El Aprendizaje Federado (FL) es vulnerable a los ataques de puerta trasera en los que los atacantes inyectan comportamientos maliciosos en el modelo global. Para contrarrestar estos ataques, los trabajos existentes principalmente introducen defensas sofisticadas mediante el análisis de los parámetros del modelo y la utilización de estrategias de agregación robustas. Sin embargo, encontramos que los sistemas FL aún pueden ser atacados explotando su complejidad inherente. En este documento, proponemos una novedosa estrategia de ataque de puerta trasera de tres etapas llamada FLARE: Un Ataque de Puerta Trasera al Aprendizaje Federado con Evasión Refinada, que está diseñado para operar bajo el radar de las estrategias de defensa convencionales. Nuestra propuesta comienza con una etapa de inspección de desencadenantes para aprovechar las susceptibilidades iniciales de los sistemas FL, seguida de una etapa de inserción de desencadenantes donde el desencadenante sintetizado se incrusta sigilosamente a una baja tasa de envenenamiento. Finalmente, el desencadenante se amplifica para aumentar la tasa de éxito del ataque durante la etapa de activación de la puerta trasera. Los experimentos sobre la efectividad de FLARE muestran mejoras significativas tanto en la sigilosidad como en la tasa de éxito de los ataques de puerta trasera en múltiples entornos de aprendizaje federado. En particular, la tasa de éxito de nuestro ataque de puerta trasera puede mejorarse hasta en 45 veces en comparación con los métodos existentes.