
ABUSE.MOM — ВЕДИ СЕБЯ ПРИЛИЧНО ИЛИ БУДЕШЬ РАЗОБЛАЧЁН
| Сигнатура | Описание | Баллы | Опасность |
|---|---|---|---|
| Danger medium hits: 4 | Запросы к админ-панелям, файлам конфигурации | +40 | |
| Probe pattern 302->404 same path | Поведенческая аномалия обнаружена автоматически | +20 | |
| Foreign referer seen | Referer с постороннего внешнего домена | +10 |
Реконструированные HTTP-запросы из серверных логов. Целевые домены скрыты в целях безопасности.
* Typical request patterns for detected signatures. Actual target domains are redacted.
Заблокируйте сканирование от 192.161.160.64: ограничьте частоту ответов 404 на IP, разместите honeypot-страницу 404, убедитесь что бэкапы недоступны из веба.
Другие заблокированные IP из той же подсети /24 — признак систематического злоупотребления.
Данные сетевой разведки Shodan. Открытые порты могут указывать на работающие сервисы, неправильную конфигурацию или поверхность атаки.
| Port | Service | Risk | Description |
|---|---|---|---|
| 80 | HTTP | Low | HTTP web server — standard web traffic |
| 123 | Unknown | Low | Service on port 123 |
| 161 | Unknown | Low | Service on port 161 |
| 21242 | Unknown | Low | Service on port 21242 |
| 52951 | Unknown | Low | Service on port 52951 |
| CVE ID | Link |
|---|---|
| CVE-2021-33620 | NVD → |
| CVE-2019-18676 | NVD → |
| CVE-2019-12526 | NVD → |
| CVE-2020-24606 | NVD → |
| CVE-2021-28116 | NVD → |
| CVE-2018-19132 | NVD → |
| CVE-2018-1000027 | NVD → |
| CVE-2015-5400 | NVD → |
| CVE-2025-59362 | NVD → |
| CVE-2020-15810 | NVD → |
| CVE-2019-12520 | NVD → |
| CVE-2020-8450 | NVD → |
| CVE-2020-15811 | NVD → |
| CVE-2024-37894 | NVD → |
| CVE-2023-49285 | NVD → |
| CVE-2021-31806 | NVD → |
| CVE-2019-18677 | NVD → |
| CVE-2025-54574 | NVD → |
| CVE-2019-12521 | NVD → |
| CVE-2019-13345 | NVD → |
| CVE-2018-1000024 | NVD → |
| CVE-2020-15049 | NVD → |
| CVE-2021-31807 | NVD → |
| CVE-2016-3947 | NVD → |
| CVE-2019-12524 | NVD → |
🔴 На этом хосте обнаружено 56 известных CVE, связанных с его открытыми сервисами. Такой объём указывает на крайне устаревшее ПО. Проверьте каждую CVE в базе NVD.
Источник: Shodan InternetDB. Сканирование независимо от abuse.mom.
Этот IP проверен по основным DNS-чёрным спискам, используемым почтовыми серверами и файрволами по всему миру.
Проверено: Spamhaus, SpamCop, Barracuda, SORBS, CBL, UCEProtect. Результаты могут меняться.
192.161.160.64 получил оценку угрозы 70/100 (Высокий). IP оценивается как угроза высокого уровня. Сетевым администраторам следует создать правила блокировки и отслеживать любые подключения с этого адреса.
Обнаружены следующие категории атак:
Адрес 192.161.160.64 происходит из Los Angeles, United States, работающий в сети HostPapa. Он был идентифицирован в ходе автоматического анализа входящего сетевого трафика на мониторируемых узлах. Адрес был активен 1 дней в нашей системе мониторинга, произведя 1 подозрительных запросов со скоростью ~1/день. Этот жилой IP — вероятно, скомпрометированное пользовательское устройство. Домашние роутеры и IoT-оборудование с паролями по умолчанию — главные цели операторов ботнетов. Обнаружено активное сканирование путей — этот IP зондирует сотни распространённых имён файлов и директорий. United States в настоящее время составляет 200 заблокированных IP в нашей базе данных, что делает её значительным источником вредоносного трафика. Оценка угрозы 70/100 помещает IP в категорию высокого риска. Рекомендуется блокировка на уровне файрвола.
Этот IP классифицирован как жилой (residential), что может означать скомпрометированное домашнее устройство, участник IoT-ботнета или заражённый ПК. Владелец обычно не знает о вредоносной активности.
SQL injection remains one of the most common web attack vectors. Attackers inject malicious SQL code through input fields to extract database contents, modify data, or gain administrative access. Automated scanners test for SQLi vulnerabilities at massive scale.
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.