
ABUSE.MOM — COMPÓRTATE O SERÁS EXPUESTO
| Firma | Descripción | Puntos | Gravedad |
|---|---|---|---|
| Directory Scan | Anomalía de comportamiento detectada automáticamente | +0 |
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 89 IPs maliciosas de este sistema autónomo.
Agregue 64.62.191.251 a la lista de bloqueo de su firewall. Revise logs para conexiones exitosas.
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.
64.62.191.251 has been assigned a threat score of 85/100 (Critical). Esto representa un nivel de riesgo crítico. Nuestros sistemas de detección han identificado múltiples indicadores de alta confianza de intención maliciosa.
64.62.191.251 está registrada en Concord, United States, operando en la red de SolidTools Technology, Inc.. Esta IP apareció por primera vez en nuestros feeds de amenazas tras activar múltiples firmas de detección conductual. Nuestros sensores capturaron 517 solicitudes maliciosas de esta dirección en un período de 19 días, reflejando una cadencia de ataque sostenida de ~27.2 solicitudes por día. United States actualmente representa 36,314 IPs bloqueadas en nuestra base de datos, siendo una fuente importante de tráfico malicioso. Una puntuación de 85/100 coloca esta IP en la categoría de alto riesgo. Se recomienda bloqueo a nivel de firewall.
Monitoring dark web forums and marketplaces provides advance warning of planned attacks, leaked credentials, and compromised data. This intelligence feeds into proactive defense measures before attacks reach their targets.
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.