En este estudio, presentamos FLIBD, una estrategia novedosa para gestionar Big Data del Internet de las Cosas (IoT), diseñada minuciosamente para garantizar la preservación de la privacidad en extensas redes de sistemas. Al utilizar Aprendizaje Federado (FL), Apache Spark y Tecnología Habilitadora de Inteligencia Artificial Federada (FATE), investigamos hábilmente el área complicada de la gestión de datos de IoT al mismo tiempo que reforzamos la privacidad en amplias configuraciones de red. Nuestra arquitectura FLIBD fue diseñada cuidadosamente para proteger la privacidad de datos y modelos a través de una integración sinérgica de entrenamiento de modelos distribuidos y consolidación de modelos seguros. Especialmente, profundizamos en un examen detallado de actividades adversarias dentro de contextos de aprendizaje federado. El Ataque Adversario Federado para el Aprendizaje Multi-Tarea (FAAMT) fue evaluado exhaustivamente, revelando su eficacia al mostrar y explotar vulnerabilidades en diversos enfoques de aprendizaje federado. Además, ofrecemos una evaluación incisiva de numerosos mecanismos de defensa de aprendizaje federado, incluyendo Romoa y RFA, en el ámbito del FAAMT. Al utilizar métricas de evaluación bien definidas y procesos analíticos, nuestro estudio demostró un marco resistente adecuado para gestionar Big Data de IoT en despliegues extensos, al mismo tiempo que presenta una sólida contribución al avance y discusión en torno a metodologías defensivas dentro de las áreas de aprendizaje federado e IoT.