Las aplicaciones del Internet de las Cosas (IoT) han estado ayudando a la sociedad de varias maneras. Sin embargo, todavía se deben enfrentar desafíos para permitir operaciones eficientes y seguras de IoT. En este contexto, el perfilado de IoT se refiere al servicio de identificar y clasificar el comportamiento de dispositivos IoT basado en diferentes características utilizando diferentes enfoques (por ejemplo, Aprendizaje Profundo). El envenenamiento de datos y los ataques adversariales son difíciles de detectar y mitigar, y pueden degradar el rendimiento de un modelo entrenado. Por lo tanto, el objetivo principal de esta investigación es proponer el marco de Recuperación de Etiquetas Superpuestas (OLR) para mitigar los efectos de los ataques de cambio de etiquetas en el perfilado de IoT basado en Aprendizaje Profundo. OLR utiliza Bosques Aleatorios (RF) como limpiadores subyacentes para recuperar etiquetas. Después de eso, el conjunto de datos es reevaluado y se producen nuevas etiquetas para minimizar el impacto del cambio de etiquetas. OLR se puede configurar utilizando diferentes hiperparámetros e investigamos cómo diferentes valores pueden mejorar el procedimiento de recuperación. Los resultados obtenidos al evaluar modelos de Aprendizaje Profundo (DL) utilizando una versión envenenada del Conjunto de Datos de IoT CIC 2022 demuestran que la superposición de entrenamiento debe ser controlada para mantener un buen rendimiento y que la estrategia propuesta mejora el rendimiento general del perfilado en todos los casos investigados.