Se ha desarrollado un sistema de aprendizaje en línea y detección de anomalías de ultrabajo consumo y alto rendimiento para aplicaciones de seguridad en el borde. Diseñado para soportar el aprendizaje personalizado sin depender del procesamiento de datos en la nube, el sistema emplea aprendizaje por muestra, eliminando la necesidad de almacenar conjuntos de datos completos para el entrenamiento. Construido utilizando técnicas de computación neuromórfica analógica y en memoria basadas en memristores, el sistema integra dos redes neuronales autoencoder no supervisadas: una que utiliza pesos de cruce optimizados y la otra que realiza aprendizaje en tiempo real para detectar intrusiones novedosas. La optimización de umbrales y la detección de anomalías se logran a través de un circuito de computación de distancia euclidiana (ED) completamente analógico, eliminando la necesidad de unidades de procesamiento de punto flotante. El sistema demuestra una precisión de detección de anomalías del 87%; logra un rendimiento de 16.1 GOPS, 774 veces más rápido que el procesador de borde ASUS Tinker Board; y ofrece una eficiencia energética de 783 GOPS/W, consumiendo solo 20.5 mW durante la detección de anomalías.