prometheus_client_audit

El audit_agent expone métricas Prometheus con las KPIs críticas del sistema KYC: tasa de aprobación/rechazo, FAR, FRR, tiempo medio del pipeline y detecciones de fraude. Estas métricas son consumidas por Grafana para los dashboards de negocio.

When to use

Usar al persistir cada decisión de sesión. Incrementar los counters y actualizar los histogramas en el momento del commit a PostgreSQL.

Instructions

1. Instalar: pip install prometheus-client
2. Definir métricas en backend/metrics/kyc_metrics.py:

   from prometheus_client import Counter, Histogram, Gauge
   sessions_total = Counter("kyc_sessions_total", "Total sesiones procesadas", ["decision", "country"])
   pipeline_duration = Histogram("kyc_pipeline_duration_seconds", "Duración del pipeline completo", buckets=[1,2,4,6,8,10,15,30])
   fraud_detections = Counter("kyc_fraud_detections_total", "Fraudes detectados", ["fraud_type"])
   liveness_score = Histogram("kyc_liveness_score", "Distribución de scores de liveness", buckets=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0])
   face_match_score = Histogram("kyc_face_match_score", "Distribución de scores de face match", buckets=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0])
   

3. Incrementar en audit_agent.record_session() tras cada decisión.
4. Exponer endpoint /metrics en cada servicio con make_asgi_app() de prometheus_client.
5. Configurar scraping en Prometheus: scrape_interval: 15s, target audit_agent:8000/metrics.
6. Crear alerta en Alertmanager si far_rate > 0.001 (0.1%) o frr_rate > 0.05 (5%) en ventana de 1 hora.

Notes

• FAR = approved_non_matching / total_attempted_fraud. FRR = rejected_matching / total_legitimate.
• Los histogramas de score son útiles para detectar model drift: si la distribución cambia, alertar.
• Separar métricas de negocio (FAR/FRR) de métricas técnicas (latencia, CPU) — dashboards separados en Grafana.