
ABUSE.MOM — COMPÓRTATE O SERÁS EXPUESTO
| Firma | Descripción | Puntos | Gravedad |
|---|---|---|---|
| Burst 13/2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 14/2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 15/2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 17/2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 18/2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 41/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 42/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 43/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 44/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 47/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 49/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 55/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 58/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 65/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Danger medium hits: 48 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Danger medium hits: 56 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Danger medium hits: 969 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Danger strong hits: 126 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Danger strong hits: 128 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Danger strong hits: 372 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| UA changed | Múltiples User-Agents — técnica de rotación de bot | +25 |
Solicitudes HTTP reconstruidas de los registros del servidor. Dominios objetivo ocultos por seguridad.
* Typical request patterns for detected signatures. Actual target domains are redacted.
Hemos detectado 1605 IPs maliciosas de este sistema autónomo.
Implemente limit_req_zone en nginx. Despliegue CDN con protección DDoS. Configure cookies SYN para controlar 192.253.209.77.
IP 192.253.209.77 muestra comportamiento UA sospechoso. Bloquee solicitudes con User-Agent vacío.
Otras IPs bloqueadas de la misma subred /24 — indica abuso sistemático de este rango de red.
Esta IP fue verificada contra las principales listas negras DNS utilizadas por servidores de correo y firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
192.253.209.77 has been assigned a threat score of 255/100 (Critical). Esto lo ubica en la categoría de amenaza crítica. Se recomienda encarecidamente el bloqueo inmediato en todos los perímetros de red.
The following attack categories were identified:
192.253.209.77 está registrada en Jersey City, United States, operando en la red de GSL Networks Pty LTD. Esta IP apareció por primera vez en nuestros feeds de amenazas tras activar múltiples firmas de detección conductual. La dirección ha estado activa durante 23 días en nuestro sistema de monitoreo, produciendo 1,569 solicitudes marcadas a una tasa de ~68.2/día. La dirección opera como un nodo de salida VPN/proxy. Los atacantes enrutan el tráfico a través de servicios de anonimización. Se identificaron dos patrones de ataque (Request Flooding y User-Agent Anomaly), sugiriendo una campaña semi-automatizada que apunta a múltiples vulnerabilidades. United States actualmente representa 36,707 IPs bloqueadas en nuestra base de datos, siendo una fuente importante de tráfico malicioso. Una puntuación de 255/100 coloca esta dirección en el nivel más alto de severidad.
This IP is associated with a VPN or proxy service. Attackers frequently route their traffic through anonymizing services to obscure their true location. This makes attribution more challenging but the malicious behavior patterns remain detectable.
Distributed denial of service attacks overwhelm infrastructure with traffic volume. Effective mitigation combines always-on traffic scrubbing, anycast network distribution, rate limiting, and the ability to quickly scale absorption capacity during attacks.
Machine learning models analyze vast amounts of network traffic to identify attack patterns invisible to rule-based systems. Supervised models classify known attack types while unsupervised models detect anomalies that may indicate novel threats.