
ABUSE.MOM — COMPÓRTATE O SERÁS EXPUESTO
| Firma | Descripción | Puntos | Gravedad |
|---|---|---|---|
| Danger strong hits: 1 | Rutas de alto riesgo: shells, RCE, exploits | +25 | |
| UA bot: python | User-Agent de bot/rastreador conocido detectado | +40 |
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 51 IPs maliciosas de este sistema autónomo.
IP 36.150.136.138 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.
36.150.136.138 has been assigned a threat score of 65/100 (High). La IP está clasificada como amenaza de alto nivel. Los administradores de red deben implementar reglas de bloqueo y monitorear conexiones desde esta dirección.
The following attack categories were identified:
36.150.136.138 está registrada en Nanjing, China, operando en la red de China Mobile Communications Corporation. Esta IP apareció por primera vez en nuestros feeds de amenazas tras activar múltiples firmas de detección conductual. Durante un período de 29 días, esta IP generó 508 solicitudes maliciosas, promediando aproximadamente 17.5 solicitudes por día. Esta es una IP de red móvil. Aunque las direcciones móviles se comparten típicamente vía CGNAT, la actividad maliciosa persistente sugiere abuso automatizado. Se detectaron anomalías sospechosas de User-Agent incluyendo cadenas UA vacías, falsificadas o en rotación rápida. Nuestros registros muestran 2,902 IPs maliciosas originadas desde China, posicionándolo como un contribuyente importante a la actividad de amenazas global. La puntuación de 65/100 justifica monitoreo activo y limitación de velocidad.
Vulnerability scanning is the automated process of probing web applications for known weaknesses. Attackers use tools like Nuclei, Nikto, and ZAP to test thousands of hosts per hour, looking for exposed configuration files, outdated software, and default credentials.
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.