White-Hat-Security-Agent-Prompts-600K
קוד פתוחyatin-superintelligencecc-by-4.02026-03-15
מאגר של כמעט 600 אלף שאילתות אבטחת מידע מנקודת מבט של אנשי הגנה. הוא מיועד למי שרוצה לאמן מודלים על שפה מבצעית של תחקור אירועים בזמן אמת ולא על ספרי לימוד יבשים.
- 706הורדות בחודש
- 21לייקים
מה זה
המאגר כולל 596,295 רשומות שמדמות עבודה של מנהלי אבטחת מידע, חוקרי איומים וצוותי תגובה לאירועים. כל רשומה מכילה שאילתה באנגלית באורך ממוצע של כ־211 מילים, יחד עם שיוך לקטגוריית איום מתוך 131 קטגוריות ודירוג חומרה בחמש רמות מטרד ועד סיכון קיומי. המבנה הפנימי פשוט מאוד וכולל בסך הכל ארבע עמודות: אינדקס רץ, הטקסט המלא של השאילתה, שם האיום ורמת החומרה.
התוכן לא נלקח מאירועי אמת או מהקלטות של רשתות ארגוניות, אלא נוצר באופן סינתטי מתוך מטריצה שמשלבת איומים ספציפיים, וקטורי תקיפה, תפקידי מגן, מערכות הגנה ומגזרים שונים. לפי התיעוד, מרחב האפשרויות הגיע ליותר מ־76 מיליון תרחישים, ומתוכם נדגמו כ־600 אלף השאילתות שפורסמו כאן, בחלוקה אחידה יחסית בין רמות החומרה השונות.
מתאים ל
- סיווג שאילתות אבטחה
אימון מסווגים לזיהוי 131 קטגוריות איום וחמש דרגות חומרה מתוך פניות משתמשים או התראות.
- אימון מודל שפה מבוסס הנחיות
שימוש בטקסטים כמקור לפניות משתמש בבניית סטים של שאלות ותשובות לתחום האבטחה.
- סימולציות צוות אדום
בנייה והערכה של תרחישי תקיפה מורכבים במגזרים שונים לפי וקטורי הפריצה שבמאגר.
איפה זה נופל
החיסרון המרכזי והברור ביותר הוא שמדובר בדאטהסט שמכיל שאילתות בלבד, בלי תשובות, פתרונות או צעדי תגובה. אי אפשר לאמן ממנו מודל שיודע לענות על שאלות אבטחה בלי להצמיד לו דאטהסט חיצוני או לייצר תשובות במיוחד. בנוסף, הכל נוצר באופן סינתטי באמצעות פייפליין גנרטיבי, כך שקיימת סכנה להטיות מובנות או לתבניות שחוזרות על עצמן במקום מורכבות של אירוע אמיתי. כל החומר זמין באנגלית בלבד, ואין כאן התייחסות לעברית או לזירה המקומית.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
כן. הרישיון הוא cc-by-4.0 שמתיר שימוש מסחרי מלא, כולל אימון מודלים פנימיים או מוצרים שמוכרים ללקוחות. הדרישה היחידה היא לתת קרדיט ליוצר.
האם המאגר כולל תשובות או פתרונות לבעיות שמועלות?
לא. המאגר מכיל אך ורק שאילתות של משתמשים וסיווגים של סוג האיום ורמת החומרה. מי שרוצה לאמן מודל שיחה מלא יצטרך לייצר תשובות בעצמו או לשלב אותו עם מקור נתונים נוסף.
האם יש במאגר תוכן בעברית?
לא. כל 596,295 השאילתות כתובות באנגלית בלבד. אם המערכת שלכם מיועדת ל־SOC ישראלי או דורשת עבודה בעברית, תצטרכו לתרגם את הנתונים או להשתמש במאגרים אחרים.
איך הנתונים נאספו והאם הם מבוססים על אירועי אמת?
הנתונים לא מגיעים מיומנים של ארגונים או מהקלטות תנועה אמיתיות. הם הונדסו ויוצרו באופן סינתטי מתוך מטריצה של 131 קטגוריות איום ותרחישים מוגדרים מראש.
איך טוענים
המאגר פתוח לחלוטין ואינו דורש אישור גישה מראש. הנתונים מחולקים למאות קובצי parquet, כאשר כל קובץ מכיל מקטע של הרשומות לפי טווח אינדקסים, מה שמקל על הורדה במקביל או טעינה בחלקים. הטעינה מתבצעת ישירות דרך ספריית datasets הרגילה של Hugging Face. השדה המרכזי לאימון הוא user_prompt שמחזיק את הטקסט המלא, לצד threat ו־impact_level שימושיים לסינון או לסיווג.
from datasets import load_dataset
ds = load_dataset("yatin-superintelligence/White-Hat-Security-Agent-Prompts-600K")הרישיון
הרישיון הוא cc-by-4.0. המשמעות היא שמותר להשתמש בנתונים לכל צורך, כולל אימון מודלים לשימוש מסחרי, מחקר ופיתוח מוצרים. אין חובה לשתף את התוצרים באותו הרישיון, אך יש לתת ייחוס הולם ליוצר המאגר.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס