Los datos de operaciones de vuelo juegan un papel central en la garantía de la seguridad aérea, la optimización de operaciones y la promoción de la innovación. Sin embargo, estos datos se han convertido en un objetivo clave para los ciberataques y son especialmente vulnerables a ataques de inferencia de propiedades. Con el objetivo de abordar los ataques de inferencia de propiedades en el entrenamiento de modelos de aplicaciones compartidas, propusimos FedMeta-CTGAN, un enfoque novedoso que aprovecha el meta-aprendizaje federado y las redes generativas adversariales tabulares condicionales (CTGAN) para proteger los datos de operaciones de vuelo. Motivados por la necesidad de compartir datos de manera segura en la aviación, como lo destaca el requisito de la Administración Federal de Aviación para el equipo ADS-B Out en las aeronaves para crear un entorno de conciencia situacional compartida, nuestro método tiene como objetivo prevenir la filtración de información sensible mientras mantiene el rendimiento del modelo. FedMeta-CTGAN explota las propiedades naturales de preservación de la privacidad de una actualización en dos etapas en el meta-aprendizaje, utilizando datos reales para entrenar el modelo CTGAN y datos sintéticos falsos como datos de consulta durante el meta-entrenamiento. Experimentos exhaustivos utilizando un conjunto de datos de operaciones de vuelo real demuestran la efectividad de nuestro método propuesto. FedMeta-CTGAN se adapta rápidamente a datos desbalanceados, logrando una precisión de predicción del 96.33%, mientras reduce la puntuación AUC de inferencia del atacante a 0.51 bajo ataques de inferencia de propiedades. Nuestra contribución radica en el desarrollo de una solución de intercambio de datos segura y eficiente para los datos de operaciones de vuelo, que tiene el potencial de revolucionar la industria de la aviación.