Un gráfico de streaming es una secuencia en constante crecimiento de aristas, que forma un gráfico dinámico que cambia con cada arista en el flujo. Un comportamiento anómalo en un gráfico de streaming puede ser modelado como una arista o un subgrafo que es inusual en comparación con el resto del gráfico. Identificar comportamientos anómalos en tiempo real es esencial para la alerta temprana de eventos anormales o notables. Debido a la complejidad del problema, hasta ahora se ha informado poco trabajo para resolver el problema. En este documento, proponemos Finger-based Higher-order Graph Sketch (FHGS para abreviar), que es una estructura de datos aproximada para gráficos de streaming con uso de memoria lineal, alta velocidad de actualización y alta precisión y que soporta la detección de anomalías tanto en aristas como en subgráficos. FHGS primero mapea cada arista en una matriz basada en funciones hash, y luego cuenta su frecuencia en una ventana de tiempo con huellas dactilares únicas para detectar anomalías. Experimentos extensos confirman que nuestro enfoque genera resultados de alta calidad en comparación con los métodos de referencia.