license: apache-2.0
language:
- en
- fa
tags: - security
- kalilinux
KaliLinux Dataset
A cleaned instruction-following dataset focused on penetration testing, offensive security tools, and red team techniques.
Dataset Info
| Field | Value |
|---|---|
| File | cleaned_dataset.csv |
| Total rows | 434 |
| File size | ~445 KB |
| Format | CSV (instruction, input, output) |
Language
| Language | Count |
|---|---|
| Persian (فارسی) | 173 |
| English | 261 |
Output Stats
| Words | |
|---|---|
| Average | 105 |
| Minimum | 15 |
| Maximum | 331 |
Topics
- Port scanning (nmap, masscan)
- Web exploitation (SQLMap, Burp Suite, Gobuster)
- Password attacks (Hydra, Hashcat, John)
- Post-exploitation & privilege escalation
- Persistence & backdoors
- Network attacks (MitM, DNS tunneling, WiFi)
- Payload generation (msfvenom, Cobalt Strike)
- OSINT & reconnaissance
- Active Directory attacks (DCSync, Golden Ticket)
- Log & forensic evasion
Cleaning Applied
- Merged 3 source files (
dataset.csv,d2.csv,g.csv) - Removed duplicate
instruction,input,outputheader rows - Removed rows with output shorter than 15 words
- Removed 379 duplicate rows
- Removed Chinese characters from all fields
- Fixed malformed CSV escaping (
\"→ standard"")
دیتاست
یک دیتاست تمیزشده برای fine-tuning مدلهای زبانی در حوزه امنیت تهاجمی و تست نفوذ.
| فیلد | مقدار |
|---|---|
| فایل | cleaned_dataset.csv |
| تعداد ردیف | ۴۳۴ |
| حجم | ~۴۴۵ کیلوبایت |
| ساختار | CSV سهستونی |
زبان: ۱۷۳ ردیف فارسی، ۲۶۱ ردیف انگلیسی
میانگین طول خروجی: ۱۰۵ کلمه (حداقل ۱۵، حداکثر ۳۳۱)