IP威胁报告
103.117.148.183
ABUSE.MOM — 规矩点，否则你将被曝光
地理位置与分类
检测签名
| 签名 | 描述 | 分数 | 严重性 |
|---|---|---|---|
| 404 ratio >= 60% | 大多数请求返回404——目录枚举 | +25 | |
| Danger medium hits: 3 | 中等风险：管理面板、配置文件 | +30 | |
| Danger strong hits: 4 | 高风险路径：Webshell、RCE、漏洞利用 | +100 | |
| Foreign referer | 来自无关外部域名的Referer | +10 | |
| Probe 302→404 | 自动分析检测到行为异常 | +20 | |
| UA changed | 多个User-Agent——机器人轮换技术 | +25 |
观察到的活动
从服务器访问日志重建的HTTP请求。出于安全考虑，目标域名已隐藏。
* Typical request patterns for detected signatures. Actual target domains are redacted.
时间线
网络供应商
建议
已采取和建议的措施
- IP 103.117.148.183 已在应用层封锁（HTTP 403）
- 建议在防火墙层（iptables/CSF）进行封锁
- 通过abuse联系方式向网络供应商举报
- 确保敏感文件（.env、.git、备份）无法从网络访问
🔎 目录扫描防御
IP 103.117.148.183正在枚举目录。在10次以上404错误后配置fail2ban apache-404 jail。禁用目录列表。
🤖 User-Agent异常防御
IP 103.117.148.183显示可疑的UA行为。阻止空User-Agent请求。为敏感端点实施基于JavaScript的机器人检测。
黑名单状态 (DNSBL)
该IP已通过全球邮件服务器和防火墙使用的主要DNS黑名单进行检查。
已检查：Spamhaus、SpamCop、Barracuda、SORBS、CBL、UCEProtect。
Threat Analysis
103.117.148.183 has been assigned a threat score of 210/100 (Critical). 如此高的分数标志着一个关键威胁行为者。该地址在多个检测向量上表现出持续的、激进的恶意行为。
The following attack categories were identified:
📊 Threat Analysis
地址103.117.148.183来源于Pak Kret, Thailand，运营在Readyidc Company Limited的网络中。它是通过对受监控端点的入站网络流量进行自动分析而被识别的。 在其4天的观察窗口期间，我们记录了来自此IP的368次敌对请求——平均每天约92次。 被归类为托管IP，此地址可能运行在租用的服务器或云实例上。攻击者偏好数据中心IP因其高带宽和一次性特点。 识别出两种攻击模式（Path Enumeration和User-Agent Anomaly），表明这是一个针对多个漏洞的半自动化攻击活动。 我们的记录显示来自Thailand的101个恶意IP，使其成为全球威胁活动的重要贡献者。 评分210/100将此地址置于最高严重性级别。应封锁并调查任何历史连接。
This IP belongs to a hosting or data center provider. Malicious traffic from hosting infrastructure often originates from compromised VPS instances, rented servers used for scanning campaigns, or abused free-tier cloud accounts. Hosting providers typically respond to abuse reports within 24-72 hours.
Related Threats
🇹🇭 Top threats from Thailand
8.213.218.53 (305)118.175.94.213 (268)98.159.43.148 (255)98.159.43.152 (255)98.159.43.135 (255)View all →Security Intelligence
💡 HTTP Request Smuggling
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 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.