cyberstrike-sft-120k
קוד פתוחoyildirimapache-2.02026-06-15
מאגר נדיר של 121,422 שיחות סייבר התקפי שמספק פקודות וקוד פריצה בלי מנגנוני סירוב של מודלים רגילים. הוא מיועד למי שרוצה לאמן עוזר טכני עמוק למבדקי חדירה וצוותים אדומים.
- 828הורדות בחודש
- 18לייקים
מה זה
המאגר כולל זוגות של הוראה ותשובה במבנה שיחה סטנדרטי, לצד מטא-דאטה מפורט שמציין מזהי טכניקות ופגיעויות. התוכן נוצר באמצעות 15 מחוללים ייעודיים שמבוססים על מסגרות עבודה מוכרות כמו MITRE ATT&CK, תקני CIS, NIST ונתוני CVE ממאגר NVD. התשובות ארוכות מאוד, עם ממוצע של כ־6,500 תווים לרשומת עוזר, וכוללות שרשראות תקיפה שלמות, סקריפטים ואינדיקטורים לזיהוי.
החלוקה הפנימית מורכבת מ־11 תחומים שונים, אבל רוב המשקל יושב על שניים בלבד: אבטחת ענן עם מעל 37 אלף רשומות, וניתוח חולשות CVE עם מעל 35 אלף דוגמאות. אחריהם נמצאים הקשחת מערכות לפי מדדי CIS ונושאי התקפה כלליים, בעוד תחומים מעשיים חשובים כמו תרחישי תקיפה מלאים או שרשראות ReAct כוללים עשרות עד מאות בודדות של רשומות בלבד.
מתאים ל
- עוזר פריצה פנימי
אימון מודל מקומי שמפיק פקודות תקיפה וניצול חולשות ללא חסימות בטיחות עבור בודקי חדירות.
- ניתוח חולשות ו־CVE
בניית כלי שמקבל מזהה פגיעות ומחזיר שרשרת ניצול אפשרית לצד דרכי בדיקה והקשחה.
- הקשחת תשתיות ענן
סיוע לצוותי הגנה בזיהוי שגיאות תצורה ב־AWS, Azure ו־GCP לפי תרחישי פריצה מוגדרים.
איפה זה נופל
כל התוכן כתוב באנגלית בלבד ואין בו שום תמיכה בעברית. הנתונים יוצרו על ידי מחוללים מלאכותיים, כך שקיימת סכנה להזיות בקוד ובפקודות, מה שמחייב לבדוק כל סקריפט בסביבת מעבדה מבודדת לפני שמסתמכים עליו. בנוסף, חלוקת הנושאים מוטה בכבדות לכיוון ענן ו־CVE, בזמן שתקיפות ווב של OWASP וכלי עבודה מוכרים זכו לייצוג מזערי ביחס לנפח הכללי של המאגר.
שאלות
נפוצות
האם מותר להשתמש במאגר הזה לפיתוח מוצר מסחרי?
כן, המאגר זמין תחת רישיון Apache 2.0 שמתיר שימוש מסחרי מלא. אתם רשאים לאמן עליו מודלים ולמכור גישה אליהם, כל עוד אתם שומרים על תנאי הייחוס של היוצר המקורי. לא חלה עליכם חובה לשחרר את משקולות המודל שאומן בקוד פתוח.
האם יש בדאטהסט תמיכה בעברית?
לא, כל הטקסטים והתרחישים במאגר נכתבו באנגלית בלבד. אם תרצו להשתמש בו לאימון מודל שיגיב בעברית, תצטרכו לתרגם את הנתונים בעצמכם או לשלב דאטהסטים רב-לשוניים נוספים. מפתחי המאגר עצמם ציינו כי תמיכה בשפות אחרות מתוכננת רק לעתיד.
כמה המאגר שוקל וכמה זמן לוקח לאמן עליו מודל?
קובץ הנתונים שוקל 946 מגה-בייט ומכיל כ־216 מיליון טוקנים. בגלל אורכן של התשובות, אימון מלא דורש חומרה חזקה מאוד. על פי התיעוד בכרטיס, אימון של אפוק אחד באורך הקשר מלא לוקח בין 57 ל־60 שעות על כרטיס H100 בודד, או כ־15 שעות על אשכול של ארבעה כרטיסי A100.
איך הנתונים נאספו והאם התשובות אמינות לשימוש מבצעי?
הנתונים לא הועתקו מדוחות בדיקה אמיתיים אלא נוצרו על ידי 15 מחוללים אוטומטיים שמבוססים על מאגרי תקנים וחולשות. התשובות כוללות פקודות וסקריפטים שנראים שלמים, אך בהיותם תוצר סינתטי הם עלולים להכיל שגיאות תחביר או הזיות. חובה לבדוק כל פקודה או כלי בסביבת בדיקות ייעודית לפני שמריצים אותם בסביבה אמיתית.
איך טוענים
טוענים את המאגר ישירות דרך ספריית datasets באמצעות המזהה oyildirim/cyberstrike-sft-120k לפי split של train. אין צורך באישור גישה מיוחד, וקובץ הנתונים שוקל 946 מגה-בייט. הרשומות מגיעות בפורמט צ'אט עם מערך הודעות של system, user ו־assistant, לצד אובייקט metadata שמכיל את הקטגוריה והמזהים הרלוונטיים. אם אתם מתכננים אימון עם אורך הקשר של 8,192 טוקנים, תצטרכו משאבי חישוב משמעותיים, כיוון שריצת אפוק יחיד על כרטיס H100 בודד מוערכת בכ־60 שעות עבודה.
from datasets import load_dataset
ds = load_dataset("oyildirim/cyberstrike-sft-120k")הרישיון
המאגר פורסם תחת רישיון Apache 2.0 המאפשר שימוש חופשי, כולל פיתוח ואימון של מוצרים מסחריים. תנאי הרישיון דורשים מתן קרדיט ושמירה על הודעת הרישיון המקורית, אך הם אינם מחייבים אתכם לחשוף או לשתף באותו רישיון את המודלים שתאמנו על הדאטה.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים