
ABUSE.MOM — COMPÓRTATE O SERÁS EXPUESTO
| Firma | Descripción | Puntos | Gravedad |
|---|---|---|---|
| UA bot: Go-http-client | User-Agent de bot/rastreador conocido detectado | +40 | |
| UA suspicious (short/empty) | Anomalía de comportamiento detectada automáticamente | +15 | |
| Danger strong hits: 2 | Rutas de alto riesgo: shells, RCE, exploits | +50 | |
| Danger medium hits: 1 | Riesgo medio: paneles admin, archivos de configuración | +10 | |
| 404 ratio 40-60% | Mayoría de solicitudes devolvieron 404 — enumeración | +15 | |
| UA changed for same IP | Múltiples User-Agents — técnica de rotación de bot | +25 | |
| Danger strong hits: 127 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Danger medium hits: 50 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Burst: 17 req / 2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst: 57 req / 10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst: 19 req / 2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst: 64 req / 10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Danger strong hits: 378 | Rutas de alto riesgo: shells, RCE, exploits | +100 | |
| Danger medium hits: 970 | Riesgo medio: paneles admin, archivos de configuración | +60 | |
| Burst: 20 req / 2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst: 72 req / 10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst: 65 req / 10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst: 18 req / 2s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Burst: 59 req / 10s | Tasa de solicitudes anormalmente alta — escaneo | +35 | |
| Danger strong hits: 1 | Rutas de alto riesgo: shells, RCE, exploits | +25 | |
| 404 ratio >= 60% | Mayoría de solicitudes devolvieron 404 — enumeración | +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.
IP 209.87.169.151 muestra comportamiento UA sospechoso. Bloquee solicitudes con User-Agent vacío.
IP 209.87.169.151 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 209.87.169.151.
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.
209.87.169.151 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:
La dirección 209.87.169.151 se origina en Jersey City, United States, operando en la red de Clouvider Limited. Fue identificada mediante análisis automatizado del tráfico de red entrante en los puntos monitoreados. Nuestros sensores capturaron 9 solicitudes maliciosas de esta dirección en un período de 11 días, reflejando una cadencia de ataque sostenida de ~0.8 solicitudes por día. La dirección está clasificada como residencial. La actividad maliciosa desde IPs residenciales típicamente indica compromiso del dispositivo o membresía en botnet. Con 3 patrones de ataque diferentes detectados, esta IP exhibe comportamiento característico de frameworks de escaneo automatizado avanzados. Nuestros registros muestran 216 IPs maliciosas originadas desde United States, posicionándolo como un contribuyente significativa a la actividad de amenazas global. Una puntuación de 255/100 coloca esta dirección en el nivel más alto de severidad.
This IP is classified as residential, suggesting it may belong to a compromised home device, IoT botnet member, or an infected personal computer. Residential IPs involved in attacks often indicate malware infection without the owner's knowledge.
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.
Analyzing User-Agent strings reveals automated tools masquerading as legitimate browsers. Inconsistencies between claimed browser capabilities and actual behavior, impossible version combinations, and known scanner signatures help identify malicious clients.