
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| 404 ratio 40-60% | Maioria das solicitações retornou 404 — enumeração | +15 | |
| Burst 112/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 127/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 140/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 32/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 35/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 42/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 47/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 48/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 49/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 68/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 90/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 94/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 96/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 48 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Danger medium hits: 94 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Danger medium hits: 96 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Danger strong hits: 2 | Caminhos de alto risco: shells, RCE, exploits | +50 | |
| Danger strong hits: 3 | Caminhos de alto risco: shells, RCE, exploits | +75 | |
| Danger strong hits: 4 | Caminhos de alto risco: shells, RCE, exploits | +100 | |
| Probe 302→404 | Anomalia comportamental detectada automaticamente | +20 | |
| UA suspicious | Anomalia comportamental detectada automaticamente | +15 |
Solicitações HTTP reconstruídas dos logs do servidor. Domínios alvo ocultados por segurança.
* Typical request patterns for detected signatures. Actual target domains are redacted.
IP 74.248.32.128 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 74.248.32.128.
IP 74.248.32.128 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.
74.248.32.128 has been assigned a threat score of 280/100 (Critical). Isso o coloca na categoria de ameaça crítica. O bloqueio imediato é fortemente recomendado em todos os perímetros de rede.
The following attack categories were identified:
O endereço IP 74.248.32.128 foi rastreado até Warsaw, Poland, operando na rede de Microsoft Corporation. Nossos sistemas de detecção de ameaças sinalizaram este endereço com base em padrões de comportamento malicioso observados. O endereço esteve ativo por 3 dias em nosso sistema de monitoramento, produzindo 780 requisições sinalizadas a uma taxa de ~260/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. Uma pontuação de 280/100 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.
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 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.