feat: roadmap détection bots §2-9 — HTTP/2, cohérence, drift, flotte, Jaccard, ExIFFI, méta-learner, métriques

Étape 2 — Fingerprinting HTTP/2 dans le pipeline ML :
- Ajout du dictionnaire dict_browser_h2 (11 familles de navigateurs) dans 05_aggregation_tables.sql
- Ajout du CTE h2_agg et 4 features HTTP/2 dans 07_ai_features_view.sql :
  h2_settings_known, h2_pseudo_order_match, h2_ja4_coherence, h2_settings_rare
- Calcul du fingerprint_coherence_score (5 axes pondérés) dans la vue
- Ajout du 6e axe axis_h2_coherence dans browser.py (poids rééquilibrés)
- browser_h2.csv : 11 fingerprints Akamai → famille navigateur

Étape 3 — Pré-filtre de cohérence sur la baseline humaine :
- pipeline.py exclut les sessions avec fingerprint_coherence_score < seuil de la baseline d'entraînement
- FINGERPRINT_COHERENCE_THRESHOLD configurable via env (défaut 0.25)
- Log des sessions exclues pour analyse SOC

Étape 4 — Détection de drift améliorée :
- scoring.py : passage de 5 à 9 quantiles (p5…p95)
- Ajout de la divergence KL en complément du test KS
- Détection de drift adversarial (≥80% des features dérivent dans la même direction)
- Split temporel strict pour la validation

Étape 5 — Graphe bipartite JA4×ASN (§5.2) :
- fleet.py : détection de flottes via NetworkX + Louvain (imports optionnels)
- enrich_with_fleet_score() : ajout fleet_score + fleet_campaign_flag au DataFrame
- cycle.py : appel après preprocess_df avec log du nombre de sessions en flotte
- SQL migration 05_fleet_metrics_tables.sql : table fleet_detections (TTL 7j)
- Dashboard : /fleet + /api/fleet (communautés détectées) + template fleet.html

Étape 6 — Cross-domain Jaccard §5.8 :
- 12_thesis_features.sql : CTE jaccard_paths → cross_domain_path_similarity
- Signal : même chemins (/admin, /wp-login) sur plusieurs hosts = scanner

Étape 7 — ExIFFI + erreurs AE par feature :
- scoring.py : compute_exiffi_importance() par permutation, compute_ae_feature_errors()
- pipeline.py : calcul ExIFFI sur X_test, mapping index → dict pour anomalies
- build_reason() enrichi avec exiffi_top quand SHAP inactif

Étape 8 — Méta-learner pour la pondération de l'ensemble :
- scoring.py : classe MetaLearner (LogisticRegression, fallback poids fixes <1000 labels)
- Collecte des labels depuis le cycle courant (known_bots, légitimes, Anubis)
- pipeline.py : remplacement des poids fixes par MetaLearner.predict()

Étape 9 — Métriques de performance et monitoring :
- metrics.py : record_cycle_metrics() — taux anomalie, drift, corrélation, latence
- SQL migration 05_fleet_metrics_tables.sql : table ml_performance_metrics (TTL 90j)
- Dashboard : /health + /api/health + template health.html
- cycle.py : appel record_cycle_metrics en fin de cycle (Complet + Applicatif)

Tests : 36/36 bot-detector tests passent

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

services/dashboard/backend/routes/api.py

@@ -1633,3 +1633,45 @@ async def reflist_stats(name: str):
     except Exception as exc:
         logger.exception("reflist stats query failed for %s", name)
         raise HTTPException(status_code=500, detail=str(exc))
+
+
+@router.get("/fleet")
+async def fleet() -> dict[str, Any]:
+    """Détections de flottes JA4×ASN (§5.2)."""
+    rows = query(
+        f"SELECT detected_at, community_id, fleet_score, n_ips, ja4_set, asn_set, ip_sample "
+        f"FROM {_DB}.fleet_detections "
+        f"WHERE detected_at >= now() - INTERVAL 7 DAY "
+        f"ORDER BY fleet_score DESC "
+        f"LIMIT 100"
+    )
+    return {"fleets": rows}
+
+
+@router.get("/health")
+async def health_metrics() -> dict[str, Any]:
+    """Métriques de santé du pipeline ML (Étape 9)."""
+    rows = query(
+        f"SELECT cycle_at, model_name, total_sessions, correlated_rate, anomaly_rate, "
+        f"  critical_count, high_count, drift_rate, drift_alert, cycle_latency_ms, "
+        f"  features_valid, features_total, baseline_size, meta_learner_active "
+        f"FROM {_DB}.ml_performance_metrics "
+        f"WHERE cycle_at >= now() - INTERVAL 7 DAY "
+        f"ORDER BY cycle_at DESC "
+        f"LIMIT 500"
+    )
+    # Statistiques de synthèse
+    if rows:
+        latest = {r['model_name']: r for r in rows}
+        avg_anomaly = sum(r['anomaly_rate'] for r in rows) / len(rows)
+        avg_latency = sum(r['cycle_latency_ms'] for r in rows) / len(rows)
+    else:
+        latest = {}
+        avg_anomaly = 0
+        avg_latency = 0
+    return {
+        "metrics": rows,
+        "latest_by_model": latest,
+        "avg_anomaly_rate": round(avg_anomaly, 4),
+        "avg_latency_ms":   round(avg_latency),
+    }