En respuesta a la susceptibilidad del aprendizaje federado, que se basa en una estructura de entrenamiento distribuido, a los ataques de envenenamiento bizantino por parte de clientes maliciosos, lo que resulta en problemas como la convergencia del modelo ralentizada o interrumpida y una precisión del modelo reducida, proponemos una técnica de agregación robusta para defendernos contra los ataques de envenenamiento bizantino en el aprendizaje federado, conocida como FLRAM. Primero, empleamos el bosque de aislamiento y un algoritmo de agrupación basado en densidad mejorado para detectar anomalías en las amplitudes y símbolos de los gradientes locales de los clientes, filtrando efectivamente los gradientes con grandes variaciones de magnitud y desviación angular. Posteriormente, construimos una matriz de credibilidad basada en el subconjunto filtrado de gradientes para evaluar la confiabilidad de cada gradiente local. Utilizando este puntaje de credibilidad, seleccionamos aún más los gradientes con mayor confiabilidad. Finalmente, agregamos los gradientes filtrados para obtener el gradiente global, que luego se utiliza para actualizar el modelo global. Los hallazgos experimentales muestran que nuestro enfoque propuesto logra un rendimiento defensivo sólido sin comprometer la precisión de FedAvg. Además, muestra una robustez superior en comparación con las soluciones existentes.