
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| Danger medium hits: 2 | Risco médio: painéis admin, arquivos de configuração | +20 | |
| Danger strong hits: 3 | Caminhos de alto risco: shells, RCE, exploits | +75 | |
| Foreign referer | Referer de domínio externo não relacionado | +10 | |
| UA changed | Múltiplos User-Agents — técnica de rotação de bot | +25 |
Solicitações HTTP reconstruídas dos logs do servidor. Domínios alvo ocultados por segurança.
* Typical request patterns for detected signatures. Actual target domains are redacted.
IP 65.111.27.88 mostra comportamento UA suspeito. Bloqueie requisições com User-Agent vazio.
Este IP foi verificado nas principais listas negras DNS usadas por servidores de e-mail e firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
65.111.27.88 has been assigned a threat score of 130/100 (Critical). Esta é uma ameaça de nível crítico. Administradores de sistemas devem tratar este IP como hostil e bloquear todas as conexões de entrada sem exceção.
The following attack categories were identified:
Nossa infraestrutura de monitoramento identificou 65.111.27.88, geolocalizado em Bangkok, Thailand, operando na rede de 3xK Tech GmbH, como fonte de atividade de rede suspeita. Nossos sensores capturaram 130 requisições maliciosas deste endereço em um período de 4 dias, refletindo uma cadência de ataque sustentada de ~32.5 requisições por dia. Este IP é identificado como um endpoint VPN ou proxy, comumente usado para mascarar a verdadeira origem do tráfego de ataque. Detectadas anomalias suspeitas de User-Agent incluindo strings UA vazias, falsificadas ou em rotação rápida. Uma pontuação de 130/100 coloca este endereço no nível mais alto de severidade.
This IP is associated with a VPN or proxy service. Attackers frequently route their traffic through anonymizing services to obscure their true location. This makes attribution more challenging but the malicious behavior patterns remain detectable.
RCE vulnerabilities allow attackers to execute arbitrary code on target servers. These critical flaws often arise from deserialization bugs, template injection, or file upload vulnerabilities, and represent the highest severity class of web application weaknesses.
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.