# Audit de conformité : Détection de bots vs État de l'art (Thèse)

**Date** : 7 avril 2026
**Référence** : `docs/THESIS_HTTP_Traffic_Detection.md`

---

## Légende

| Statut | Signification |
|--------|---------------|
| ✅ CONFORME | Implémenté conformément à la thèse |
| ⚠️ PARTIEL | Implémenté mais incomplet ou dégradé |
| ❌ ABSENT | Décrit dans la thèse, non implémenté |
| 🔄 DIVERGENT | Implémenté différemment de ce que décrit la thèse |

---

## 1. Architecture multi-couches (Thèse §3)

### 1.1 Pipeline global

| Composant thèse | Statut | Réalité |
|-----------------|--------|---------|
| Capture L3-L5 (ja4sentinel) | ✅ | Opérationnel — extraction TTL, IP-ID, DF, TCP win/mss/scale, JA4/JA3, ALPN, SNI |
| Capture L7 (mod_reqin_log) | ✅ | Opérationnel — headers, méthode, path, query, timestamps ns |
| Corrélation inter-couches (logcorrelator) | ✅ | Clé `src_ip:src_port`, Keep-Alive, orphelins, fenêtre 10s |
| Enrichissement GeoIP/ASN à l'ingestion | ✅ | `dict_iplocate_asn` dans `mv_http_logs` |
| Enrichissement Anubis à l'ingestion | ✅ | 5 niveaux de priorité (UA+IP > UA > IP > ASN > Country) |
| Agrégation temporelle 1h | ✅ | `agg_host_ip_ja4_1h` + `agg_header_fingerprint_1h` via MV |
| Détection ML semi-supervisée | ✅ | Dual IsolationForest (Complet/Applicatif), cycle 5min |
| Dashboard SOC | ✅ | 21+ routes, clustering, fingerprints, incidents |

**Verdict §3** : L'architecture multi-couches décrite dans la thèse est **fidèlement implémentée**. C'est le point fort de la plateforme.

---

## 2. Couche L3 — IP et paquets (Thèse §3.2)

| Signal thèse | Feature implémentée | Statut |
|--------------|---------------------|--------|
| TTL initial caractéristique de l'OS | `avg_ttl` (feature #49) | ✅ |
| Déviation TTL (`ttl_std`) | `ttl_std` (feature #50) | ✅ |
| IP ID à zéro → paquets forgés | `ip_id_zero_ratio` (feature #16) | ✅ |
| Variance bit DF | `ip_df_variance` (feature #48) | ✅ |
| Variance Total Length | `request_size_variance` (feature #17) | ✅ |
| Anomalous payload ratio (<60 ou >1500) | `anomalous_payload_ratio` (feature #33) | ✅ |

**Verdict L3** : ✅ **100% conforme**. Tous les signaux L3 décrits dans la thèse sont implémentés.

---

## 3. Couche L4 — TCP (Thèse §3.3)

| Signal thèse | Feature implémentée | Statut |
|--------------|---------------------|--------|
| Window Size × Scale (`true_window_size`) | Composants disponibles (`tcp_window`, `tcp_scale`) mais `true_window_size` non calculé comme feature ML | ⚠️ PARTIEL |
| MSS (1460 = Ethernet, <1460 = tunnel) | `mss_mobile_mismatch` (feature #19) — utilise MSS mais uniquement pour détecter le mismatch mobile | ⚠️ PARTIEL |
| Options TCP (absence timestamp/scale) | `no_window_scale_ratio` (feature #51) | ✅ |
| `tcp_shared_count` (IPs partageant même fingerprint TCP) | Feature #8 | ✅ |
| Jitter SYN→ClientHello | `tcp_jitter_variance` (feature #41) | ✅ |
| `src_port_density` | Feature #24 | ✅ |
| Keepalive count | `max_keepalives` (feature #7) | ✅ |

| Lacune | Impact |
|--------|--------|
| `true_window_size` = `window × 2^scale` non calculé comme feature indépendante | **MOYEN** — le signal est partiellement capturé par le TCP fingerprinting du dashboard (poids 20% window + 10% scale séparés) mais pas fusionné pour le ML |
| MSS comme feature ML directe (pas seulement mismatch mobile) | **MOYEN** — MSS brut permettrait de distinguer Ethernet/VPN/mobile au-delà du cas mobile |

**Verdict L4** : ⚠️ **85% conforme**. Les signaux critiques sont présents, mais `true_window_size` et MSS brut manquent comme features ML directes.

