A medida que el comportamiento del usuario cambia en cualquier momento con la computación en la nube y los servicios de red, la utilización anormal de recursos del servidor provocará graves caídas de servicio y tiempo de inactividad del sistema. El modelo tradicional de detección de anomalías únicas no puede manejar la predicción rápida de fallas con anticipación. Por lo tanto, este estudio propuso el aprendizaje de conjunto combinado con el aprendizaje de meta-refuerzo modelo-agnóstico llamado aprendizaje de meta-refuerzo de conjunto (EMRL) para implementar la detección de anomalías del servidor autoadaptativa de manera rápida y precisa, de acuerdo con la serie temporal de utilización de recursos del servidor. El enfoque de conjunto propuesto combina el modelo oculto de Markov (HMM), el autoencoder variacional (VAE), el autoencoder convolucional temporal (TCN-AE) y la memoria a corto y largo plazo bidireccional (BLSTM). El algoritmo EMRL entrena esta combinación con varias tareas para aprender la representación implícita de varios tráficos anómalos, donde cada tarea ejecuta la optimización de política de región de confianza (TRPO) para adaptar rápidamente la distribución de datos variables en el tiempo y tomar decisiones rápidas y precisas para una respuesta del agente. Como resultado, nuestro enfoque propuesto puede mejorar la precisión de la predicción de anomalías en 2.4 veces y reducir la velocidad de implementación del modelo en 5.8 veces en promedio porque un meta-aprendiz puede aplicarse inmediatamente a nuevas tareas.