Este documento aborda el problema de la optimización distribuida restringida en un sistema multiagente donde algunos agentes pueden desviarse de las reglas de actualización prescritas debido a fallas o ataques adversariales maliciosos. El objetivo es minimizar el costo colectivo de los agentes no atacados respetando las limitaciones de las restricciones. Para abordar esto, proponemos un algoritmo de descenso de gradiente proyectado distribuido y resiliente para la optimización en línea que logra un arrepentimiento individual sublineal, definido como la diferencia entre las soluciones en línea y sin conexión. Además, extendemos la función de costo de combinaciones convexas a escenarios de optimización distribuida más generales. El algoritmo propuesto demuestra resiliencia bajo condiciones adversariales, lo que le permite manejar un número desconocido de nodos adversarios manteniendo el rendimiento. En comparación con los métodos existentes, este enfoque ofrece una solución robusta a los ataques adversariales en problemas de optimización distribuida restringida.