Las redes sociales en línea (OSNs), como Facebook y Twitter, se han convertido en una parte muy importante de la vida diaria de muchas personas. Desafortunadamente, la alta popularidad de estas plataformas las hace muy atractivas para los spammers. Las técnicas de aprendizaje automático (ML) se han utilizado ampliamente como una herramienta para abordar muchos problemas de aplicaciones de ciberseguridad (como la detección de spam y malware). Sin embargo, la mayoría de los enfoques propuestos no consideran la presencia de adversarios que apuntan al mecanismo de defensa en sí. Los adversarios pueden lanzar ataques sofisticados para socavar los detectores de spam implementados, ya sea durante la fase de entrenamiento o la fase de predicción (prueba). No considerar estas actividades adversariales en la etapa de diseño hace que los detectores de spam de las OSNs sean vulnerables a una variedad de ataques adversariales. Así, este artículo examina los ataques contra los detectores de spam de Twitter en un entorno adversarial, y se presenta una taxonomía general de posibles ataques adversariales utilizando marcos comunes de la literatura. Se discuten en detalle ejemplos de actividades adversariales en Twitter que se descubrieron tras observar hashtags en tendencia en árabe. Se examina un nuevo tipo de tweet de spam (tweet de spam adversarial), que puede ser utilizado para socavar un clasificador implementado. Además, se investigan posibles contramedidas que podrían aumentar la robustez de los detectores de spam de Twitter ante tales ataques.