
ABUSE.MOM — COMPORTE-SE OU SERÁ EXPOSTO
| Assinatura | Descrição | Pontos | Gravidade |
|---|---|---|---|
| 404 ratio >= 60% | Maioria das solicitações retornou 404 — enumeração | +25 | |
| Danger strong hits: 1 | Caminhos de alto risco: shells, RCE, exploits | +25 | |
| Foreign referer | 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 97.230.135.63 está enumerando diretórios. Configure fail2ban com jail apache-404 após 10+ erros 404.
Este IP foi verificado nas principais listas negras DNS usadas por servidores de e-mail e firewalls.
Verificado: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect.
97.230.135.63 has been assigned a threat score of 60/100 (High). Neste nível de ameaça, o IP é considerado de alto risco. As regras de firewall devem ser atualizadas para negar tráfego desta fonte.
The following attack categories were identified:
A análise de inteligência de ameaças vinculou 97.230.135.63 a atividade maliciosa originada de Charlotte, United States, operando na rede de Verizon Business. O endereço está sob observação desde sua detecção inicial. Durante sua janela de observação de 5 dias, registramos 106 requisições hostis deste IP — aproximadamente 21.2 por dia em média. Este é um IP de rede móvel. Embora endereços móveis sejam tipicamente compartilhados via CGNAT, a atividade maliciosa persistente sugere abuso automatizado. O IP exibe comportamento de enumeração de diretórios, solicitando sistematicamente caminhos inexistentes. United States atualmente responde por 36,338 IPs bloqueados em nosso banco de dados, sendo uma fonte importante de tráfego malicioso. A pontuação de 60/100 justifica monitoramento ativo e limitação de taxa.
Request smuggling exploits differences in how front-end and back-end servers parse HTTP requests. This technique can bypass security controls, poison web caches, and hijack other users sessions by desynchronizing request boundaries.
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.