Con el desarrollo del Internet de las Cosas, las aplicaciones de computación en el borde están prestando cada vez más atención a la privacidad y a la tiempo real. El aprendizaje federado, un método prometedor de aprendizaje automático que puede proteger la privacidad del usuario, ha comenzado a ser ampliamente estudiado. Sin embargo, los métodos tradicionales de aprendizaje federado síncrono son fácilmente afectados por los rezagados, y los conjuntos de datos no independientes e idénticamente distribuidos también reducirán la velocidad de convergencia. En este artículo, proponemos un método de aprendizaje federado asíncrono, STAFL, donde los usuarios pueden cargar sus actualizaciones en cualquier momento y el servidor agregará inmediatamente las actualizaciones y devolverá el modelo global más reciente. En segundo lugar, STAFL juzgará la distribución de datos del usuario según la actualización del usuario y cambiará dinámicamente los parámetros de agregación según el peso de red del usuario y la obsolescencia para minimizar el impacto de los conjuntos de datos no independientes e idénticamente distribuidos en las actualizaciones asíncronas. Los resultados experimentales muestran que nuestro método tiene un mejor rendimiento en conjuntos de datos no independientes e idénticamente distribuidos que los métodos existentes.