支付通道检测方法、装置及终端制造方法及图纸

本申请公开了一种支付通道检测方法、装置及终端，所述方法包括：获取构成支付通道的各系统的代码运行参数，其中每个系统至少包含一段代码；通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，所述训练后的SVM多分类模型包括多个SVM分类器，一个SVM分类器用于识别出获取的代码运行参数中的一项异常运行参数；根据识别结果确定所述支付通道的异常运行部位。实施本申请，在支付通道出现异常时，无需人工介入，即可快速准确地定位出异常运行部位，在提高定位速率的同时可简化操作。

【技术实现步骤摘要】
支付通道检测方法、装置及终端
本申请涉及网络通信
，尤其涉及支付通道检测方法、装置及终端。
技术介绍
随着支付提供商和支付代理商的增加，搭建的支付平台越来越多，基于支付平台进行支付的支付通道也越来越多。在实际的支付过程中，由于支付通道涉及的支付提供商、支付代理商或支付网络比较多，难免出现支付渠道异常的情形，如：单位时间的交易成功率出现明显下降。由于单一支付通道的稳定性带有一定的不确定性，目前的支付通道维护系统很难自动定位到出问题的通道部位。因此，支付通道出现异常时，只能通过人工参与进行问题排查，而人工进行问题排查，需要大量的排查经验，且存在一定的盲目性，排查时间长且效率低。另外，排查时间长会还会影响用户的支付体验。
技术实现思路
本申请提供支付通道检测方法、装置及终端，以解决现有支付通道维护系统排查通道异常的时间长且效率低的问题。根据本申请实施例的第一方面，提供一种支付通道检测方法，包括以下步骤：获取构成支付通道的各系统的代码运行参数，其中每个系统至少包含一段代码；通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，所述训练后的SVM多分类模型包括多个SVM分类器，一个SVM分类器用于识别出获取的代码运行参数中的一项异常运行参数；根据识别结果确定所述支付通道的异常运行部位。在一个实施例中，所述通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，包括：将获取的代码运行参数输入训练后的特征提取模型，获得所述支付通道的特征；将获得的特征输入训练后的SVM多分类模型进行异常运行参数识别，获得识别结果。在一个实施例中，所述训练后的特征提取模型的生成步骤包括：在各支付通道正常运行时，以支付通道为维度，获取组成各支付通道的各系统的代码运行参数，构成各支付通道的正常数据集，其中，以支付通道为维度时，组成同一支付通道的各系统的代码运行参数划分为同一维度的数据；在每个支付通道的第m段代码异常运行时，以支付通道为维度，获取组成该支付通道的各系统的代码运行参数，构成该支付通道的异常数据集m，其中，m为大于等于1且小于等于M的整数，M为组成该支付通道的各系统的各段代码的段数总和；将每个支付通道自身的正常数据集、异常数据集m，合并为每个支付通道的训练数据集；将每个支付通道的训练数据集分别输入多个预设的特征提取模型进行训练，获得每个预设的特征提取模型输出的，每个支付通道的正常特征和异常特征m，其中，各预设的特征提取模型的模型参数不同；将每个预设的特征提取模型输出的，每个支付通道的正常特征和异常特征m，输入多个SVM分类器，获得每个预设的特征提取模型对应的识别结果；计算各项识别结果的准确率；将准确率最高的一项识别结果所对应的预设的特征提取模型，确定为训练后的特征提取模型。在一个实施例中，所述训练后的SVM多分类模型生成步骤包括：将所述训练后的特征提取模型输出的，同一支付通道的正常特征、异常特征m这M+1项特征两两组合，生成各组组合特征；将各组组合特征分别输入SVM分类器进行训练，得到分别对应各组组合特征的SVM分类器，组成训练后的SVM多分类模型。在一个实施例中，所述将获得的特征输入训练后的SVM多分类模型进行异常运行参数识别，获得识别结果，包括：将获得的特征分别输入所述训练后的SVN模型的各SVM分类器，得到各SVM分类器识别的异常运行参数。在一个实施例中，所述根据识别结果确定所述支付通道的异常运行部位，包括：计算识别结果中每项异常运行参数的数目；确定数目最多的一项异常运行参数所对应的一段代码；定位所确定的该段代码为所述支付通道的异常运行部位。根据本申请实施例的第二方面，提供一种支付通道检测装置，包括：代码参数获取模块，用于获取构成支付通道的各系统的代码运行参数，其中每个系统至少包含一段代码；异常参数识别模块，用于通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，所述训练后的SVM多分类模型包括多个SVM分类器，一个SVM分类器用于识别出获取的代码运行参数中的一项异常运行参数；异常定位模块，用于根据识别结果确定所述支付通道的异常运行部位。在一个实施例中，所述异常参数识别模块包括：特征获取模块，用于将获取的代码运行参数输入训练后的特征提取模型，获得所述支付通道的特征；识别结果获取模块，用于将获得的特征输入训练后的SVM多分类模型进行异常运行参数识别，获得识别结果。在一个实施例中，所述装置还包括：正常数据集获取模块，用于在各支付通道正常运行时，以支付通道为维度，获取组成各支付通道的各系统的代码运行参数，构成各支付通道的正常数据集，其中，以支付通道为维度时，组成同一支付通道的各系统的代码运行参数划分为同一维度的数据；第m数据集获取模块，用于在每个支付通道的第m段代码异常运行时，以支付通道为维度，获取组成该支付通道的各系统的代码运行参数，构成该支付通道的异常数据集m，其中，m为大于等于1且小于等于M的整数，M为组成该支付通道的各系统的各段代码的段数总和；训练数据集获取模块，用于将每个支付通道自身的正常数据集、异常数据集m，合并为每个支付通道的训练数据集；第一模型训练模块，用于将每个支付通道的训练数据集分别输入多个预设的特征提取模型进行训练，获得每个预设的特征提取模型输出的，每个支付通道的正常特征和异常特征m，其中，各预设的特征提取模型的模型参数不同；特征输入模块，用于将每个预设的特征提取模型输出的，每个支付通道的正常特征和异常特征m，输入多个SVM分类器，获得每个预设的特征提取模型对应的识别结果；准确率计算模块，用于计算各项识别结果的准确率；特征提取模型确定模块，用于将准确率最高的一项识别结果所对应的预设的特征提取模型，确定为训练后的特征提取模型。在一个实施例中，所述装置还包括：特征组合模块，用于将所述训练后的特征提取模型输出的，同一支付通道的正常特征、异常特征m这M+1项特征两两组合，生成各组组合特征；第二模型训练模块，用于将各组组合特征分别输入SVM分类器进行训练，得到分别对应各组组合特征的SVM分类器，组成训练后的SVM多分类模型。在一个实施例中，所述识别结果获取模块包括：识别结果获取子模块，用于将获得的特征分别输入所述训练后的SVN模型的各SVM分类器，得到各SVM分类器识别的异常运行参数。在一个实施例中，异常定位模块包括：数目计算模块，用于计算识别结果中每项异常运行参数的数目；代码确定模块，用于确定数目最多的一项异常运行参数所对应的一段代码；异常定位子模块，用于定位所确定的该段代码为所述支付通道的异常运行部位。根据本申请实施例的第三方面，提供一种终端，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为：获取构成支付通道的各系统的代码运行参数，其中每个系统至少包含一段代码；通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，所述训练后的SVM多分类模型包括多个SVM分类器，一个SVM分类器用于识别出获取的代码运行参数中的一项异常运行参数；根据识别结果确定所述支付通道的异常运行部位。应用本申请实施例，通过训练后的SVM多分类模型，对构成支付通道的各系统的代码运行参数进行异常运行参数识别，可根据识别结果确定所述支本文档来自技高网...