---

## 4. Couche L5 — TLS (Thèse §3.4)

| Signal thèse | Feature implémentée | Statut |
|--------------|---------------------|--------|
| JA4 + rareté | `is_rare_ja4` (feature #27) | ✅ |
| JA3 diversité dans un JA4 stable | `ja3_diversity_ratio` (feature #45) | ✅ |
| ALPN absent | `is_alpn_missing` (feature #43) | ✅ |
| SNI ≠ Host | `sni_host_mismatch` (feature #44) | ✅ |
| TLS 1.2 ratio | `tls12_ratio` (feature #47) | ✅ |
| ALPN × HTTP version mismatch | `alpn_http_mismatch` (feature #42) | ✅ |

**Verdict L5** : ✅ **100% conforme**.

---

## 5. Couche L7 — HTTP (Thèse §3.5)

| Signal thèse | Feature implémentée | Statut |
|--------------|---------------------|--------|
| HEAD requests | `head_ratio` (feature #34) | ✅ |
| HTTP/1.0 | `http10_ratio` (feature #37) | ✅ |
| Temporal entropy (Shannon) | `temporal_entropy` (feature #30) | ✅ |
| Accept-Language présent | `has_accept_language` (feature #11) | ✅ |
| Cookie présent | `has_cookie` (feature #12) | ✅ |
| Referer présent | `has_referer` (feature #13) | ✅ |
| Sec-Fetch absence | `sec_fetch_absence_rate` (feature #35) | ✅ |
| Generic Accept | `generic_accept_ratio` (feature #36) | ✅ |
| Missing Accept-Encoding | `missing_accept_enc_ratio` (feature #39) | ✅ |
| Client Hints (Sec-CH-UA) | `modern_browser_score` (feature #14) | ✅ |
| UA/Client-Hints mismatch | `ua_ch_mismatch` (feature #15) | ✅ |
| Header count | `header_count` (feature #10) | ✅ |
| Header order confidence | `header_order_confidence` (feature #28) | ✅ |

**Verdict L7** : ✅ **100% conforme**.

---

## 6. Détection ML semi-supervisée (Thèse §3.8)

| Mécanisme thèse | Implémentation | Statut |
|-----------------|----------------|--------|
| Trifurcation (known bots → Anubis → IF) | `bot_detector.py:532-693` — exactement 3 flux | ✅ |
| Dual modèle (Complet L4+L7 / Applicatif L7-only) | 45 features (corrélé) / 37 features (non corrélé) | ✅ |
| Baseline humaine (`asn_label='human'`, min 500) | `bot_detector.py:247-290` | ✅ |
| Seuil adaptatif `min(P5, -0.05)` | `bot_detector.py:422-431` | ✅ |
| Niveaux de menace (CRITICAL/HIGH/MEDIUM/LOW) | `bot_detector.py:206-215` — seuils identiques à la thèse | ✅ |
| SHAP TreeExplainer top-5 | `bot_detector.py:458-490` | ✅ |
| DBSCAN campagnes | `bot_detector.py:496-516` | ✅ |
| Pénalité de récurrence | `bot_detector.py:576-579` | ✅ |
| Dérive conceptuelle (drift) | `bot_detector.py:329-353` | 🔄 DIVERGENT |

### Divergence détection de dérive

La thèse (§3.8) mentionne le test de Kolmogorov-Smirnov pour détecter la dérive. L'implémentation utilise un **Z-score sur la moyenne** (`|current_mean - trained_mean| / trained_std > 2.0`), pas un test KS.

| Aspect | Thèse | Réalité | Impact |
|--------|-------|---------|--------|
| Méthode | Test KS (distribution complète) | Z-score (moyenne seule) | **MOYEN** — le Z-score détecte les shifts de moyenne mais manque les changements de forme de distribution (ex: bimodalité émergente) |
| Seuil | Non spécifié | 30% features driftées → retrain | Acceptable |

**Verdict ML** : ⚠️ **95% conforme**. Seule la méthode de détection de dérive diverge.

---

## 7. Taxonomie des features (Thèse §4) — Les 7 familles

### Famille 1 : Volumétrie et vitesse
| Feature thèse | Implémentée | Statut |
|---------------|-------------|--------|
| `hits` | ✅ Feature #1 | ✅ |
| `hit_velocity` | ✅ Feature #2 | ✅ |
| `max_keepalives` | ✅ Feature #7 | ✅ |

### Famille 2 : Diversité et exploration
| Feature thèse | Implémentée | Statut |
|---------------|-------------|--------|
| `fuzzing_index` | ✅ Feature #3 | ✅ |
| `path_diversity_ratio` | ✅ Feature #31 | ✅ |
| `url_depth_variance` | ✅ Feature #32 | ✅ |
| `distinct_ja4_count` | ✅ Feature #23 | ✅ |
| `distinct_header_orders` | ✅ Feature #29 | ✅ |
| `is_ua_rotating` | ✅ Feature #22 | ✅ |

### Famille 3 : Authenticité protocolaire
| Feature thèse | Implémentée | Statut |
|---------------|-------------|--------|
| `modern_browser_score` | ✅ Feature #14 | ✅ |
| `ua_ch_mismatch` | ✅ Feature #15 | ✅ |
| `has_accept_language` | ✅ Feature #11 | ✅ |
| `has_cookie` | ✅ Feature #12 | ✅ |
| `has_referer` | ✅ Feature #13 | ✅ |
| `sec_fetch_absence_rate` | ✅ Feature #35 | ✅ |
| `generic_accept_ratio` | ✅ Feature #36 | ✅ |
| `missing_accept_enc_ratio` | ✅ Feature #39 | ✅ |
| `header_count` | ✅ Feature #10 | ✅ |
| `header_order_confidence` | ✅ Feature #28 | ✅ |

### Famille 4 : Cohérence cross-layer
| Feature thèse | Implémentée | Statut |
|---------------|-------------|--------|
| `alpn_http_mismatch` | ✅ Feature #42 | ✅ |
| `is_alpn_missing` | ✅ Feature #43 | ✅ |
| `sni_host_mismatch` | ✅ Feature #44 | ✅ |
| `mss_mobile_mismatch` | ✅ Feature #19 | ✅ |
| `tls12_ratio` | ✅ Feature #47 | ✅ |
| `http10_ratio` | ✅ Feature #37 | ✅ |
| `tcp_jitter_variance` | ✅ Feature #41 | ✅ |
| `syn_timing_cv` | ✅ Feature #46 | ✅ |

### Famille 5 : Empreinte réseau
| Feature thèse | Implémentée | Statut |
|---------------|-------------|--------|
| `ip_id_zero_ratio` | ✅ Feature #16 | ✅ |
| `request_size_variance` | ✅ Feature #17 | ✅ |
| `anomalous_payload_ratio` | ✅ Feature #33 | ✅ |
| `avg_ttl` | ✅ Feature #49 | ✅ |
| `ttl_std` | ✅ Feature #50 | ✅ |
| `no_window_scale_ratio` | ✅ Feature #51 | ✅ |
| `ip_df_variance` | ✅ Feature #48 | ✅ |
| `tcp_shared_count` | ✅ Feature #8 | ✅ |
| `port_exhaustion_ratio` | ✅ Feature #5 | ✅ |
| `src_port_density` | ✅ Feature #24 | ✅ |

### Famille 6 : Comportement de navigation
| Feature thèse | Implémentée | Statut |
|---------------|-------------|--------|
| `asset_ratio` | ✅ Feature #20 | ✅ |
| `direct_access_ratio` | ✅ Feature #21 | ✅ |
| `orphan_ratio` | ✅ Feature #6 | ✅ |
| `temporal_entropy` | ✅ Feature #30 | ✅ |
| `post_ratio` | ✅ Feature #4 | ✅ |
| `head_ratio` | ✅ Feature #34 | ✅ |
| `http_scheme_ratio` | ✅ Feature #40 | ✅ |

