本申请涉及网络通信技术领域，尤其涉及支付通道检测方法、装置及终端。
背景技术：
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。
技术实现要素：
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付通道的异常运行部位，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。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请支付通道的一个实施例结构示意图；
图2是本申请支付通道检测方法的一个实施例流程图；
图3是本申请支付通道检测方法的另一个实施例流程图；
图4是本申请支付通道检测装置所在终端的一种硬件结构图；
图5是本申请支付通道检测装置的一个实施例框图；
图6是本申请支付通道检测装置的另一个实施例框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，图1是本申请支付通道的一个实施例结构示意图：
图1中，支付通道10可由相互连接的业务系统11、金融系统12和网关系统构成，与银行系统20对接，业务系统11的代码可以由代码节点1、代码节点2…..代码节点j、代码节点j+1分割为j+1段代码，金融系统12的代码可以由代码节点1、代码节点2…..代码节点n、代码节点n+1分割为n+1段代码，网关系统13的代码可以由代码节点1、代码节点2……代码节点t、代码节点t+1分割为t+1段代码，代码节点位于每段代码的头部或尾部。在各代码节点处打印代码运行日志，通过解析代码运行日志，可获得对应系统的代码运行参数，即对应系统内各段代码的运行参数，其中所述代码运行参数为可表示相应系统内的各段代码运行时的特征的参数，例如代码运行次数、代码运行时间等。实际应用时，可对每段代码的代码运行参数分配唯一的标识，便于区分不同段代码的代码运行参数。
本申请实施例中，业务系统11可以向用户端提供各种业务应用，以满足不同用户端的业务需求，例如：为用户定制机票、向用户提供理财产品等。
金融系统12由连接资金盈余方和资金短缺方的一系列金融中介机构和金融市场共同构成的一个有机体，资金可通过金融系统12从资金盈余方流向资金短缺方流动，如支付宝系统等其他第三方支付平台。
网关系统13为银行系统与金融系统之间的中转系统，可包括金融系统与银行系统交互的协议转换器、内容转换器等。
银行系统20可以是某银行的一卡通支付系统、信用卡支付系统、网银在线支付系统等，进行支付时不同支付通道10对接不同的银行系统20。
在本申请的其他实施例中，支付通道由金融系统12和网关系统13构成，如支付宝系统通过网关系统与银行的一卡通支付系统对接，即支付通道由支付宝系统和网关系统组成；支付通道也可以由其他类型的系统构成，对此不申请实施例不作限制。
在实际应用时，若通过支付通道进行支付交易，支付通道异常造成支付交易失败，可自动获取构成支付通道的各系统的代码运行参数，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，根据识别结果快速确定所述支付通道的异常运行部位，进而快速弥补交易失败造成的影响。
下面将结合附图1对本申请实施例进行详细描述。
参见图2，是本申请支付通道检测方法的一个实施例流程图，该实施的方法可以下步骤201-203：
步骤201：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。
本申请实施例中，支付通道可以如图1所示，由业务系统11、金融系统12和网关系统构成，各系统的代码运行参数可以包括每个系统的每段代码的代码运行参数，代码运行参数可以是代码运行次数、代码运行时间等。
实际应用时，获取构成支付通道的各系统的代码运行参数的可选实现方式可以包括：读取在各系统的代码节点处打印的代码运行日志，从读取的日志中解析出各段代码的代码运行参数。其中，可以每隔预设时段读取一次代码运行日志，可根据实际需要设定所述预设时段，如：为了提高检测频率，预设时段可以是5秒，为了减轻数据处理压力，预设时段可以是1分钟。
步骤202：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。
本申请实施例中，对获取的代码运行参数进行异常运行参数识别，即识别出获取的代码运行参数中的异常运行参数，这里所说的异常运行参数可以定义为不符合代码正常运行时的参数特征的参数。例如：代码运行参数指一段代码的运行次数时，整个支付过程中，代码正常运行完成后运行次数为100，如果某段代码的运行次数为50，则该段代码的运行参数为异常运行参数。
通常，svm(supportvectormachine，支持向量机)分类器基于支持向量机方法进行模式识别、分类、以及回归分析，支持向量机方法，是一种二分类方法，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分。而svm多类分类可以将多类问题分解为一系列svm可直接求解的两类问题，基于这一系列svm求解结果得出最终判别结果。
实际应用时，可通过以下几种方式以将多类问题分解为一系列svm可直接求解的两类问题：
方式一：构造k个两类分类机(设共有k个类别)，其中第i个分类机把第i类同余下的各类划分开，训练时第i个分类机取训练集中第i类为正类，其余类别点为负类进行训练。判别时，输入信号分别经过k个分类机共得到k个输出值fi(x)＝sgn(gi(x))，若只有一个+1(正类)出现，则其对应类别为输入信号类别；若输出不只一个+1(不只一类声称它属于自己)，或者没有一个输出为+1(即没有一个类声称它属于自己)，则比较g(x)输出值，最大者对应类别为输入的类别。
方式二：在训练集t(共有k个不同类别)中找出所有不同类别的两两组合，共有p＝k(k-1)/2个，分别用这两个类别样本点组成两类问题训练集t(i,f),然后用求解两类问题的svm分别求得p个判别函数f(i,f)(x)＝sgn(gi,f(x))。判别时将输入信号x分别送到p个判别函数f(i,f)(x)，若f(i,f)(x)＝+1，判x为i类，i类获得一票，否则判为f类，f类获得一票。分别统计k个类别在p个判别函数结果中的得票数，得票数最多的类别就是最终判定类别。
在某些场景中，构成支付通道的各系统的代码的段数较多，为了减少输入所述训练后的svm多分类模型的参数量、以及所含的svm分类器的数量，在训练svm多分类模型以及实际检测支付通道时，可先对获取的代码运行参数进行特征提取，再将提取的特征输入svm多分类模型。
在一个例子中，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的步骤可以包括：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。
本例子中，特征提取模型可以是pca(principalcomponentanalysis，主成分分析)模型、ica(independentcomponentanalysis，独立成分分析)模型、或kpca(kernelprincipalcomponentanalysis，核主成分分析)模型等，其中pca模型通过主元分析方法，可以对高维数据进行降维处理，去除数据中的无效成分，同时最大限度的保留数据中原有特征，且其方差累计贡献率>＝85％。
