IP威胁报告
104.28.159.67
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 |
|---|---|---|---|
| UA suspicious (short/empty) | 自动分析检测到行为异常 | +15 | |
| Danger strong hits: 2 | 高风险路径：Webshell、RCE、漏洞利用 | +50 | |
| Danger medium hits: 1 | 中等风险：管理面板、配置文件 | +10 | |
| Danger strong hits: 1 | 高风险路径：Webshell、RCE、漏洞利用 | +25 | |
| UA changed for same IP | 多个User-Agent——机器人轮换技术 | +25 | |
| Danger medium hits: 2 | 中等风险：管理面板、配置文件 | +20 |
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 104.28.159.67 已在应用层封锁（HTTP 403）
- 建议在防火墙层（iptables/CSF）进行封锁
- 在同一/24子网中检测到其他恶意IP——建议封锁 104.28.159.0/24
- 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
🤖 User-Agent异常防御
IP 104.28.159.67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。
邻居在 104.28.159.0/24
来自同一/24子网的其他被封锁IP——表明该网络范围存在系统性滥用。
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
104.28.159.67 has been assigned a threat score of 75/100 (High). 这将其归类为高严重性威胁。建议对敏感基础设施进行主动封锁。
The following attack categories were identified:
📊 Threat Analysis
104.28.159.67注册在Singapore, Singapore，运营在Cloudflare, Inc.的网络中。该IP在触发多个行为检测签名后首次出现在我们的威胁源中。 在60天的时间内，此IP产生了4次恶意请求，平均每天约0.1次请求。 该IP从数据中心基础设施运营，是有组织攻击行动中使用的典型地址。 检测到可疑的User-Agent异常，包括空的、伪造的或快速轮换的UA字符串——自动化扫描工具的特征。 我们的记录显示来自Singapore的26个恶意IP，使其成为全球威胁活动的值得注意的贡献者。 评分75/100表明这是一个已确认的恶意行为者。网络级别封锁是适当的。
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
Security Intelligence
💡 User-Agent Analysis Techniques
Analyzing User-Agent strings reveals automated tools masquerading as legitimate browsers. Inconsistencies between claimed browser capabilities and actual behavior, impossible version combinations, and known scanner signatures help identify malicious clients.
💡 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.