IP威胁报告
159.223.143.87
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 |
|---|---|---|---|
| Danger strong hits: 2 | 高风险路径：Webshell、RCE、漏洞利用 | +50 | |
| Danger strong hits: 4 | 高风险路径：Webshell、RCE、漏洞利用 | +100 |
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 159.223.143.87 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
⚙️ 一般安全
将159.223.143.87添加到防火墙封锁列表。检查日志中的成功连接。在所有面向公众的服务上启用全面日志记录。
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
159.223.143.87 has been assigned a threat score of 100/100 (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。
📊 Threat Analysis
IP地址159.223.143.87已追溯至North Bergen, United States，运营在DigitalOcean, LLC的网络中。我们的威胁检测系统根据观察到的恶意行为模式标记了此地址。 在其4天的观察窗口期间，我们记录了来自此IP的38次敌对请求——平均每天约9.5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。 我们的记录显示来自United States的128个恶意IP，使其成为全球威胁活动的重要贡献者。 威胁评分100/100，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
🇺🇸 Top threats from United States
104.28.246.115 (350)104.28.246.113 (340)104.28.246.116 (340)104.28.235.58 (340)104.28.246.122 (340)View all →Security Intelligence
💡 SQL Injection Campaigns
SQL injection remains one of the most common web attack vectors. Attackers inject malicious SQL code through input fields to extract database contents, modify data, or gain administrative access. Automated scanners test for SQLi vulnerabilities at massive scale.
💡 Privacy-Preserving Threat Detection
Advanced techniques enable threat detection while minimizing privacy impact. Encrypted DNS, differential privacy in analytics, and federated learning for threat models allow effective security monitoring without unnecessary surveillance of legitimate user behavior.