Los dispositivos de borde habilitados para el aprendizaje federado entrenan modelos globales compartiéndolos, evitando así el intercambio local de datos. En el aprendizaje federado, el intercambio de modelos a través de la comunicación entre varios clientes y servidores centrales resulta en varios problemas como una alta latencia y congestión de red. Además, los problemas de consumo de batería causados por procedimientos de entrenamiento local pueden afectar a los clientes con alto consumo de energía. Para abordar estos problemas, el aprendizaje federado en el borde (FEEL) aplica las tecnologías de borde de red de la computación móvil. En este documento, proponemos un nuevo algoritmo de control para una cola de alto rendimiento y estabilizada en el sistema FEEL. Consideramos que el entorno FEEL incluye a los clientes que transmiten datos a los bordes federados asociados; estos bordes actualizan localmente el modelo global, que se descarga del servidor central a través de un enlace ascendente. Obtener mayores cantidades de datos locales de los clientes facilita una construcción más precisa del modelo global; sin embargo, esto puede ser perjudicial en términos de estabilidad de la cola en el borde, debido a las importantes llegadas de datos de los clientes. Por lo tanto, el algoritmo propuesto varía el número de clientes seleccionados para la transmisión, con el objetivo de maximizar la precisión del aprendizaje federado promediada en el tiempo, sujeta a la estabilidad de la cola. En función de este número de clientes, el borde federado selecciona a los clientes para la transmisión en función del estado de los recursos.