Relatório de ameaça IP
162.141.167.50
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
Geolocalização e classificação
Assinaturas de detecção
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| Malicious Activity | Anomalia comportamental detectada automaticamente | +0 |
Atividade observada
Solicitações HTTP reconstruídas dos logs do servidor. Domínios alvo ocultados por segurança.
* Typical request patterns for detected signatures. Actual target domains are redacted.
Cronologia
Recomendações
Ações tomadas e recomendadas
- IP 162.141.167.50 está bloqueado no nível da aplicação (HTTP 403)
- Considere bloquear no nível do firewall (iptables/CSF)
- Outros IPs maliciosos detectados na mesma sub-rede /24 — considere bloquear 162.141.167.0/24
- Garanta que arquivos sensíveis (.env, .git) não sejam acessíveis pela web
⚙️ Segurança geral
Adicione 162.141.167.50 à lista de bloqueio do seu firewall. Revise logs para conexões bem-sucedidas.
Vizinhos em 162.141.167.0/24
Outros IPs bloqueados da mesma sub-rede /24 — indica abuso sistemático desta faixa de rede.
Status em listas negras (DNSBL)
Este IP foi verificado nas principais listas negras DNS usadas por servidores de e-mail e firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
Threat Analysis
162.141.167.50 has been assigned a threat score of 75/100 (High). Neste nível de ameaça, o IP é considerado de alto risco. As regras de firewall devem ser atualizadas para negar tráfego desta fonte.
📊 Threat Analysis
Nossa infraestrutura de monitoramento identificou 162.141.167.50, geolocalizado em London, United Kingdom, operando na rede de Interserver, Inc, como fonte de atividade de rede suspeita. O endereço esteve ativo por 27 dias em nosso sistema de monitoramento, produzindo 29 requisições sinalizadas a uma taxa de ~1.1/dia. A pontuação de 75/100 indica um ator malicioso confirmado.
Related Threats
🇬🇧 Top threats from United Kingdom
162.141.167.53 (230)162.141.167.49 (230)162.141.167.4 (85)View all →Security Intelligence
💡 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.
💡 Supply Chain Security Challenges
Attacks targeting software supply chains compromise trusted update mechanisms to distribute malware at scale. Dependency confusion, typosquatting in package registries, and compromised build pipelines threaten even organizations with strong direct security postures.