
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| Burst 17/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 18/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 19/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 56/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 58/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 61/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 62/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 64/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 66/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 67/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 17 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 18 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 19 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 56 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 58 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 61 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 62 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 64 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 66 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 67 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 87 | Risco médio: painéis admin, arquivos de configuração | +60 | |
| Danger strong hits: 8 | Caminhos de alto risco: shells, RCE, exploits | +100 |
Solicitações HTTP reconstruídas dos logs do servidor. Domínios alvo ocultados por segurança.
* Typical request patterns for detected signatures. Actual target domains are redacted.
Implemente limit_req_zone no nginx. Implante CDN com proteção DDoS. Configure SYN cookies para controlar 74.249.233.75.
Este IP foi verificado nas principais listas negras DNS usadas por servidores de e-mail e firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
74.249.233.75 has been assigned a threat score of 230/100 (Critical). Uma pontuação tão alta marca um ator de ameaça crítico. Este endereço demonstrou comportamento malicioso persistente e agressivo em múltiplos vetores de detecção.
The following attack categories were identified:
74.249.233.75 está registrado em Des Moines, United States, operando na rede de Microsoft Corporation. Este IP apareceu pela primeira vez em nossos feeds de ameaças após acionar múltiplas assinaturas de detecção comportamental. Nossos sensores capturaram 1,946 requisições maliciosas deste endereço em um período de 6 dias, refletindo uma cadência de ataque sustentada de ~324.3 requisições por dia. O IP é classificado como infraestrutura de hosting/datacenter, comumente associado a servidores alugados para campanhas de ataque automatizadas, comando e controle de botnets, ou varredura de vulnerabilidades em escala. Ataques baseados em taxa deste IP visam sobrecarregar recursos do servidor através de inundação de requisições de alto volume. United States atualmente responde por 101 IPs bloqueados em nosso banco de dados, sendo uma fonte significativa de tráfego malicioso. Uma pontuação de 230/100 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.