El Aprendizaje Federado (FL) es una técnica de Aprendizaje Profundo distribuido que crea un modelo global a través del entrenamiento local de múltiples dispositivos periféricos. Utiliza un servidor central para la comunicación del modelo y la agregación de modelos post-entrenados. El servidor central orquesta el proceso de entrenamiento enviando a cada dispositivo participante un modelo inicial o pre-entrenado para el entrenamiento. Para lograr el objetivo de aprendizaje, las actualizaciones enfocadas de los dispositivos periféricos se envían de vuelta al servidor central para su agregación. Si bien esta arquitectura y flujos de información pueden respaldar la preservación de la privacidad de los datos de los dispositivos participantes, la fuerte dependencia del servidor central es una desventaja significativa de este marco de trabajo. Tener un servidor central podría potencialmente llevar a un único punto de fallo. Además, un servidor malintencionado podría ser capaz de reconstruir con éxito los datos originales, lo que podría afectar la confianza, transparencia, equidad, privacidad y seguridad. La descentralización del proceso de FL puede abordar con éxito estos problemas. La integración de un protocolo descentralizado como la tecnología Blockchain en las técnicas de Aprendizaje Federado ayudará a abordar estos problemas y garantizar una agregación segura. Este documento propone una estrategia de agregación segura basada en Blockchain para FL. Blockchain se implementa como un canal de comunicación entre el servidor central y los dispositivos periféricos. Proporciona un mecanismo para enmascarar los datos locales del dispositivo para una agregación segura para evitar la compromisión y reconstrucción de los datos de entrenamiento por un servidor malintencionado. Mejora la escalabilidad del sistema, elimina la amenaza de un único punto de fallo del servidor central, reduce la vulnerabilidad en el sistema, garantiza la seguridad y la comunicación transparente. Además, nuestro marco de trabajo utiliza un servidor tolerante a fallos para ayudar a manejar las desconexiones y rezagados que pueden ocurrir en entornos federados. Para reducir el tiempo de entrenamiento, implementamos de forma síncrona un mecanismo de devolución de llamada o fin de proceso una vez que se han devuelto suficientes modelos post-entrenados para la agregación (se alcanza la precisión del umbral). Este mecanismo resincroniza a los clientes con un modelo obsoleto, minimiza el desperdicio de recursos y aumenta la tasa de convergencia del modelo global.