Con la capacidad de analizar datos, la tecnología de inteligencia artificial y sus ramificaciones han facilitado tareas difíciles. Las herramientas de estas tecnologías se utilizan ahora en casi todos los aspectos de la vida. Por ejemplo, el Aprendizaje Automático (ML), una ramificación de la inteligencia artificial, se ha convertido en el foco de interés para investigadores en la industria, la educación, la salud y otras disciplinas, y ha demostrado ser tan eficiente como, y en algunos casos mejor que, expertos para responder a diversos problemas. Sin embargo, los obstáculos para el progreso del ML todavía se están explorando, y el Aprendizaje Federado (FL) se ha presentado como una solución a los problemas de privacidad y confidencialidad. En el enfoque de FL, los usuarios no revelan sus datos durante todo el proceso de aprendizaje, lo que mejora la privacidad y la seguridad. En este artículo, analizamos los conceptos de seguridad y privacidad de FL y las amenazas y ataques a los que se enfrenta. También abordamos las medidas de seguridad utilizadas en los procedimientos de agregación de FL. Además, examinamos y discutimos el uso de cifrado homomórfico para proteger el intercambio de datos de FL, así como otras estrategias de seguridad. Finalmente, discutimos los conceptos de seguridad y privacidad en FL y qué mejoras adicionales podrían hacerse en este contexto para aumentar la eficiencia de los algoritmos de FL.