Con gran expectación, las redes 6G son atribuidas con una variedad de características por parte de los investigadores. Una característica fundamental de las redes 6G es la profunda integración de la percepción y la interconexión, junto con aplicaciones de red inteligentes que operan sobre esta infraestructura. Para aprovechar de manera óptima los datos recopilados por sensores distribuidos en diversas ubicaciones, el paradigma de entrenamiento de la nueva generación de aplicaciones de inteligencia 6G se alinea de forma natural con el paradigma de aprendizaje federado. La exposición de gradientes en el aprendizaje federado a ataques de inversión es una preocupación crítica. Para abordar esto, los métodos de agregación segura basados en criptografía se implementan comúnmente para proteger la privacidad y confidencialidad de los gradientes. Sin embargo, la falta de significado semántico de los datos encriptados dificulta evaluar la corrección, disponibilidad y legitimidad de la fuente de los datos de los participantes. En este documento, proponemos un marco de detección de ataques de datos para métodos de agregación segura basados en criptografía en aplicaciones de inteligencia 6G que abordan las vulnerabilidades de seguridad asociadas con la oscuridad de los datos encriptados. Empleamos una serie de técnicas de auditoría de datos encriptados para prevenir errores en la agregación de datos, envenenamiento de datos y fuentes de datos ilegales. Además, hemos comparado una serie de métodos de seguridad prometedores, analizado y proporcionado recomendaciones para los enfoques de seguridad más adecuados en escenarios específicos de 6G.