IP威胁报告
173.239.218.37
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 40-60% | 大多数请求返回404——目录枚举 | +15 | |
| Danger medium hits: 1 | 中等风险：管理面板、配置文件 | +10 | |
| Danger strong hits: 2 | 高风险路径：Webshell、RCE、漏洞利用 | +50 | |
| 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 173.239.218.37 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 173.239.218.0/24
- 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
🔎 目录扫描防御
IP 173.239.218.37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 173.239.218.37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 173.239.218.0/24
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
173.239.218.37 has been assigned a threat score of 100/100 (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173.239.218.37来源于Los Angeles, United States，运营在LogicWeb Inc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1天的观察窗口期间，我们记录了来自此IP的28次敌对请求——平均每天约28次。 此地址属于数据中心或云托管提供商。托管IP经常被专门租用廉价VPS实例来进行攻击的威胁行为者利用。 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。 United States目前在我们的数据库中占150个被封锁IP，使其成为恶意流量的重要来源。 评分100/100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 United States
104.28.246.115 (350)104.28.214.122 (350)103.168.66.237 (340)34.187.158.4 (340)34.186.187.208 (340)View all →Security Intelligence
💡 Directory Traversal Attacks
Path traversal attacks attempt to access files outside the intended directory by manipulating file path references. Attackers use sequences like ../ to reach sensitive system files such as /etc/passwd or application configuration files.
💡 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.