### Famille 7 : Intelligence contextuelle
| Feature thèse | Implémentée | Statut |
|---------------|-------------|--------|
| `ja4_asn_concentration` | ✅ Feature #25 | ✅ |
| `ja4_country_concentration` | ✅ Feature #26 | ✅ |
| `is_rare_ja4` | ✅ Feature #27 | ✅ |
| `header_order_shared_count` | ✅ Feature #9 | ✅ |
| `ja3_diversity_ratio` | ✅ Feature #45 | ✅ |
| `anubis_is_flagged` | ✅ Feature #38 | ✅ |
| `multiplexing_efficiency` | ✅ Feature #18 | ✅ |

**Verdict §4** : ✅ **100% des 51 features** de la taxonomie sont implémentées.

---

## 8. Techniques originales proposées (Thèse §5) — TOUTES ABSENTES

C'est ici que la plateforme diverge massivement de l'état de l'art proposé.

### 8.1 Path Sequence Entropy (§5.1)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| Entropie de Markov ordre 1 sur séquences de chemins | Formule définie | ❌ NON IMPLÉMENTÉ |
| `groupArray(path)` dans l'agrégation | Requis | ❌ Absent — les agrégations ne stockent que `uniq_paths` (cardinalité), pas les séquences |
| UDF ClickHouse pour entropie de transition | Requis | ❌ Absent |

**Impact** : La plateforme mesure la *diversité* des chemins (`path_diversity_ratio`) mais pas leur *ordre*. Un crawler parcourant `/a`, `/b`, `/c` en ordre alphabétique est indistinguable d'un humain visitant les mêmes pages de manière organique. Cette technique est **la plus impactante** des 8 car elle exploite un signal déjà partiellement capturé.

**Prérequis d'implémentation** :
1. Ajouter `groupArray(path)(100)` dans `agg_host_ip_ja4_1h` (ou nouvelle table `agg_path_sequences_1h`)
2. UDF ClickHouse ou calcul Python dans `view_ai_features_1h` / `bot_detector.py`
3. Nouvelle feature : `path_transition_entropy`

### 8.2 Graphe bipartite JA4×ASN (§5.2)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| Graphe bipartite G = (JA4 ∪ ASN, E) | Formule définie | ❌ NON IMPLÉMENTÉ |
| Détection de communautés (Louvain) | Requis | ❌ Absent |
| `fleet_score` | Métrique définie | ❌ Absent |

**Impact** : `ja4_asn_concentration` détecte quand un JA4 est concentré dans un ASN, mais ne détecte pas les **flottes distribuées** utilisant N JA4 × M ASN. Un botnet rotatif avec 10 JA4 sur 50 ASN est invisible avec les features actuelles car chaque paire (JA4, ASN) paraît banale individuellement.

**Prérequis** : Bibliothèque Python `networkx` ou `igraph`, calcul batch dans `bot_detector.py` (pas en SQL — trop complexe pour ClickHouse).

### 8.3 Request Cadence Fingerprint (§5.3)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| CV des intervalles inter-requêtes | Formule définie | ❌ NON IMPLÉMENTÉ |
| Autocorrélation lag-1 | Formule définie | ❌ NON IMPLÉMENTÉ |
| Ratio burst/pause | Formule définie | ❌ NON IMPLÉMENTÉ |
| Loi de Benford sur Δt | Formule définie | ❌ NON IMPLÉMENTÉ |

**Impact** : Actuellement, `hit_velocity` (moyenne) et `temporal_entropy` (distribution horaire) sont les seuls signaux temporels. Le *rythme* précis des requêtes est un signal extrêmement discriminant : un bot avec `sleep(1.0)` a un CV ≈ 0.01, un humain a un CV ≈ 2.0. C'est la **deuxième technique la plus impactante**.

**Prérequis** :
1. `groupArray(time)(1000)` dans l'agrégation (ou table dédiée)
2. Calcul `arrayDifference()` + `arrayReduce('stddevPop', ...)` / `arrayReduce('avg', ...)` en SQL
3. 4 nouvelles features : `cadence_cv`, `cadence_autocorr_lag1`, `burst_pause_ratio`, `benford_deviation`

### 8.4 Resource Dependency Tree (§5.4)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| Cascade HTML→CSS→JS→Images | Formule définie | ❌ NON IMPLÉMENTÉ |
| Délai racine→première-feuille | Métrique définie | ❌ NON IMPLÉMENTÉ |
| Simultanéité des feuilles | Métrique définie | ❌ NON IMPLÉMENTÉ |

**Impact** : `asset_ratio` détecte les bots qui ne chargent pas les assets, mais les scrapers modernes (Playwright) les chargent tous. Seul l'*ordre temporel* des chargements les trahit. Impact moyen car requiert des données intra-page-view qui ne sont pas dans les agrégations actuelles.

**Prérequis** : Préserver l'ordre temporel intra-session dans les agrégations, distinguer HTML/CSS/JS/image par extension ou Accept header.

### 8.5 Intra-Session JA4 Drift (§5.5)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| Segmentation 10min + JA4 dominant | Formule définie | ❌ NON IMPLÉMENTÉ |
| Drift ratio (transitions / segments) | Formule définie | ❌ NON IMPLÉMENTÉ |
| Corrélation drift × changement de comportement | Décrit | ❌ NON IMPLÉMENTÉ |

**Impact** : `distinct_ja4_count` compte les JA4 distincts mais ne capture pas le *moment* du changement. Un APT changeant d'outil en cours de session (reconnaissance GET → exploitation POST) serait détecté comme `distinct_ja4_count=2` sans contexte temporel. Impact modéré — nécessite des sessions longues (>10min) et des attaquants sophistiqués.

**Prérequis** : `groupArray(ja4)` ordonnée par time dans l'agrégation, calcul de transitions en SQL ou Python.

### 8.6 DNS Shadow Analysis (§5.6)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| Capture DNS passive (UDP/53) | Requis | ❌ ja4sentinel ne capture PAS le DNS |
| `dns_shadow_ratio` | Formule définie | ❌ NON IMPLÉMENTÉ |

**Impact** : Technique puissante (bots avec /etc/hosts ou DoH privé sont invisibles aux DNS locaux) mais nécessite une **extension majeure de ja4sentinel** pour capturer les paquets UDP/53. Coût d'implémentation élevé.

**Prérequis** : Modifier `capture.go` pour capturer UDP/53, nouveau type de log réseau, nouveau pipeline de corrélation DNS↔HTTP.

### 8.7 Compression Ratio Invariant (§5.7)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| Ratio compression effectif par session | Requis | ❌ NON IMPLÉMENTÉ |
| Timing post-Brotli vs post-gzip | Requis | ❌ NON IMPLÉMENTÉ |

**Impact** : Nécessite une **instrumentation côté serveur** (Apache) pour mesurer les tailles pré/post-compression. Le module `mod_reqin_log` ne capture pas ces métriques. Coût d'implémentation élevé.

**Prérequis** : Modifier `mod_reqin_log.c` pour capturer `Content-Length` pré-compression et taille envoyée, propager dans le log JSON.

### 8.8 Cross-Domain Session Linking (§5.8)

| Aspect | Thèse | Réalité |
|--------|-------|---------|
| Host diversity par IP | Partiellement — `view_dashboard_entities` fait un UNION ALL par host | ⚠️ PARTIEL |
| Host sweep speed | Formule définie | ❌ NON IMPLÉMENTÉ |
| Host coverage uniformity | Formule définie | ❌ NON IMPLÉMENTÉ |
| Cross-domain path similarity (Jaccard) | Formule définie | ❌ NON IMPLÉMENTÉ |

**Impact** : L'agrégation actuelle est par `(window, src_ip, ja4, host)` — un scan horizontal sur 10 vhosts apparaît comme 10 lignes distinctes sans score cross-domain. Le dashboard (`view_dashboard_entities`) calcule des statistiques par entité mais **pas de features ML cross-domain**. Impact significatif en environnement multi-host.

**Prérequis** :
1. Nouvelle vue d'agrégation par `(window, src_ip)` sans décomposition par host
2. Features : `host_diversity`, `host_sweep_speed`, `host_coverage_uniformity`
3. Calcul Jaccard en Python (trop complexe pour SQL natif)

---

## 9. Lacunes additionnelles identifiées (au-delà de la thèse)

### 9.1 Boucle de feedback supervisée

| Aspect | Thèse §6.2 | Réalité | Statut |
|--------|-------------|---------|--------|
| Les classifications SOC devraient être réinjectées dans l'entraînement | Mentionné comme piste | `audit_logs` + `/api/analysis/{ip}/classify` existent mais ne sont JAMAIS lus par `bot_detector.py` | ❌ ABSENT |

**Impact CRITIQUE** : Le SOC classifie des IPs (vrai positif / faux positif), mais cette connaissance est perdue. Le modèle ne s'améliore jamais à partir du feedback humain. C'est le **manque le plus fondamental** de la plateforme.

### 9.2 Détection brute-force

| Aspect | Thèse §3.5 | Réalité | Statut |
|--------|-------------|---------|--------|
| Analyse comportementale HTTP riche | Décrit | `POST >= 10` en 24h seulement | ⚠️ MINIMALISTE |

La détection brute-force ignore : les codes de réponse (401/403), les timing patterns, le ratio succès/échec, la diversité des credentials (estimable via query param diversity).

### 9.3 DBSCAN non-adaptatif

| Aspect | Thèse §3.8 | Réalité | Statut |
|--------|-------------|---------|--------|
| Détection de campagnes | DBSCAN décrit | `eps=0.5` hardcodé, `min_samples=3` | ⚠️ PARTIEL |

**Impact** : `eps=0.5` est un choix arbitraire. Selon la distribution des données, cela peut fusionner des campagnes distinctes ou fragmenter une campagne en micro-clusters. L'état de l'art recommande HDBSCAN (adaptatif, sans eps) ou au minimum un tuning automatique via silhouette score.

### 9.4 TCP fingerprinting statique

| Aspect | Thèse §3.3 | Réalité | Statut |
|--------|-------------|---------|--------|
| p0f-style extensible | Référencé | 27 signatures codées en dur | ⚠️ PARTIEL |

La base de signatures n'est pas extensible par configuration. Pas de mise à jour communautaire (contrairement à p0f qui a une base maintenue).

### 9.5 Vérification active

| Aspect | Thèse §2.5 | Réalité | Statut |
|--------|-------------|---------|--------|
| Challenges JS, CAPTCHA, browser fingerprinting | État de l'art décrit (BotD, etc.) | **ZÉRO** vérification active | ❌ ABSENT |

La plateforme est **100% passive**. Aucun challenge n'est envoyé aux clients suspects. C'est un choix architectural (pas de modification du trafic), mais la thèse le mentionne comme état de l'art.

---

## 10. Synthèse quantitative

### Conformité par section

| Section thèse | Items | Conformes | Partiels | Absents | Score |
|---------------|-------|-----------|----------|---------|-------|
| §3 Architecture | 8 | 8 | 0 | 0 | **100%** |
| §3.2 L3 IP | 6 | 6 | 0 | 0 | **100%** |
| §3.3 L4 TCP | 7 | 5 | 2 | 0 | **86%** |
| §3.4 L5 TLS | 6 | 6 | 0 | 0 | **100%** |
| §3.5 L7 HTTP | 13 | 13 | 0 | 0 | **100%** |
| §3.8 ML | 9 | 8 | 0 | 1 | **89%** |
| §4 Taxonomie (51 features) | 51 | 51 | 0 | 0 | **100%** |
| §5 Techniques originales | 8 | 0 | 1 | 7 | **6%** |

### Score global

| Catégorie | Score |
|-----------|-------|
| **Base existante** (§2-4) : features, pipeline, ML | **97%** conforme |
| **Techniques avancées** (§5) : les 8 innovations | **6%** conforme |
| **Score pondéré global** | **~72%** |

