El entorno del Internet de las Cosas (por ejemplo, teléfonos inteligentes, televisores inteligentes y relojes inteligentes) garantiza que la experiencia del usuario final sea fácil, al conectar vidas en servicios web a través de internet. La integración de dispositivos del Internet de las Cosas plantea riesgos éticos relacionados con la seguridad de datos, privacidad, confiabilidad y gestión, minería de datos e intercambio de conocimientos. Un ataque adversarial de aprendizaje automático es una buena práctica a adoptar, para fortalecer la seguridad de CAPTCHA basados en texto (Prueba de Turing Pública Automatizada para diferenciar entre Computadoras y Humanos), para resistir los ataques maliciosos de piratas informáticos, para proteger los dispositivos del Internet de las Cosas y la privacidad del usuario final. El objetivo de este estudio actual es realizar la verificación de vulnerabilidades de seguridad en CAPTCHA basados en texto adversario, basados en escenarios atacante-defensor. Por lo tanto, este estudio propuso un modelo de proceso de generación adversaria de lotes mixtos con aprendizaje profundo eficiente en computación, que intentó romper el ataque de transferibilidad y mitigar el problema del olvido catastrófico en el contexto de la defensa contra ataques adversarios. Después de realizar validación cruzada K-fold, los resultados experimentales mostraron que el modelo de defensa propuesto logró precisión media en el rango del 82-84% entre tres conjuntos de datos de ataque adversario basados en gradientes.