【技术保护点】
一种支付通道检测方法，其特征在于，包括以下步骤：获取构成支付通道的各系统的代码运行参数，其中每个系统至少包含一段代码；通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，所述训练后的SVM多分类模型包括多个SVM分类器，一个SVM分类器用于识别出获取的代码运行参数中的一项异常运行参数；根据识别结果确定所述支付通道的异常运行部位。

【技术特征摘要】
1.一种支付通道检测方法，其特征在于，包括以下步骤：获取构成支付通道的各系统的代码运行参数，其中每个系统至少包含一段代码；通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，所述训练后的SVM多分类模型包括多个SVM分类器，一个SVM分类器用于识别出获取的代码运行参数中的一项异常运行参数；根据识别结果确定所述支付通道的异常运行部位。2.根据权利要求1所述的方法，其特征在于，所述通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，包括：将获取的代码运行参数输入训练后的特征提取模型，获得所述支付通道的特征；将获得的特征输入训练后的SVM多分类模型进行异常运行参数识别，获得识别结果。3.根据权利要求2所述的方法，其特征在于，所述训练后的特征提取模型的生成步骤包括：在各支付通道正常运行时，以支付通道为维度，获取组成各支付通道的各系统的代码运行参数，构成各支付通道的正常数据集，其中，以支付通道为维度时，组成同一支付通道的各系统的代码运行参数划分为同一维度的数据；在每个支付通道的第m段代码异常运行时，以支付通道为维度，获取组成该支付通道的各系统的代码运行参数，构成该支付通道的异常数据集m，其中，m为大于等于1且小于等于M的整数，M为组成该支付通道的各系统的各段代码的段数总和；将每个支付通道自身的正常数据集、异常数据集m，合并为每个支付通道的训练数据集；将每个支付通道的训练数据集分别输入多个预设的特征提取模型进行训练，获得每个预设的特征提取模型输出的，每个支付通道的正常特征和异常特征m，其中，各预设的特征提取模型的模型参数不同；将每个预设的特征提取模型输出的，每个支付通道的正常特征和异常特征m，输入多个SVM分类器，获得每个预设的特征提取模型对应的识别结果；计算各项识别结果的准确率；将准确率最高的一项识别结果所对应的预设的特征提取模型，确定为训练后的特征提取模型。4.根据权利要求3所述的方法，其特征在于，所述训练后的SVM多分类模型生成步骤包括：将所述训练后的特征提取模型输出的，同一支付通道的正常特征、异常特征m这M+1项特征两两组合，生成各组组合特征；将各组组合特征分别输入SVM分类器进行训练，得到分别对应各组组合特征的SVM分类器，组成训练后的SVM多分类模型。5.根据权利要求4所述的方法，其特征在于，所述将获得的特征输入训练后的SVM多分类模型进行异常运行参数识别，获得识别结果，包括：将获得的特征分别输入所述训练后的SVN模型的各SVM分类器，得到各SVM分类器识别的异常运行参数。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据识别结果确定所述支付通道的异常运行部位，包括：计算识别结果中每项异常运行参数的数目；确定数目最多的一项异常运行参数所对应的一段代码；定位所确定的该段代码为所述支付通道的异常运行部位。7.一种支付通道检测装置，其特征在于，包括：代码参数获取模块，用于获取构成支付通道的各系统的代码运行参数，其中每个系统至少包含一段代码；异常参数识别模块，用于通过训练后的SVM多分类模型，对获取的代码运行参数进行异常运行参数识别，所述训练后的SVM多分类模型包括多个SVM分类器，一个SVM分类...

【专利技术属性】
技术研发人员：林圣才，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY