Isamu136/penetration_testing_scraped_dataset

--- dataset_info: features: - name: text dtype: string - name: embedding sequence: float32 - name: tokens sequence: int64 - name: database dtype: string - name: file dtype: string - name: chunk dtype: int64 splits: - name: train num_bytes: 1005293572 num_examples: 107542 download_size: 663206603 dataset_size: 1005293572 configs: - config_name: default data_files: - split: train path: data/train-* --- # Dataset Card for "penetration_testing_scraped_dataset" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)--- ### 数据集信息 #### 特征字段 - `text`（文本）：数据类型为字符串 - `embedding`（嵌入向量）：元素为float32的序列 - `tokens`（标记序列）：元素为int64的序列 - `database`（数据库）：数据类型为字符串 - `file`（文件）：数据类型为字符串 - `chunk`（分块编号）：数据类型为int64 #### 数据划分 - 训练集（train）：字节占用量为1005293572，样本总数为107542 下载体积：663206603 数据集总体积：1005293572 #### 配置项 - 默认配置（default）： 数据文件对应训练集划分，路径为`data/train-*` --- # “渗透测试爬取数据集（penetration_testing_scraped_dataset）”数据集卡片 [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集信息

• 特征列表:
  • text: 数据类型为字符串。
  • embedding: 数据类型为浮点数序列。
  • tokens: 数据类型为整数序列。
  • database: 数据类型为字符串。
  • file: 数据类型为字符串。
  • chunk: 数据类型为整数。

数据分割

• 训练集:
  • 名称: train
  • 字节数: 1005293572
  • 样本数: 107542

数据集大小

• 下载大小: 663206603
• 数据集大小: 1005293572

配置

• 默认配置:
  • 数据文件:
    • 分割: train
    • 路径: data/train-*

搜集汇总

背景与挑战

背景概述

该数据集是一个专门针对渗透测试技术的爬取文本数据集，包含约10.8万行数据，总大小为663 MB，格式为parquet。数据内容涵盖渗透测试方法、工具配置和安全实践，适用于安全研究、AI模型训练或微调，如已用于训练axs2k/anubis模型。