IP威胁报告
109.199.113.26
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 | |
| Burst 12/10s | 请求频率异常——自动扫描 | +35 | |
| Burst 8/2s | 请求频率异常——自动扫描 | +35 | |
| Danger strong hits: 12 | 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 |
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 109.199.113.26 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 109.199.113.26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。
🌊 洪水/DDoS缓解
在nginx中实施limit_req_zone。部署具有DDoS防护的CDN。配置SYN cookies和连接跟踪以限制109.199.113.26。
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
109.199.113.26 has been assigned a threat score of 225/100 (Critical). 这将其归入严重威胁类别。强烈建议在所有网络边界立即进行封锁。
The following attack categories were identified:
📊 Threat Analysis
地址109.199.113.26来源于Lauterbourg, France，运营在Contabo GmbH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。 我们的传感器在1天内捕获了来自此地址的5次恶意请求，反映出每天约5次的持续攻击节奏。 该IP被归类为托管/数据中心基础设施，通常与用于自动化攻击活动、僵尸网络命令控制或大规模漏洞扫描的租用服务器相关联。 识别出两种攻击模式（Path Enumeration和Request Flooding），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France的143个恶意IP，使其成为全球威胁活动的重要贡献者。 威胁评分225/100，此IP属于我们数据库中最危险的地址之一。强烈建议立即完全封锁。
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
💡 DDoS Mitigation Approaches
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 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.