La rápida expansión del ecosistema de Internet de las Cosas (IoT) ha transformado las industrias, pero también ha expuesto vulnerabilidades significativas en ciberseguridad. Los métodos tradicionales centralizados para asegurar redes IoT luchan por equilibrar la preservación de la privacidad con la detección de amenazas en tiempo real. Este estudio presenta un Marco de Ciberseguridad Impulsado por Aprendizaje Federado diseñado para entornos IoT, que permite el procesamiento de datos descentralizado a través del entrenamiento de modelos locales en dispositivos de borde para garantizar la privacidad de los datos. La agregación segura utilizando cifrado homomórfico apoya el aprendizaje colaborativo sin exponer información sensible. El marco emplea redes neuronales recurrentes (RNN) basadas en GRU para la detección de anomalías, optimizadas para redes IoT con recursos limitados. Los resultados experimentales demuestran más del 98% de precisión en la detección de amenazas como ataques de denegación de servicio distribuido (DDoS), con una reducción del 20% en el consumo de energía y una reducción del 30% en la sobrecarga de comunicación, mostrando la eficiencia del marco en comparación con enfoques centralizados tradicionales. Este trabajo aborda brechas críticas en la ciberseguridad de IoT al integrar el aprendizaje federado con técnicas avanzadas de detección de amenazas. Ofrece una solución escalable y que preserva la privacidad para diversas aplicaciones de IoT, con direcciones futuras que incluyen la integración de blockchain para la trazabilidad de la agregación de modelos y criptografía resistente a cuánticos para mejorar la seguridad.