Dada la rapidez con la que se está desarrollando la tecnología de inteligencia artificial, el aprendizaje federado (FL) ha surgido para permitir un entrenamiento efectivo de modelos mientras se protege la privacidad de los datos. Sin embargo, al utilizar técnicas de cifrado homomórfico (HE) para la protección de la privacidad, el FL enfrenta desafíos relacionados con la integridad de los textos cifrados de HE. En el marco de FL basado en HE para preservar la privacidad, la divulgación pública de la clave pública y la propiedad aditiva homomórfica del algoritmo HE representan serias amenazas para la integridad del texto cifrado de los resultados agregados de FL. Por primera vez, este documento emplea comunicación encubierta al incrustar el valor hash del texto cifrado del resultado agregado recibido por el cliente en el texto cifrado de los parámetros del modelo local utilizando la propiedad aditiva homomórfica sin pérdidas del algoritmo Paillier. Cuando el servidor recibe el texto cifrado de los parámetros del modelo local, puede extraer y verificar el valor hash para determinar si el texto cifrado de los resultados agregados de FL ha sido manipulado. También utilizamos secuencias caóticas para seleccionar las posiciones de incrustación, mejorando aún más el ocultamiento del esquema. Los hallazgos experimentales demuestran que el plan sugerido pasó la prueba de Welch, la prueba de divergencia K-L y la prueba de K-S. Estos hallazgos confirman que los textos cifrados que contienen información encubierta son estadísticamente indistinguibles de los textos cifrados normales, lo que confirma la efectividad del esquema propuesto para salvaguardar la integridad de los resultados cifrados agregados de FL. La capacidad del canal de este esquema puede alcanzar hasta 512 bits por ronda, lo cual es mayor en comparación con otros canales encubiertos basados en FL.