95GB 网络安全 AI 训练集免费开放：30+ 领域全覆盖，附完整下载方式

导语：研究者在 X 推荐了一份”PhD 级”网络安全 AI 训练集，95GB、30+ 领域、红蓝对抗全收。数据是真全，但翻开后有三处雷：版权争议未决、许可自相矛盾、作者承认压缩包夹带真实恶意样本。

一、这份数据到底是什么

推荐它的是印度安全研究者 Md Ismail Šojal（@0x0SojalSec），11 月 10 日那条推文收获 320 赞、35 转发，评论区”WTF”和”这个思路可以”各占一行。推文里他甩出一张 HuggingFace 数据卡截图，标题很硬：史上最大的 PhD 级网络安全数据集，白给，用来训你自己的 Cyber 模型。

落到仓库页面上，数据集 ID 是 Vyber07/cyber-security。作者是 GitHub 上的 Vyber07（真名 MEGHKUMAR SHAH，艾哈迈达巴德 Gandhinagar University 网络安全专业学生），仓库建于 5 月 30 日，最后改动停在 8 月 31 日，累计下载 15479 次、点赞 860 个。卡面标注 Apache-2.0，任务类型为 text-generation 与 question-answering。

数据卡自述的来源相当硬核：PortSwigger Web Security Academy 全 31 个专题（SQL 注入 16 个实验、XSS 30 个、HTTP 请求走私四种变体全收）、HackTheBox 1500+ 靶机、MITRE ATT&CK 的 200+ 技术与 400+ 子技术、MITRE D3FEND 的 100+ 防御技术、MITRE ATLAS 的 50+ AI 攻击技术、CIS Controls v8 的 153 项保障措施，外加 HackerOne 60 万+ 漏洞记录和 NIST CSF 108 个子类别。

图：推文作者展示的数据卡截图（图源：@0x0SojalSec 推文）

图：README 中的领域覆盖表，含各类文件数（图源：@0x0SojalSec 推文）

二、卡片写的和仓库里的是两回事

这里必须较真。我把 HuggingFace 文件树接口翻页拉全做了逐文件统计，结果和 README 有出入：

也就是说，去掉重复副本后实际约 4500 个文件、61.97 GB。体积大头在漏洞情报目录：vulnerability-intelligence/cybersec_master.jsonl 单文件 2556 MB，同一份数据在根目录和目录内各存了副本，还有一份 2420 MB 的截断副本；ARVO 相关的崩溃复现包有 3985 个文件、51.12 GB，涉及 1358 个独立案例 ID。另外还有 21 个 docssuperpowers*.py 空脚本和 0 字节的 vapt__web-wordlists.json——扩容脚本传上去了，内容是空的。

三、下载方式（gated 需登录）

仓库状态是 gated: auto，匿名访问数据文件会直接返回 401 GatedRepo 错误，必须登录 HuggingFace 账号并在数据集页面点一次”Agree and access”（同意共享用户名与邮箱），之后命令行和直链才通。

命令行整包拉取

pip install -U "huggingface_hub[cli]"
hf auth login
hf download Vyber07/cyber-security --repo-type dataset --local-dir ./cyber-security

Python 脚本按需抓取（推荐，只拿红蓝目录，省 80GB 硬盘）

from huggingface_hub import snapshot_download
snapshot_download(
    repo_id="Vyber07/cyber-security",
    repo_type="dataset",
    allow_patterns=["red-team/*", "blue-team/*", "web-security/*"],
    local_dir="./cyber-security",
)

带 token 的直链下载

export HF_TOKEN=hf_xxxxxxxx
curl -L -H "Authorization: Bearer $HF_TOKEN" 
  -o mitre-attack-tools.json 
  "https://huggingface.co/datasets/Vyber07/cyber-security/resolve/main/red-team/mitre-attack-tools.json"

Git LFS 方式

git lfs install
git clone https://huggingface.co/datasets/Vyber07/cyber-security

数据集主页：https://huggingface.co/datasets/Vyber07/cyber-security

四、三个必须知道的雷

第一处是版权。10 月 16 日，用户 Voidreaper2026 在讨论区提交版权投诉（编号 8），指出该仓库的 vulnerability-intelligence/cybersec_master.jsonl 与他自己的 Voidreaper2026/cybersec-master-dataset 中同名文件的字节数与 SHA256 完全一致，而后者上传在前、本仓库创建在后，Apache-2.0 要求的署名与许可文本却没有出现。投诉还指出 LICENSE 里”All original content and copyrights belong to owner of the repo”这句话，是 5 月 31 日的提交 b5f4b50 把继承许可里的”Amazon Web Services (AWS)”替换掉后形成的。讨论至今未获作者回应，有网友建议直接向 dmca@huggingface.co 举报。

第二处是许可自相矛盾。卡片 front matter 写着 apache-2.0，LICENSE 正文却写着”商业使用被严格禁止””所有原创内容与版权归仓库所有者”，两套条款摆在一处，只看卡片容易吃亏。

第三处是格式和内容。6 月一条讨论里，训练者反映格式混乱、JSON 被转义、缺少 role 字段，作者回复说清洗与标准化因”基础设施限制和相关成本”暂时搁置，先把现有数据放出来给大家用。他同时提醒：部分 .gz 文件里是真实的恶意样本，只应在隔离分析环境处理，不要在常规系统上解压或执行。这句话后来没人再提，但它决定了你该怎么落地。

五、紫队视角：这份数据该给谁用

这事儿吧，得从两边儿看。

红队这波操作我给满分。把红队打法、免杀技巧、C2 框架用法做成可下载语料，等于把原本散落在几十份 PDF 和付费课程里的东西打包成一次下载。但换个角度看，这也意味着攻击方法论的边际成本被压到了接近零——同一份数据，防守方也能拿去反推自家检测规则的缺口。

蓝队真正该关心的是那份”检测与响应”侧的语料：Sigma 规则、YARA、Snort/Suricata 规则、KQL 查询、威胁狩猎查询、事件响应剧本、MITRE D3FEND 映射。这些喂进 SIEM 或 SOAR，比自己从头写检测逻辑快得多，也是这份数据集里商业价值最高、争议最小的部分。

图：红蓝两侧共用同一份攻防语料（配图由华盟网生成并授权使用）

落到实操，红队用之前，授权边界先落到纸面：目标、时间窗、允许动作、出口 IP 一条条写清，用完销毁样本仓库，别让”语料库”变成公司资产泄露的缺口。蓝队用之前先做三件事：把 __dup1 那 1678 个重复文件按哈希剔重，省下 26.55 GB 磁盘；按 MITRE ATT&CK 技术 ID 抽样人工复核，把 AI 生成的不准确规则挡在生产之外；下载与预处理全部放在隔离沙箱里，因为作者本人已明说里面有真家伙。

最后一句实话：这份数据是宝藏，也是陷阱。截至目前，该数据集的 16 条公开讨论里仍有 6 条未关闭，其中 3 条是删除请求、2 条是版权与署名争议、1 条是 README 更新请求。仓库作者在讨论区的回应始终只有”资源到位后再改”。下载之前，先把 LICENSE 和讨论区读完，比直接拉 88GB 硬盘要划算。

版权声明：本文由华盟网原创发布，保留所有权利。配图由华盟网授权使用。