Отчёт по IP-адресу
36.84.140.193
ABUSE.MOM — ВЕДИ СЕБЯ ПРИЛИЧНО ИЛИ БУДЕШЬ РАЗОБЛАЧЁН
Геолокация и классификация
Сработавшие сигнатуры
| Сигнатура | Описание | Баллы | Опасность |
|---|---|---|---|
| 404 ratio 40-60% | Большинство запросов вернули 404 — перебор файлов | +15 | |
| Danger medium hits: 10 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 15 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 20 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 25 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 35 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 40 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 45 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 48 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 5 | Запросы к админ-панелям, файлам конфигурации | +50 | |
| Danger medium hits: 53 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 58 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger medium hits: 63 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Foreign referer | Referer с постороннего внешнего домена | +10 | |
| Probe 302→404 | Поведенческая аномалия обнаружена автоматически | +20 | |
| UA changed | Несколько User-Agent строк — ротация бота | +25 |
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
Сетевой провайдер
Мы обнаружили 236 вредоносных IP в этой автономной системе.
Рекомендации
Предпринятые и рекомендуемые меры
- IP 36.84.140.193 заблокирован на уровне приложения (HTTP 403)
- Рекомендуется блокировка на уровне файрвола (iptables/CSF)
- Направьте жалобу провайдеру через abuse-контакт
- Убедитесь, что файлы (.env, .git, бэкапы) недоступны из веба
🔎 Защита от перебора путей
Заблокируйте сканирование от 36.84.140.193: ограничьте частоту ответов 404 на IP, разместите honeypot-страницу 404, убедитесь что бэкапы недоступны из веба.
🤖 Защита от аномалий User-Agent
IP 36.84.140.193 демонстрирует подозрительное поведение UA. Блокируйте запросы с пустым User-Agent. Внедрите JavaScript-проверки для обнаружения ботов.
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
36.84.140.193 получил оценку угрозы 130/100 (Критический). С такой оценкой IP попадает в критическую зону — в число наиболее опасных адресов в нашей базе мониторинга.
Обнаружены следующие категории атак:
📊 Threat Analysis
Сетевой трафик от 36.84.140.193, расположенного в East Jakarta, Indonesia, работающий в сети PT. TELKOM INDONESIA, классифицирован как вредоносный нашей автоматической системой оценки угроз. Адрес был активен 5 дней в нашей системе мониторинга, произведя 225 подозрительных запросов со скоростью ~45/день. Этот жилой IP — вероятно, скомпрометированное пользовательское устройство. Домашние роутеры и IoT-оборудование с паролями по умолчанию — главные цели операторов ботнетов. Двойные векторы атак — Перебор путей в сочетании с Аномалия User-Agent — указывают на координированную атаку, а не оппортунистическое сканирование. С 1,096 отмеченными адресами Indonesia представляет крупным присутствие в нашей базе угроз. Оценка 130/100 помещает этот адрес в высшую категорию серьёзности. Заблокируйте и проверьте исторические подключения.
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.
Связанные угрозы
Аналитика безопасности
💡 Server-Side Request Forgery (SSRF)
SSRF attacks trick servers into making requests to internal resources that should not be publicly accessible. This can expose cloud metadata endpoints, internal APIs, and private network services, potentially leading to full infrastructure compromise.
💡 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.