IP威胁报告
89.99.32.58
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 | |
| Danger medium hits: 1 | 中等风险：管理面板、配置文件 | +10 | |
| Danger medium hits: 2 | 中等风险：管理面板、配置文件 | +20 | |
| Danger strong hits: 1 | 高风险路径：Webshell、RCE、漏洞利用 | +25 | |
| Danger strong hits: 2 | 高风险路径：Webshell、RCE、漏洞利用 | +50 | |
| Danger strong hits: 3 | 高风险路径：Webshell、RCE、漏洞利用 | +75 | |
| POST requests present | 自动分析检测到行为异常 | +8 | |
| POST seen | 自动分析检测到行为异常 | +8 |
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 89.99.32.58 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
🔎 目录扫描防御
IP 89.99.32.58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。
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
89.99.32.58 has been assigned a threat score of 103/100 (Critical). 凭借此评分，该IP属于严重威胁级别——是我们监控数据库中最危险的地址之一。
The following attack categories were identified:
📊 Threat Analysis
地址89.99.32.58来源于Amsterdam, Netherlands，运营在Vodafone Ziggo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90天的时间内，此IP产生了139次恶意请求，平均每天约1.5次请求。 这是一个住宅IP地址，表明可能是被入侵的家用设备，如路由器、智能设备或参与僵尸网络的受感染工作站。 该IP表现出目录枚举行为，系统地请求不存在的路径以发现隐藏文件和配置错误的资源。 我们的记录显示来自Netherlands的126个恶意IP，使其成为全球威胁活动的重要贡献者。 威胁评分103/100，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 is classified as residential, suggesting it may belong to a compromised home device, IoT botnet member, or an infected personal computer. Residential IPs involved in attacks often indicate malware infection without the owner's knowledge.
Related Threats
🇳🇱 Top threats from Netherlands
185.184.192.251 (338)45.88.138.44 (320)45.82.64.236 (315)5.181.169.192 (313)157.22.73.141 (313)View all →Security Intelligence
💡 Credential Stuffing at Scale
Credential stuffing uses stolen username-password pairs from data breaches to attempt logins across many websites. Since users frequently reuse passwords, these automated attacks achieve success rates of 0.1-2%, which translates to thousands of compromised accounts from millions of attempts.
💡 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.