Informe de amenaza IP
51.91.250.17
ABUSE.MOM — COMPÓRTATE O SERÁS EXPUESTO
Geolocalización y clasificación
Firmas de detección
| Firma | Descripción | Puntos | Gravedad |
|---|---|---|---|
| 404 ratio 40-60% | Mayoría de solicitudes devolvieron 404 — enumeración | +15 | |
| 404 ratio >= 60% | Mayoría de solicitudes devolvieron 404 — enumeración | +25 | |
| Danger medium hits: 1 | Riesgo medio: paneles admin, archivos de configuración | +10 | |
| Danger strong hits: 3 | Rutas de alto riesgo: shells, RCE, exploits | +75 |
Actividad observada
Solicitudes HTTP reconstruidas de los registros del servidor. Dominios objetivo ocultos por seguridad.
* Typical request patterns for detected signatures. Actual target domains are redacted.
Cronología
Proveedor de red
Recomendaciones
Acciones tomadas y recomendadas
- IP 51.91.250.17 está bloqueada a nivel de aplicación (HTTP 403)
- Considere bloquear a nivel de firewall (iptables/CSF)
- Reporte el abuso al proveedor de red a través de su contacto de abuso
- Asegúrese de que archivos sensibles (.env, .git) no sean accesibles desde la web
🔎 Defensa contra escaneo de directorios
IP 51.91.250.17 está enumerando directorios. Configure fail2ban con jail apache-404 tras 10+ errores 404.
Puertos abiertos y servicios
Datos de reconocimiento de red de Shodan. Los puertos abiertos pueden indicar servicios en ejecución, configuraciones incorrectas o superficies de ataque.
| Port | Service | Risk | Description |
|---|---|---|---|
| 8081 | Unknown | Low | Service on port 8081 |
| 9100 | Unknown | Low | Service on port 9100 |
| CVE ID | Link |
|---|---|
| CVE-2025-59362 | NVD → |
| CVE-2025-62168 | NVD → |
🔴 Este host tiene 2 CVE conocidos asociados con sus servicios expuestos. Incluso un pequeño número de CVEs puede representar un riesgo significativo. Revise cada CVE en la base de datos NVD.
Fuente: Shodan InternetDB. Escaneado independientemente de abuse.mom.
Estado en listas negras (DNSBL)
Esta IP fue verificada contra las principales listas negras DNS utilizadas por servidores de correo y firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
Threat Analysis
51.91.250.17 has been assigned a threat score of 75/100 (High). Esta puntuación indica una alta severidad de amenaza. La IP ha mostrado patrones claros de comportamiento malicioso que requieren medidas defensivas inmediatas.
The following attack categories were identified:
📊 Threat Analysis
La dirección 51.91.250.17 se origina en Roubaix, France, operando en la red de OVH SAS. Fue identificada mediante análisis automatizado del tráfico de red entrante en los puntos monitoreados. Durante su ventana de observación de 59 días, registramos 369 solicitudes hostiles de esta IP — aproximadamente 6.3 por día en promedio. La IP está clasificada como infraestructura de hosting/datacenter, comúnmente asociada con servidores alquilados para campañas de ataque automatizadas, comando y control de botnets, o escaneo de vulnerabilidades a gran escala. La IP exhibe comportamiento de enumeración de directorios, solicitando sistemáticamente rutas inexistentes. Nuestros registros muestran 125 IPs maliciosas originadas desde France, posicionándolo como un contribuyente significativa a la actividad de amenazas global. Una puntuación de 75/100 coloca esta IP en la categoría de alto riesgo. Se recomienda bloqueo a nivel de firewall.
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.
Related Threats
Security Intelligence
💡 Credential Stuffing at Scale
Credential stuffing uses stolen username-password pairs from data breaches to attempt logins across many websites. Since users frequently reuse passwords, these automated attacks achieve success rates of 0.1-2%, which translates to thousands of compromised accounts from millions of attempts.
💡 Machine Learning in Threat Detection
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.