Más de 10 mil millones de elementos físicos están siendo conectados a internet para llevar a cabo actividades de forma más independiente y con menos participación humana gracias a la tecnología del Internet de las Cosas (IoT). Las redes de IoT son consideradas una fuente de datos identificables para atacantes maliciosos que llevan a cabo acciones criminales utilizando procesos automatizados. Los métodos asistidos por aprendizaje automático (ML) para la seguridad de IoT han ganado mucha atención en los últimos años. Sin embargo, el procedimiento de entrenamiento de ML incorpora grandes datos que son transferibles al servidor central ya que los datos son creados continuamente por los dispositivos de IoT en el borde. En otras palabras, el ML convencional depende de un solo servidor para almacenar todos sus datos, lo que lo convierte en una opción menos deseable para dominios preocupados por la privacidad del usuario. La técnica de detección de anomalías basada en Aprendizaje Federado (FL), que utiliza datos descentralizados en dispositivos para identificar intrusiones en redes de IoT, representa la solución propuesta al problema mencionado anteriormente. Al intercambiar pesos actualizados con el servidor FL centralizado, los datos se mantienen en los dispositivos locales de IoT mientras se federan ciclos de entrenamiento sobre modelos de GRUs (Unidades Recurrentes con Compuertas). El módulo de conjunto de la técnica evalúa actualizaciones de varias fuentes para mejorar la precisión de la técnica global de ML. Los experimentos han demostrado que el método propuesto supera a las técnicas de vanguardia en la protección de datos de usuario al registrar medidas de rendimiento mejoradas de Análisis Estadístico, Eficiencia Energética, Utilización de Memoria, Clasificación de Ataques y Análisis de Precisión del Cliente para la identificación de ataques.