cybersec-qa-dataset-zh

# Cybersecurity QA Dataset (zh) · 中文网络安全技术问答数据集 面向 **防御与安全教育** 的中文网络安全技术问答数据集，适用于 LLM 指令微调（SFT）。 **21,799 条**纯技术问答，零国家归因、零地缘内容，附可复现质检流水线与 CI 校验。 [](https://github.com/uninhibited-scholar/cybersec-qa-dataset-zh/actions/workflows/validate.yml) [](https://creativecommons.org/licenses/by/4.0/) ## 数据概览 - **总条数**：21,799（149 批） - **格式**：JSONL，每行 `{"user": ..., "assistant": ...}` - **平均答案长度**：约 1,231 字，结构化分层（原理 → 攻击面 → 检测 → 缓解） ## 主题分布（按问题关键词约略归类） | 主题 | 条数 | |---|---:| | 二进制 / 漏洞利用 | 5186 | | Web 安全 | 4858 | | 其他 / 综合 | 2730 | | 密码学 | 1648 | | 蓝队 / DFIR / 检测 | 1622 | | AD 域 / 内网 / 后渗透 | 1278 | | 网络协议攻防 | 1151 | | 云原生 / 容器 | 1133 | | 移动 / IoT / 固件 | 837 | | 恶意软件 / 逆向分析 | 764 | | CI-CD / 供应链 | 282 | | 认证 / API / 现代身份 | 190 | | AI / LLM 安全 | 120 | ## 快速加载 ```python from datasets import load_dataset ds = load_dataset("uninhibited-scholar/cybersec-qa-dataset-zh", split="train") ``` ## 质量保证 全量通过 JSON 合法性校验；已去除完全重复问答、模板化填充与过短样本（答案 ≥300 字），对国家归因 / 命名 APT / 地缘内容做过滤与匿名化（如具名 APT 案例改为通用描述）。GitHub CI 每次提交自动校验。 ## 诚实说明 问答由大语言模型生成，质量来自规则化流水线 + CI，**未**做多模型交叉验证或人工逐条标注。 ## 代码与流水线 <https://github.com/uninhibited-scholar/cybersec-qa-dataset-zh> · 许可 CC BY 4.0