---

## 11. Plan d'action par priorité d'impact

### Priorité 1 — Impact maximal, coût modéré

| # | Action | Technique thèse | Effort | Impact détection |
|---|--------|----------------|--------|-----------------|
| 1 | **Boucle de feedback supervisée** | §6.2 | Moyen | 🔴 CRITIQUE — sans cela le modèle ne s'améliore jamais |
| 2 | **Request Cadence Fingerprint** | §5.3 | Moyen | 🔴 CRITIQUE — discrimine immédiatement bots réguliers vs humains |
| 3 | **Path Sequence Entropy** | §5.1 | Moyen | 🟠 ÉLEVÉ — distingue crawlers systématiques vs navigation organique |
| 4 | **Cross-Domain Session Linking** (features ML) | §5.8 | Faible | 🟠 ÉLEVÉ — scan horizontal invisible actuellement |

### Priorité 2 — Impact significatif, coût modéré

| # | Action | Technique thèse | Effort | Impact détection |
|---|--------|----------------|--------|-----------------|
| 5 | **HDBSCAN** remplacer DBSCAN | §3.8 | Faible | 🟡 MOYEN — meilleure détection de campagnes |
| 6 | **Drift KS** remplacer Z-score | §3.8 | Faible | 🟡 MOYEN — détection de dérive plus robuste |
| 7 | **Bipartite Fleet Graph** | §5.2 | Élevé | 🟡 MOYEN — botnets distribués à JA4/ASN rotatifs |
| 8 | **Intra-Session JA4 Drift** | §5.5 | Moyen | 🟡 MOYEN — APT multi-phases |
| 9 | **true_window_size** + MSS brut comme features | §3.3 | Faible | 🟡 MOYEN — meilleur fingerprinting L4 |

### Priorité 3 — Impact modéré, coût élevé

| # | Action | Technique thèse | Effort | Impact détection |
|---|--------|----------------|--------|-----------------|
| 10 | **Resource Dependency Tree** | §5.4 | Élevé | 🟡 MOYEN — Playwright/headless |
| 11 | **TCP fingerprint extensible** (p0f-style) | §3.3 | Moyen | 🟢 FAIBLE — 27 signatures couvrent le gros |
| 12 | **Brute-force avancée** (codes réponse, timing) | §3.5 | Moyen | 🟡 MOYEN |

### Priorité 4 — Nécessite modifications architecturales

| # | Action | Technique thèse | Effort | Impact détection |
|---|--------|----------------|--------|-----------------|
| 13 | **DNS Shadow Analysis** | §5.6 | Très élevé | 🟠 ÉLEVÉ — requiert extension sentinel UDP/53 |
| 14 | **Compression Ratio Invariant** | §5.7 | Très élevé | 🟡 MOYEN — requiert modification mod_reqin_log |
| 15 | **Vérification active** (JS challenges) | §2.5 | Très élevé | 🟠 ÉLEVÉ — changement de paradigme |

---

## 12. Conclusion

La plateforme ja4-platform implémente **fidèlement 97% de la base** décrite dans la thèse : l'architecture multi-couches, les 51 features des 7 familles, le pipeline ML semi-supervisé avec trifurcation, SHAP, DBSCAN, et récurrence. C'est un acquis solide.

**Le fossé majeur est dans les techniques avancées** (§5 de la thèse) : aucune des 8 techniques originales n'est implémentée. Ces techniques exploitent des signaux **temporels** (séquences de chemins, cadence inter-requêtes), **structurels** (graphes JA4×ASN), et **cross-domain** (sessions multi-host) qui sont les angles morts de la détection actuelle.

**La lacune la plus critique** n'est pas une technique spécifique mais l'absence de **boucle de feedback** : les classifications SOC sont stockées mais jamais réinjectées dans l'entraînement, empêchant toute amélioration itérative du modèle.

**Pour atteindre l'état de l'art sans concession**, les actions 1 à 4 du plan (feedback loop, cadence fingerprint, path entropy, cross-domain linking) couvrent ~80% de l'écart restant avec un coût d'implémentation modéré.