IP威胁报告
74.7.243.60
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 | |
| 404 ratio >= 60% | 大多数请求返回404——目录枚举 | +25 | |
| Burst 5/2s | 请求频率异常——自动扫描 | +35 | |
| Foreign referer | 来自无关外部域名的Referer | +10 | |
| Foreign referer seen | 来自无关外部域名的Referer | +10 |
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 74.7.243.60 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 74.7.243.0/24
- 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 74.7.243.60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74.7.243.60。
邻居在 74.7.243.0/24
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
74.7.243.60 has been assigned a threat score of 60/100 (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
威胁情报分析将74.7.243.60与来自Atlanta, United States，运营在Microsoft Corporation的网络中的恶意活动相关联。该地址自首次检测以来一直处于观察状态。 在49天的时间内，此IP产生了736次恶意请求，平均每天约15次请求。 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United States的126个恶意IP，使其成为全球威胁活动的重要贡献者。 评分60/100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)104.28.246.113 (340)104.28.246.116 (340)104.28.235.58 (340)104.28.246.122 (340)View all →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.