IP威胁报告
174.138.72.220
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 |
|---|---|---|---|
| POST seen | 自动分析检测到行为异常 | +8 | |
| Probe 302→404 | 自动分析检测到行为异常 | +20 | |
| UA bot: python | 检测到已知机器人/爬虫的User-Agent | +40 |
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 174.138.72.220 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 174.138.72.0/24
- 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 174.138.72.220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 174.138.72.220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
174.138.72.220 has been assigned a threat score of 68/100 (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
174.138.72.220注册在Clifton, United States，运营在DigitalOcean, LLC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。 我们的传感器在1天内捕获了来自此地址的41次恶意请求，反映出每天约41次的持续攻击节奏。 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。 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36,328个被封锁IP，使其成为恶意流量的主要来源。 评分68/100需要主动监控和速率限制。建议对敏感系统进行完全封锁。
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)104.28.214.122 (350)216.73.160.52 (350)34.187.158.4 (340)34.186.187.208 (340)View all →🏢 Same network: AS14061
129.212.237.216 (308)168.144.34.140 (295)170.64.203.182 (280)159.223.199.244 (280)168.144.130.251 (280)View all →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.