
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| Danger strong hits: 1 | Caminhos de alto risco: shells, RCE, exploits | +25 | |
| Danger medium hits: 4 | Risco médio: painéis admin, arquivos de configuração | +40 | |
| 404 ratio 40-60% | Maioria das solicitações retornou 404 — enumeração | +15 | |
| Danger medium hits: 9 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| 404 ratio >= 60% | Maioria das solicitações retornou 404 — enumeração | +25 | |
| Burst: 8 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 11 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 6 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Burst: 5 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 5 | Risco médio: painéis admin, arquivos de configuração | +50 | |
| Burst: 6 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 12 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Burst: 11 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 14 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 7 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Danger medium hits: 13 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Burst: 10 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 15 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 |
Solicitações HTTP reconstruídas dos logs do servidor. Domínios alvo ocultados por segurança.
* Typical request patterns for detected signatures. Actual target domains are redacted.
IP 34.135.10.224 está enumerando diretórios. Configure fail2ban com jail apache-404 após 10+ erros 404.
Implemente limit_req_zone no nginx. Implante CDN com proteção DDoS. Configure SYN cookies para controlar 34.135.10.224.
Dados de reconhecimento de rede do Shodan. Portas abertas podem indicar serviços em execução, configurações incorretas ou superfícies de ataque.
| Port | Service | Risk | Description |
|---|---|---|---|
| 7777 | Unknown | Low | Service on port 7777 |
Fonte: Shodan InternetDB. Escaneado independentemente do abuse.mom.
Este IP foi verificado nas principais listas negras DNS usadas por servidores de e-mail e firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
34.135.10.224 has been assigned a threat score of 180/100 (Critical). Com esta classificação, o IP se enquadra na faixa de severidade crítica — entre os endereços mais perigosos em nosso banco de dados de monitoramento.
The following attack categories were identified:
O endereço 34.135.10.224 se origina de Council Bluffs, United States, operando na rede de Google LLC. Foi identificado por meio de análise automatizada do tráfego de rede nos endpoints monitorados. Ao longo de 1 dias, este IP gerou 31 requisições maliciosas, com média de aproximadamente 31 requisições por dia. Classificado como IP de hosting, este endereço provavelmente funciona em um servidor alugado ou instância em nuvem. Dois padrões de ataque foram identificados (Path Enumeration e Request Flooding), sugerindo uma campanha semi-automatizada que visa múltiplas vulnerabilidades. United States atualmente responde por 142 IPs bloqueados em nosso banco de dados, sendo uma fonte significativa de tráfego malicioso. Uma pontuação de 180/100 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.
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 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.