
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| 404 ratio 40-60% | Maioria das solicitações retornou 404 — enumeração | +15 | |
| 404 ratio >= 60% | Maioria das solicitações retornou 404 — enumeração | +25 | |
| Burst 10/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 10/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 15/10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 15/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst 5/2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 10 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 10 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 15 req / 10s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 15 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Burst: 5 req / 2s | Taxa de solicitações anormalmente alta — varredura | +35 | |
| Danger medium hits: 1 | Risco médio: painéis admin, arquivos de configuração | +10 | |
| Danger medium hits: 2 | Risco médio: painéis admin, arquivos de configuração | +20 | |
| Danger medium hits: 3 | Risco médio: painéis admin, arquivos de configuração | +30 | |
| Danger strong hits: 10 | Caminhos de alto risco: shells, RCE, exploits | +100 | |
| Danger strong hits: 15 | Caminhos de alto risco: shells, RCE, exploits | +100 | |
| Danger strong hits: 5 | Caminhos de alto risco: shells, RCE, exploits | +100 | |
| Foreign referer | Referer de domínio externo não relacionado | +10 | |
| Foreign referer seen | Referer de domínio externo não relacionado | +10 |
Solicitações HTTP reconstruídas dos logs do servidor. Domínios alvo ocultados por segurança.
* Typical request patterns for detected signatures. Actual target domains are redacted.
IP 82.25.102.234 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 82.25.102.234.
Este IP foi verificado nas principais listas negras DNS usadas por servidores de e-mail e firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
82.25.102.234 has been assigned a threat score of 215/100 (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:
82.25.102.234 está registrado em Frankfurt am Main, Germany, operando na rede de HOSTINGER DE. Este IP apareceu pela primeira vez em nossos feeds de ameaças após acionar múltiplas assinaturas de detecção comportamental. Ao longo de 80 dias, este IP gerou 881 requisições maliciosas, com média de aproximadamente 11 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. Dois padrões de ataque foram identificados (Path Enumeration e Request Flooding), sugerindo uma campanha semi-automatizada que visa múltiplas vulnerabilidades. Com uma pontuação de 215/100, este IP está entre os mais perigosos do nosso banco de dados. Bloqueio imediato e completo é fortemente recomendado.
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.