ABUSE.MOM
威胁报告

IP威胁报告
38.174.175.237

ABUSE.MOM — 规矩点,否则你将被曝光

生成时间: 2026-09-10 06:28:57
首次发现: 2026-06-03 06:28:35
最后发现: 2026-06-23 11:25:21
85

⛔ 判定:封锁

该IP地址已被归类为自动化恶意活动的来源。 威胁评分: 85/100. 已观察到的恶意请求总数: 442.

01

地理位置与分类

IP地址
38.174.175.237
类型
Unknown
国家
🇺🇸 United States
城市
San Jose
ISP
PEG TECH INC
组织
PEG TECH INC
自治系统
Unknown
请求次数
442
02

检测签名

签名描述分数严重性
Directory Scan自动分析检测到行为异常+0
Σ = 0
03

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。

[redacted]
GET
/
200
显示请求: 1 · HTTP 404: 0 · 危险模式: 0

* Typical request patterns for detected signatures. Actual target domains are redacted.

04

时间线

2026-06-03 06:28:35
检测到首次恶意请求
IP已从服务器日志进入监控
观察期间
触发了多个检测签名
Directory Scan
2026-06-23 11:25:21
观察到最后一次恶意请求
总分达到: 85/100
下一周期
IP已封锁——所有后续请求被拒绝(HTTP 403)
自动添加到封锁列表
06

建议

已采取和建议的措施

  • IP 38.174.175.237 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 38.174.175.0/24
  • 确保敏感文件(.env、.git、备份)无法从网络访问

⚙️ 一般安全

将38.174.175.237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。

07

邻居在 38.174.175.0/24

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。

09

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。

✓ 清洁
bl.blocklist.de
✓ 清洁
psbl.surriel.com
✓ 清洁
dnsbl.dronebl.org
✓ 清洁
cbl.abuseat.org
✓ 清洁
zen.spamhaus.org
✓ 清洁
bl.spamcop.net
✓ 清洁
b.barracudacentral.org

已检查:Spamhaus、SpamCop、Barracuda、SORBS、CBL、UCEProtect。

10

Threat Analysis

38.174.175.237 has been assigned a threat score of 85/100 (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。

📊 Threat Analysis

IP地址38.174.175.237已追溯至San Jose, United States,运营在PEG TECH INC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20天的观察窗口期间,我们记录了来自此IP的442次敌对请求——平均每天约22.1次。 United States目前在我们的数据库中占206个被封锁IP,使其成为恶意流量的重要来源。 评分85/100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。

11

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 →
12

Security Intelligence

💡 Deepfake Technology in Social Engineering

Deepfake audio and video enable convincing impersonation of executives and trusted individuals. Real-time voice cloning has been used in successful fraud campaigns, adding a new dimension to social engineering that traditional security training does not address.

💡 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.

🔍 Check Any IP Address

Share this report: