El aprendizaje federado se ha aplicado ampliamente porque permite que un gran número de dispositivos IoT realicen entrenamientos colaborativos mientras se mantiene la localización de datos privados. Sin embargo, los riesgos y amenazas de seguridad a los que se enfrenta el aprendizaje federado en aplicaciones de IoT están cada vez más presentes. Además de la filtración directa de datos, también es necesario hacer frente a amenazas en las que los atacantes interpretan gradientes e infieren información privada. Este documento propone una Agregación Robusta de Privacidad Basada en Aprendizaje Federado (PBA), que puede aplicarse a escenarios de múltiples servidores. PBA filtra los valores atípicos utilizando la distancia euclidiana aproximada calculada a partir de secuencias binarias y el criterio. Luego, este documento proporciona un análisis de corrección y un análisis de complejidad computacional sobre el proceso de agregación de PBA. Además, se evalúa el rendimiento de PBA en lo que respecta a garantizar la privacidad y la robustez en este documento. Los resultados indican que PBA puede resistir ataques bizantinos y una inferencia de privacidad de vanguardia, lo que significa que PBA puede garantizar la privacidad y la robustez.