Отчёт по IP-адресу
31.152.48.36
ABUSE.MOM — ВЕДИ СЕБЯ ПРИЛИЧНО ИЛИ БУДЕШЬ РАЗОБЛАЧЁН
Геолокация и классификация
Сработавшие сигнатуры
| Сигнатура | Описание | Баллы | Опасность |
|---|---|---|---|
| Directory Scan | Поведенческая аномалия обнаружена автоматически | +0 |
Зафиксированная активность
Реконструированные HTTP-запросы из серверных логов. Целевые домены скрыты в целях безопасности.
* Typical request patterns for detected signatures. Actual target domains are redacted.
Хронология
Рекомендации
Предпринятые и рекомендуемые меры
- IP 31.152.48.36 заблокирован на уровне приложения (HTTP 403)
- Рекомендуется блокировка на уровне файрвола (iptables/CSF)
- Убедитесь, что файлы (.env, .git, бэкапы) недоступны из веба
⚙️ Защитные рекомендации
Заблокируйте 31.152.48.36 на сетевом периметре. Внедрите эшелонированную защиту, комбинируя блокировку IP с защитой на уровне приложений.
Статус в чёрных списках (DNSBL)
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.
Анализ угрозы
31.152.48.36 получил оценку угрозы 60/100 (Высокий). Данная оценка указывает на высокую серьёзность угрозы. IP продемонстрировал чёткие паттерны вредоносного поведения, требующие немедленных защитных мер.
📊 Threat Analysis
Анализ разведки угроз связал 31.152.48.36 с вредоносной активностью из Thessaloniki, Greece, работающий в сети Cosmote Mobile Telecommunication S.A. Адрес находится под наблюдением с момента первого обнаружения. В течение 13-дневного окна наблюдения мы зафиксировали 40 враждебных запросов с этого IP — примерно 3.1 в день в среднем. Наши записи показывают 55 вредоносных IP, исходящих из Greece, что позиционирует её как заметным источник глобальной угрозы. Оценка 60/100 требует активного мониторинга и ограничения частоты. Полная блокировка рекомендована для критичных систем.
Связанные угрозы
Аналитика безопасности
💡 Hacktivism and Ideological Attacks
Hacktivism combines hacking skills with political or social motivations. DDoS campaigns, website defacements, and data leaks target organizations based on ideological disagreements, adding unpredictable threat actors to the landscape.
💡 Machine Learning in Threat Detection
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.