puyang2025/waf_data_v2

---
pretty_name: WAF Data v2
language:
- en
license: mit
task_categories:
- text-classification
task_ids:
- multi-class-classification
dataset_type: web-application-firewall
tags:
- http
- security
- requests
- waf
size_categories:
- 1M<n<10M
---

# WAF Data v2

## Dataset Summary

This dataset contains HTTP request records with labels for security-related classification tasks. Each row includes request metadata and content fields, plus a string label.

## Supported Tasks and Leaderboards

- text-classification: classify HTTP request records based on the `label` field

## Languages

- English (`en`) for textual tokens in headers/body; protocol and method fields use standard HTTP tokens

## Dataset Structure

### Data Instances

Each instance is a single HTTP request:

- `method`: HTTP method (string)
- `url`: request URL (string)
- `protocol`: HTTP protocol/version (string)
- `headers`: serialized headers (string)
- `body`: request body (string)
- `label`: classification label (string)
- `normal`: benign/legitimate request
- `anomalous`: suspicious or attack-like request

### Data Files

The dataset is stored as Parquet files with the following splits:

- `train.parquet`: 1,924,461 rows
- `eval.parquet`: 240,560 rows
- `test.parquet`: 240,558 rows
- `heldout.parquet`: 147,188 rows

### Data Fields

All columns are stored as strings in the Parquet schema:

- `method` (string)
- `url` (string)
- `protocol` (string)
- `headers` (string)
- `body` (string)
- `label` (string)

## Data Preparation

JSON source files were converted to Parquet for efficient storage and access. The Parquet files are the canonical dataset artifacts.

## Licensing Information

MIT License.

## How to Load

```python
from datasets import load_dataset

data_files = {
"train": "train.parquet",
"validation": "eval.parquet",
"test": "test.parquet",
"heldout": "heldout.parquet",
}

ds = load_dataset("parquet", data_files=data_files)
```

## Citation Information

If you use this dataset, please add your citation here.

---
数据集名称：WAF数据集v2（Web应用防火墙，WAF）
语言：
- 英语（`en`）
许可证：MIT许可证
任务类别：
- 文本分类
任务子类型：
- 多分类
数据集类型：Web应用防火墙
标签：
- HTTP
- 安全
- 请求
- WAF
数据规模：
- 100万条 < 数据量 < 1000万条
---

# WAF数据集v2

## 数据集概述
本数据集包含适用于安全相关分类任务的HTTP请求记录及对应标签。每条数据均包含请求元数据、内容字段与字符串类型标签。

## 支持任务与排行榜
- 文本分类：基于`label`字段对HTTP请求记录进行分类

## 语言说明
请求头与请求体中的文本标记采用英语（`en`）；协议与请求方法字段使用标准HTTP标记。

## 数据集结构
### 数据实例
每条数据对应一条独立的HTTP请求：
- `method`：HTTP请求方法（字符串类型）
- `url`：请求URL（字符串类型）
- `protocol`：HTTP协议/版本（字符串类型）
- `headers`：序列化后的请求头（字符串类型）
- `body`：请求体（字符串类型）
- `label`：分类标签（字符串类型）
- `normal`：合法良性请求
- `anomalous`：可疑或疑似攻击请求

### 数据文件
本数据集以Parquet格式存储，包含以下拆分集：
- `train.parquet`：1,924,461条数据
- `eval.parquet`：240,560条数据
- `test.parquet`：240,558条数据
- `heldout.parquet`：147,188条数据

### 数据字段
Parquet架构下所有列均为字符串类型：
- `method`（字符串类型）
- `url`（字符串类型）
- `protocol`（字符串类型）
- `headers`（字符串类型）
- `body`（字符串类型）
- `label`（字符串类型）

## 数据预处理
原始JSON文件已转换为Parquet格式以实现高效存储与访问，Parquet文件为本数据集的标准制品。

## 许可证信息
MIT许可证。

## 加载方式
python
from datasets import load_dataset

data_files = {
"train": "train.parquet",
"validation": "eval.parquet",
"test": "test.parquet",
"heldout": "heldout.parquet",
}

ds = load_dataset("parquet", data_files=data_files)

## 引用信息
若使用本数据集，请在此处添加引用内容。