La privacidad y la seguridad de los datos se han convertido en el nuevo tema candente para los reguladores en los últimos años. Como resultado, el Aprendizaje Federado (FL) (también llamado aprendizaje colaborativo) ha surgido como un nuevo paradigma de entrenamiento que permite a múltiples nodos distribuidos geográficamente aprender juntos un modelo de Aprendizaje Profundo (DL) sin compartir sus datos. Blockchain se está convirtiendo en una nueva tendencia ya que la protección de datos y la privacidad son preocupaciones en muchos sectores. La tecnología está liderando el mundo y transformándose en una aldea global donde todo es accesible y transparente. Hemos presentado un modelo de seguridad habilitado por blockchain usando FL que puede generar un modelo DL mejorado sin compartir datos y mejorar la privacidad a través de una mayor seguridad y derechos de acceso a los datos. Sin embargo, los enfoques FL existentes también tienen vulnerabilidades de seguridad únicas que los actores malintencionados pueden explotar y comprometer el modelo entrenado. El método FL se compara con otros enfoques conocidos. Los usuarios son más propensos a elegir la última opción, es decir, proporcionar datos locales pero privados al servidor y utilizar aplicaciones de ML, realizar operaciones de ML en los dispositivos sin beneficiarse de los datos de otros usuarios, y evitar el acceso directo a datos sin procesar y el entrenamiento local de modelos de ML. FL protege la privacidad de los datos y reduce la sobrecarga de transferencia de datos almacenando datos sin procesar en dispositivos y combinando actualizaciones de modelos calculadas localmente. Hemos investigado la viabilidad de ataques de envenenamiento de datos y modelos bajo un sistema FL habilitado por blockchain construido junto a la red Ethereum y el sistema FL tradicional (sin blockchain). Este trabajo llena una brecha de conocimiento al proponer un mecanismo de incentivos transparente que puede fomentar un buen comportamiento entre los nodos descentralizados participantes y evitar problemas comunes y proporciona conocimiento para la literatura de seguridad FL al investigar los sistemas FL actuales.