significativa sobre los resultados de vanguardia.