Actualmente, la tarea de mantener la ciberseguridad y la fiabilidad en varios sistemas informáticos es relevante. Este problema puede resolverse detectando anomalías en los datos de registro, que se representan como una secuencia de descripciones textuales de eventos que tienen lugar. Para estos fines, se utiliza la reducción a un problema de clasificación de una sola clase. Los métodos estándar de clasificación de una sola clase no logran buenos resultados. Los enfoques de aprendizaje profundo son más efectivos. Sin embargo, no son robustos a los valores atípicos y requieren mucho esfuerzo computacional. En este documento, proponemos un nuevo enfoque robusto basado en un autoencoder convolucional que utiliza agrupamiento difuso. El enfoque propuesto utiliza una operación de convolución paralela para la extracción de características, lo que lo hace más eficiente que la arquitectura Transformer actualmente popular. En el transcurso de los experimentos, el enfoque propuesto mostró los mejores resultados tanto para los problemas de ciberseguridad como para los de fiabilidad en comparación con los enfoques existentes. También se demostró que el enfoque propuesto es robusto a los valores atípicos en el conjunto de entrenamiento.