Cybersecurity Heimdall v1.1

Jeu de données textuel structuré pour entraîner des modèles alignés et sécurisés dans le domaine de la cybersécurité défensive.

Télécharger le dataset

Taille

21 258 dialogues système/utilisateur/assistant en Parquet

Licence

Apache 2.0

Description

‍

Cybersecurity Heimdall v1.1 est un dataset d’entraînement instructionnel dédié à la cybersécurité défensive. Il contient plus de 21 000 dialogues réalistes (triples system / user / assistant), construits à partir de plus de 100 000 sources techniques publiques. Chaque échange est conçu pour suivre des standards de sécurité tels que OWASP, NIST CSF ou MITRE ATT&CK, tout en intégrant des refus explicites pour les requêtes malveillantes.

‍

À quoi sert ce dataset ?

‍

Entraîner des modèles de langage spécialisés en cybersécurité défensive
Améliorer l’alignement éthique des LLMs sur des questions techniques sensibles
Servir de benchmark dans les tâches QA, classification ou synthèse en sécurité informatique

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui. Il est possible d’ajouter des scénarios liés à des normes régionales (RGPD, ISO 27001), des traductions multilingues ou des annotations complémentaires (niveau de risque, type d'attaque). La structure triplet permet une personnalisation facile, adaptée au fine-tuning supervisé.

‍

🔎 En résumé

Critère	Évaluation
🧩Facilité d’utilisation	⭐⭐⭐⭐⭐ (Très bonne – format standard, bien structuré)
🧼Besoin de nettoyage	⭐⭐⭐☆☆ (Faible – données déjà nettoyées et validées)
🏷️Richesse des annotations	⭐⭐⭐⭐⭐ (Excellente – structure `system/user/assistant`, diversité de domaines)
📜Licence commerciale	✅ Oui (Apache 2.0)
👨‍💻Idéal pour les débutants	⚠️ Pas totalement – contenu technique destiné à un public averti
🔁Réutilisable en fine-tuning	🔥 Parfait pour SFT LLMs défensifs
🌍Diversité culturelle	🌍 Limité – principalement axé sur les standards occidentaux (OWASP, NIST, MITRE)