
ABUSE.MOM — COMPÓRTATE O SERÁS EXPUESTO
| Firma | Descripción | Puntos | Gravedad |
|---|---|---|---|
| 404 ratio 40-60% | Mayoría de solicitudes devolvieron 404 — enumeración | +15 | |
| Burst 13/2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 14/2s | 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 48/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst 49/10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Danger medium hits: 158 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Danger medium hits: 160 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Danger medium hits: 240 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Danger medium hits: 84 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Danger strong hits: 12 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Danger strong hits: 4 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Danger strong hits: 6 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Danger strong hits: 9 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Probe 302→404 | Anomalía de comportamiento detectada automáticamente | +20 | |
| UA suspicious | Anomalía de comportamiento detectada automáticamente | +15 |
Solicitudes HTTP reconstruidas de los registros del servidor. Dominios objetivo ocultos por seguridad.
* Typical request patterns for detected signatures. Actual target domains are redacted.
IP 20.226.85.132 está enumerando directorios. Configure fail2ban con jail apache-404 tras 10+ errores 404.
Implemente limit_req_zone en nginx. Despliegue CDN con protección DDoS. Configure cookies SYN para controlar 20.226.85.132.
IP 20.226.85.132 muestra comportamiento UA sospechoso. Bloquee solicitudes con User-Agent vacío.
Esta IP fue verificada contra las principales listas negras DNS utilizadas por servidores de correo y firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
20.226.85.132 has been assigned a threat score of 280/100 (Critical). Esto representa un nivel de riesgo crítico. Nuestros sistemas de detección han identificado múltiples indicadores de alta confianza de intención maliciosa.
The following attack categories were identified:
El análisis de inteligencia de amenazas vinculó 20.226.85.132 con actividad maliciosa originada en São Paulo, Brazil, operando en la red de Microsoft Corporation. La dirección ha estado bajo observación desde su detección inicial. Durante su ventana de observación de 4 días, registramos 1,330 solicitudes hostiles de esta IP — aproximadamente 332.5 por día en promedio. Operando desde infraestructura de datacenter, esta IP es típica de direcciones usadas en operaciones de ataque organizadas. La combinación de 3 vectores de ataque distintos indica un actor de amenaza sofisticado que despliega herramientas automatizadas para sondear múltiples superficies de ataque simultáneamente. Brazil actualmente representa 12 IPs bloqueadas en nuestra base de datos, siendo una fuente notable de tráfico malicioso. Con una puntuación de 280/100, esta IP está entre las más peligrosas de nuestra base de datos. Se recomienda bloqueo inmediato y completo.
This IP belongs to a hosting or data center provider. Malicious traffic from hosting infrastructure often originates from compromised VPS instances, rented servers used for scanning campaigns, or abused free-tier cloud accounts. Hosting providers typically respond to abuse reports within 24-72 hours.
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.