El objetivo de este documento es abordar la situación actual en la que las unidades de negocio en entornos de redes inteligentes (SG) son descentralizadas e independientes, y existe un conflicto entre la necesidad de protección de la privacidad de los datos y la monitorización de la seguridad de la red. Para abordar este problema, proponemos un método de detección de intrusiones distribuido basado en redes neuronales convolucionales-unidades recurrentes con compuertas-aprendizaje federado (CNN-GRU-FL). Diseñamos un modelo de detección de intrusiones y un proceso de entrenamiento local basado en redes neuronales convolucionales-unidades recurrentes con compuertas (CNN-GRU) y mejoramos la capacidad de descripción de características al introducir un mecanismo de atención. También proponemos un nuevo mecanismo de agregación de parámetros para mejorar la calidad del modelo al tratar con diferencias en la calidad y volumen de los datos. Además, se diseñó un mecanismo de selección de nodos basado en la confianza para mejorar la capacidad de convergencia del aprendizaje federado (FL). A través de experimentos, se demostró que el método propuesto puede construir de manera efectiva un modelo global de detección de intrusiones entre múltiples entidades independientes, y la tasa de precisión de entrenamiento, tasa de recordatorio y valor F1 de CNN-GRU-FL alcanzaron el 78.79%, 64.15% y 76.90%, respectivamente. El mecanismo mejorado mejora el rendimiento y la eficiencia de la agregación de parámetros cuando existen diferencias en la calidad de los datos.