feat(clustering): palette diversifiée, suppression scores anomalie/robot, visualisation éclatée

- Suppression de 'Score Anomalie' (avg_score) des 31→30 features de clustering
- Suppression de 'Score de détection robot' (mean_score) de la sidebar et de l'API
- Suppression de bot_ips / high_risk_ips des stats (métriques dérivées des scores supprimés)
- Redistribution des poids dans risk_score_from_centroid: UA-CH mismatch +17%,
  fuzzing +14%, headless +10%, vélocité +9%, ip_id_zero +7%
- Mise à jour des indices feature dans name_cluster et risk_score_from_centroid
- Palette 24 couleurs spectrales (cluster_color) → bleu/violet/rose/teal/amber/cyan/lime...
  Les couleurs identifient les clusters, non leur niveau de risque
- Remplacement de la légende CRITICAL/HIGH/MEDIUM/LOW par la liste des clusters actifs
- Ajout de spread_clusters(): répulsion itérative des centroïdes trop proches (50 iter)
  min_dist=0.16 → les clusters se repoussent mutuellement → visualisation plus lisible
- Interface TypeScript mise à jour (suppression mean_score, bot_ips, high_risk_ips)

Co-authored-by: Copilot <223556219+Copilot@users.noreply.github.com>

backend/routes/clustering.py

@@ -24,6 +24,7 @@ from ..services.clustering_engine import (
     FEATURE_KEYS, FEATURE_NAMES, FEATURE_NORMS, N_FEATURES,
     build_feature_vector, kmeans_pp, pca_2d, compute_hulls,
     name_cluster, risk_score_from_centroid, standardize,
+    cluster_color, spread_clusters,
 )
 
 log = logging.getLogger(__name__)
@@ -42,19 +43,9 @@ _CACHE_TTL = 1800  # 30 minutes
 _LOCK = threading.Lock()
 _EXECUTOR = ThreadPoolExecutor(max_workers=1, thread_name_prefix="clustering")
 
-# ─── Couleurs menace ──────────────────────────────────────────────────────────
-_THREAT_COLOR = {
-    0.70: "#dc2626",   # Critique
-    0.45: "#f97316",   # Élevé
-    0.25: "#eab308",   # Modéré
-    0.00: "#22c55e",   # Sain
-}
-
-def _risk_to_color(risk: float) -> str:
-    for threshold, color in sorted(_THREAT_COLOR.items(), reverse=True):
-        if risk >= threshold:
-            return color
-    return "#6b7280"
+# ─── Palette de couleurs (remplace l'ancienne logique menace) ─────────────────
+# Les couleurs sont désormais attribuées par index de cluster pour maximiser
+# la distinction visuelle, indépendamment du niveau de risque.
 
 
 # ─── SQL : TOUTES les IPs sans LIMIT ─────────────────────────────────────────
@@ -205,7 +196,11 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
         # ── 5. PCA-2D sur les features ORIGINALES (normalisées [0,1]) ────
         coords = pca_2d(X64)   # (n, 2), normalisé [0,1]
 
-        # ── 5b. Enveloppes convexes par cluster ──────────────────────────
+        # ── 5b. Dispersion — repousse les clusters trop proches ──────────
+        coords = spread_clusters(coords, km.labels, k_actual,
+                                 n_iter=60, min_dist=0.16)
+
+        # ── 5c. Enveloppes convexes par cluster ──────────────────────────
         hulls = compute_hulls(coords, km.labels, k_actual)
 
         # ── 6. Agrégation par cluster ─────────────────────────────────────
@@ -242,7 +237,7 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
             raw_stats = {"mean_ttl": mean_ttl, "mean_mss": mean_mss, "mean_scale": mean_scale}
             label_name = name_cluster(centroids_orig[j], raw_stats)
             risk       = float(risk_score_from_centroid(centroids_orig[j]))
-            color      = _risk_to_color(risk)
+            color      = cluster_color(j)
 
             # Centroïde 2D = moyenne des coords du cluster
             cxy = np.mean(cluster_coords[j], axis=0).tolist() if cluster_coords[j] else [0.5, 0.5]
@@ -282,7 +277,6 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
                 "mean_mss":     round(mean_mss, 0),
                 "mean_scale":   round(mean_scale, 1),
                 "mean_win":     round(mean_win, 0),
-                "mean_score":   round(avg_f("avg_score"),   4),
                 "mean_velocity":round(avg_f("avg_velocity"),3),
                 "mean_fuzzing": round(avg_f("avg_fuzzing"), 3),
                 "mean_headless":round(avg_f("pct_headless"),3),
@@ -338,8 +332,6 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
         # ── 9. Stockage résultat + cache IPs ─────────────────────────────
         total_ips  = sum(n_["ip_count"]  for n_ in nodes)
         total_hits = sum(n_["hit_count"] for n_ in nodes)
-        bot_ips    = sum(n_["ip_count"]  for n_ in nodes if n_["risk_score"] > 0.45 or "🤖" in n_["label"])
-        high_ips   = sum(n_["ip_count"]  for n_ in nodes if n_["risk_score"] > 0.25)
         elapsed    = round(time.time() - t0, 2)
 
         result_dict = {
@@ -349,8 +341,6 @@ def _run_clustering_job(k: int, hours: int, sensitivity: float = 1.0) -> None:
                 "total_clusters": len(nodes),
                 "total_ips":      total_ips,
                 "total_hits":     total_hits,
-                "bot_ips":        bot_ips,
-                "high_risk_ips":  high_ips,
                 "n_samples":      n,
                 "k":              k_actual,
                 "k_base":         k,