El rápido desarrollo de la computación en la nube, niebla y borde, junto con los dispositivos móviles, ha dado lugar a la generación de enormes cantidades de datos. Además, la tecnología de inteligencia artificial, como el aprendizaje automático y el aprendizaje profundo, se utiliza ampliamente para extraer el valor de los datos. Esencialmente, detectar ataques en el sistema de computación en la nube-niebla-borde utilizando dispositivos móviles es fundamental. Los ataques externos a las organizaciones de prensa en la red han provocado un flujo anómalo en el tráfico de la red. El sistema de detección de intrusiones en la red (NIDS) ha sido un método efectivo para detectar flujos anómalos. Sin embargo, el NIDS es difícil de implementar en redes distribuidas porque los datos de flujo de red se mantienen privados. Los métodos existentes no pueden obtener un NIDS preciso en dicho escenario federado. Para construir un NIDS preservando la privacidad de los datos, proponemos un modelo combinado que integra clasificadores binarios en toda la red basados en redes de clasificadores simples para especificar el tipo de ataque en datos anómalos y ofrecer instrucciones a otros componentes del sistema de seguridad. También introducimos métodos de aprendizaje federado (FL) en nuestro sistema y diseñamos un nuevo algoritmo de agregación llamado agregación de bloqueo vertical (FedVB) de acuerdo con la estructura de nuestro modelo. Nuestros experimentos demuestran que nuestro sistema puede ser más efectivo que los simples multiclasificadores en términos de precisión y reducir significativamente la sobrecarga de comunicación y computación al aplicar FedVB.