
ABUSE.MOM — ВЕДИ СЕБЯ ПРИЛИЧНО ИЛИ БУДЕШЬ РАЗОБЛАЧЁН
| Сигнатура | Описание | Баллы | Опасность |
|---|---|---|---|
| Burst 17/2s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 18/2s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 19/2s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 56/10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 58/10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 61/10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 62/10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 64/10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 66/10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst 67/10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 17 req / 2s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 18 req / 2s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 19 req / 2s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 56 req / 10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 58 req / 10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 61 req / 10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 62 req / 10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 64 req / 10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 66 req / 10s | Аномально высокая частота запросов — сканирование | +35 | |
| Burst: 67 req / 10s | Аномально высокая частота запросов — сканирование | +35 | |
| Danger medium hits: 87 | Запросы к админ-панелям, файлам конфигурации | +60 | |
| Danger strong hits: 8 | Запросы к опасным путям: шеллы, RCE, эксплойты | +100 |
Реконструированные HTTP-запросы из серверных логов. Целевые домены скрыты в целях безопасности.
* Typical request patterns for detected signatures. Actual target domains are redacted.
IP 74.249.233.75 генерирует чрезмерный трафик. Ограничьте количество соединений с одного IP. Включите географическую блокировку если трафик из этого региона неожидан.
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.
74.249.233.75 получил оценку угрозы 230/100 (Критический). Столь высокий балл характеризует критического агента угрозы. Этот адрес демонстрирует устойчивое агрессивное вредоносное поведение по множеству векторов обнаружения.
Обнаружены следующие категории атак:
IP-адрес 74.249.233.75 отслежен до Des Moines, United States, работающий в сети Microsoft Corporation. Наши системы обнаружения угроз пометили этот адрес на основе наблюдаемых паттернов вредоносного поведения. Наши сенсоры зафиксировали 1,946 вредоносных запросов с этого адреса за 6 дней, что отражает устойчивую интенсивность атак ~324.3 запросов в день. IP классифицируется как хостинг/дата-центр, что часто ассоциируется с арендованными серверами для автоматизированных атак, управления ботнетами или массового сканирования уязвимостей. IP занимается флудом запросами, отправляя трафик с частотой, рассчитанной на исчерпание серверных мощностей. United States в настоящее время составляет 101 заблокированных IP в нашей базе данных, что делает её значительным источником вредоносного трафика. При 230/100 это крайне высокорисковый адрес. Весь трафик следует считать враждебным.
Этот IP принадлежит хостинг-провайдеру или дата-центру. Вредоносный трафик из хостинг-инфраструктуры часто исходит от взломанных VPS, арендованных серверов для сканирования или злоупотребления бесплатными облачными аккаунтами.
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.