feat(e2e): add distributed E2E test framework with parametric traffic generation

Add run-e2e-test.sh with CLI parameters (--hits, --http-ratio, --dns, --tls,
--src-ips, --keep-analysis, --up) for configurable traffic generation. Traffic
runs from VM endpoints with multiple source IPs (alias IPs on eth0) to produce
distinct sessions for the ML pipeline. Fix curl TLS flags (--tlsv1.2 instead
of --tls-v1-2), skip redundant local verification in distributed mode, and
fix dashboard is_available() cache that never retried after ClickHouse recovery.

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

docs/architecture.md

@@ -100,12 +100,13 @@ INSERT (Native TCP :9000)
      - **Applicatif** (L7 seulement, ~73 features, `correlated=0`) — trafic HTTP non corrélé
    - **Ensemble triple voix** :
      - **Extended Isolation Forest** (isotree) — scoreur non supervisé principal
-     - **Autoencoder** (PyTorch, architecture n→64→32→16→32→64→n) — erreur de reconstruction
+     - **NFEnsemble** (PyTorch, Deep Ensemble M=5 TrafficNormalizingFlow/RealNVP) — NLL et incertitude épistémique
      - **XGBoost** — supervisé, entraîné sur les labels SOC (`soc_feedback`)
    - **Score final** : `final = meta_learner.predict(eif_norm, ae_norm, xgb_prob, volume, correlated)` avec fallback sur pondération linéaire fixe `(1-β) × ((1-α) × eif_norm + α × ae_norm) + β × xgb_prob` (α=0.30, β=0.20)
-   - **MetaLearner** (régression logistique) entraîné automatiquement sur les labels accumulés (seuil: 1000 labels)
-   - **Seuil adaptatif** par percentile, détection de dérive conceptuelle (KS + KL divergence)
-   - **fleet_detector** (NetworkX) — graphe bipartite JA4×ASN, `fleet_score`, table `fleet_detections`
+   - **MetaLearner** (MLP) entraîné automatiquement sur les labels accumulés (seuil: 1000 labels)
+   - **Seuil adaptatif** par percentile, détection de dérive conceptuelle (ADWIN + KS + KL divergence)
+   - **Détection adversariale** : incertitude inter-modèles NFEnsemble (`nf_uncertainty > NF_UNCERTAINTY_THRESHOLD`)
+   - **fleet_detector** (PyTorch Geometric GraphSAGE) — graphe bipartite JA4×ASN, `fleet_score`, table `fleet_detections`
    - **HDBSCAN** — regroupement en campagnes d'attaque
    - **Détection de navigateur** — 6 axes multifactoriels (confiance ≥ 0.55 → `LEGITIMATE_BROWSER`)
    - **ExIFFI** — importance de features native à l'EIF (alternative à SHAP)
@@ -211,7 +212,7 @@ view_ip_recurrence ───┤   │ Pré-       │   │
                       │                    │
                       │   ┌────────────┐   │  Pour chaque branche :
                       │   │ Ensemble   │   │   ├── Extended Isolation Forest (EIF)
-                      │   │ triple     │──▶│   ├── Autoencoder (PyTorch)
+                      │   │ triple     │──▶│   ├── NFEnsemble (M=5 NF, PyTorch)
                       │   │ voix       │   │   └── XGBoost (supervisé)
                       │   └────────────┘   │
                       │                    │  Score = MetaLearner(eif, ae, xgb) ou
@@ -264,9 +265,9 @@ Les deux empreintes sont générées par **ja4ebpf** (espace utilisateur Go) à
 | Capture applicative (L7) | eBPF uprobe SSL_read + kprobe tcp_recvmsg |
 | Corrélation en mémoire | Go 1.24.6 (256-shard manager, goroutines) |
 | Détection ML — EIF | Python 3.11 + isotree |
-| Détection ML — Autoencoder | Python 3.11 + PyTorch |
+| Détection ML — NFEnsemble | Python 3.11 + PyTorch |
 | Détection ML — Supervisé | Python 3.11 + XGBoost |
-| Détection ML — Ensemble | Python 3.11 + MetaLearner (régression logistique) |
+| Détection ML — Ensemble | Python 3.11 + MetaLearner (MLP) |
 | Clustering de campagnes | HDBSCAN + NetworkX (fleet detection) |
 | Explicabilité | SHAP + ExIFFI |
 | Backend dashboard | FastAPI + Jinja2 (Python 3.11) |