Federated Learning (FL) is a privacy-preserving approach to train deep neural networks across decentralized devices without sharing raw data. Thus, FL has been popularly applied in domains like anomaly detection in Internet of Things (IoTs). However, IoT networks or devices have limited protection capabilities, resulting in the vulnerability of FL to data poisoning attacks. In order to address this challenge, we propose a new robust FL system designed to counter data poisoning attacks. Our approach, named as Federated Learning with Attention Aggregation (FedAA), leverages AutoEncoder (AE) models for local anomaly detection in IoT networks. In FedAA, the global model is aggregated from local models by using a novel aggregation method, named as Attention Aggregation (AA). This method is specifically designed to mitigate the impact of data poisoning attacks, which often lead to high values ofthe loss functions in the local models. More precisely, the local models with high loss values are assigned lower attention weights when contributing to the global model aggregation, and vice versa. As a result, the proposed AA method enhances the robustness of FedAA against data poisoning attacks. The extensive experiments are conducted on three datasets including N-BaIoT, NSL-KDD, and UNSW, of IoT anomaly detection. The results show that FedAA is more robust than other FL systems in mitigating data poisoning attacks.Học liên kết là một phương pháp bảo vệ quyền riêng tư dữ liệu khi huấn luyện mạng nơ-ron sâu trên các thiết bị phi tập trung bằng cách không chia sẻ dữ liệu huấn luyện. Do đó, học liên kết đã được áp dụng phổ biến trong các lĩnh vực như phát hiện bất thường trong mạng Internet vạn vật (IoT). Tuy nhiên, mạng hoặc thiết bị IoT có khả năng tự bảo vệ hạn chế, dẫn đến học liên kết dễ bị tấn công đầu độc dữ liệu. Để giải quyết thách thức này, một lược đồ học liên kết mới được thiết kế để chống lại các cuộc tấn công đầu độc dữ liệu. Phương pháp của chúng tôi, được gọi là Học liên kết sử dụng kỹ thuật chú ý trong tác vụ Tổng hợp (FedAA), sử dụng các mô hình AutoEncoder (AE) để phát hiện bất thường cục bộ trong các mạng IoT. Trong FedAA, việc tổng hợp mô hình toàn cục từ các mô hình cục bộ được thực hiện bằng phương pháp tổng hợp mới, được gọi là Tổng hợp có chú ý (AA). Phương pháp này được thiết kế để giảm thiểu tác động của các cuộc tấn công đầu độc dữ liệu, thường dẫn đến giá trị cao của các hàm mất mát trong các mô hình cục bộ. Chính xác hơn, các mô hình cục bộ có giá trị mất mát cao được gán trọng số chú ý thấp hơn khi đóng góp vào tổng hợp mô hình toàn cục và ngược lại. Do đó, phương pháp AA tăng hiệu quả của FedAA trước các cuộc tấn công đầu độc dữ liệu. Các thí nghiệm về phát hiện bất thường IoT được thực hiện trên ba tập dữ liệu, đó là N-BaIoT, NSL-KDD và UNSW. Kết quả cho thấy FedAA tốt hơn các lược đồ học liên kết khác trong việc giảm thiểu các cuộc tấn công đầu độc dữ liệu.