Relatório de ameaça IP
217.60.184.5
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
Geolocalização e classificação
Assinaturas de detecção
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| 404 ratio >= 60% | Maioria das solicitações retornou 404 — enumeração | +25 | |
| Burst 12/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 28/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 36 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Danger strong hits: 36 | Caminhos de alto risco: shells, RCE, exploits | +100 | |
| Foreign referer | Referer de domínio externo não relacionado | +10 | |
| Probe 302→404 | Anomalia comportamental detectada automaticamente | +20 | |
| UA changed | Múltiplos User-Agents — técnica de rotação de bot | +25 |
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
Provedor de rede
Recomendações
Ações tomadas e recomendadas
- IP 217.60.184.5 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 217.60.184.0/24
- Reporte o abuso ao provedor de rede através do contato de abuso
- Garanta que arquivos sensíveis (.env, .git) não sejam acessíveis pela web
🔎 Defesa contra varredura de diretórios
IP 217.60.184.5 está enumerando diretórios. Configure fail2ban com jail apache-404 após 10+ erros 404.
🌊 Mitigação de inundação/DDoS
Implemente limit_req_zone no nginx. Implante CDN com proteção DDoS. Configure SYN cookies para controlar 217.60.184.5.
🤖 Defesa contra anomalias User-Agent
IP 217.60.184.5 mostra comportamento UA suspeito. Bloqueie requisições com User-Agent vazio.
Vizinhos em 217.60.184.0/24
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
217.60.184.5 has been assigned a threat score of 310/100 (Critical). Isso representa um nível de risco crítico. Nossos sistemas de detecção identificaram múltiplos indicadores de alta confiança de intenção maliciosa.
The following attack categories were identified:
📊 Threat Analysis
O endereço 217.60.184.5 se origina de Berlin, Germany, operando na rede de BlastVPS Services. Foi identificado por meio de análise automatizada do tráfego de rede nos endpoints monitorados. Nossos sensores capturaram 58 requisições maliciosas deste endereço em um período de 1 dias, refletindo uma cadência de ataque sustentada de ~58 requisições por dia. Este endereço pertence a um provedor de datacenter ou hosting em nuvem. IPs de hosting são frequentemente aproveitados por agentes de ameaças que alugam instâncias VPS baratas especificamente para realizar ataques. Com 3 padrões de ataque diferentes detectados, este IP exibe comportamento característico de frameworks de varredura automatizada avançados. Nossos registros mostram 3,632 IPs maliciosos originados de Germany, posicionando-o como um contribuinte importante para atividade de ameaças global. Uma pontuação de 310/100 coloca este endereço no nível mais alto de severidade.
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
💡 DDoS Mitigation Approaches
Distributed denial of service attacks overwhelm infrastructure with traffic volume. Effective mitigation combines always-on traffic scrubbing, anycast network distribution, rate limiting, and the ability to quickly scale absorption capacity during attacks.
💡 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.