Le problème de détection d'anomalies dans les flux de graphes se pose dans de nombreuses applications comme la cyber-sécurité et la finance. Plusieurs méthodes sont proposées dans la littérature pour répondre à cette problématique. Cependant, la plupart de ces méthodes sont vulnérables aux attaques par empoisonnement qui consistent à compromettre le processus d'apprentissage en injectant des données corrompues lors de la phase d'initialisation ou d'entraînement afin d'altérer le modèle représentant le comportement normal du système. Dans ce travail, nous étendons une des méthodes, les plus récentes et les plus effectives, de détection d'anomalies pour résister à cette attaque. Nous procédons par hybridation en considérant une autre méthode de détection d'anomalies comme un filtre qui élimine les données empoisonnées.