在进行支付通道检测前，可预先对特征提取模型和svm多分类模型进行训练，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。其中，每个支付通道的训练数据集包括每个支付通道的m项异常数据集。
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。其中，输入每个支付通道的m项异常特征。
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。
在对特征提取模型进行训练前，可预先将构成支付通道的所有系统的各段代码统一编号，编号为m，m＝1、2、3...m，m为构成该支付通道的所有系统的代码的段数总和，支付通道可如图1所示时，m＝(j+1)+(n+1)+(t+1)，支付通道的第m段代码异常运行，即编号为m的一段代码出现故障导致其运行出现问题。
实际应用中，在合并训练数据集时，可将正常数据集作为训练数据集的一行或一列数据、每个异常数据集作为训练数据集的一行或一列数据。
在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分类器时，可对应上述将多类问题分解为一系列svm可直接求解的两类问题的两种方式，进行输入。
此外，在某些例子中，为了减少获取的数据量，可只在支付通道的某些段代码异常运行时，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，某些段代码可以是每次支付交易都会运行的代码。
在另一例子中，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。其中一组组合特征对应一个svm分类器。
本例子中，在训练svm分类器时，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，即同一支付通道的正常特征、异常特征1、异常特征2…异常特征m这m+1项特征两两组合，生成各组组合特征。
此外，在训练svm分类器时，核函数选取为高斯核函数，参数使用网格搜索法调优产生，该网格搜索法的方式是：假设参数a取值范围为[0，1]，参数b取值范围为[1，10]，则将参数a的取值范围等分为10份，将参数b的取值范围等分为10份，这样就可以形成(a，b)组合100种：(0，1)，(0，2)，…，(0.5，1)，(0.5，2)，…，(1，9)，(1，10)，将这100种参数组合分别代入svm分类器中，查看分类结果，从中选择分类效果最好的参数组合作为a和b的值。
在实际进行支付通道的检测时，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，获得识别结果的可选实现方式包括：
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。获得的特征需输入每个svm分类器。
在其他实施例中，也可以采取其他方式生成训练后的svm多分类模型，如对应上述将多类问题分解为一系列svm可直接求解的两类问题的方式二。
步骤203：根据识别结果确定所述支付通道的异常运行部位。
本申请实施例中，在所述训练后的多分类模型输出的所有异常运行参数相同，即只输出一项异常运行参数时，查找该项异常运行参数为那一段代码的代码运行参数，查找到该段代码后，确定该段代码所处的通道位置为被检测支付通道的异常运行部位；在所述训练后的多分类模型输出的各项异常运行参数不尽相同时，可分别统计相同的异常运行参数的数目，查找数目最多的一项异常运行参数为哪一段代码的代码运行参数，查找到该段代码后，确定该段代码所处的通道位置为被检测支付通道的异常运行部位。
参见图3，是本申请支付通道检测方法的另一个实施例流程图，该实施例的方法可包括以下步骤301-305：
步骤301：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。
步骤302：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。
步骤303：计算识别结果中每项异常运行参数的数目。
本申请实施例中，可根据各项异常运行参数被预先分配的标识，计算各项异常运行参数的数目，将标识相同的异常运行参数划分为同类参数，然后计算该类参数的总数目。
步骤304：确定数目最多的一项异常运行参数所对应的一段代码。
本申请实施例中，数目最多的一项异常运行参数的标识与某一段代码的代码运行参数的标识相同，可确定数目最多的一项异常运行参数与该段代码对应。
步骤305：定位所确定的该段代码为所述支付通道的异常运行部位。
本申请实施例中，定位所确定的一段代码为支付通道的异常运行部位，可确定该段代码所属的系统异常，便于快速进行系统维修，快速恢复支付通道的正常运行。
如果支付通道如图1所示，可将划分所确定的一段代码的代码节点的节点位置定位为所述支付通道的异常运行部位。
由上述实施例可知: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付通道的异常运行部位，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。
与前述支付通道检测方法的实施例相对应，本申请还提供了支付通道检测装置的实施例。
本申请支付通道检测装置的实施例可以应用在终端上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在终端的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本申请信息处理装置所在服务器的一种硬件结构图，除了图4所示的处理器410、内存420、网络接口430、以及非易失性存储器440之外，实施例中装置所在的终端通常根据该终端的实际功能，还可以包括其他硬件，对此不再赘述。
上述处理器410可被配置为：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。
参见图5，是本申请支付通道检测装置的一个实施例框图，该装置可包括：代码参数获取模块510、异常参数识别模块520和异常定位模块530。
其中，代码参数获取模块510，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520，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530，用于根据识别结果确定所述支付通道的异常运行部位。
在一个可选的实现方式中，异常参数识别模块520可包括(图5中未示出)：
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。
在另一个可选的实现方式中，支付通道检测装置还可包括(图5中未示出)：
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。
在另一个可选的实现方式中，支付通道检测装置还可包括(图5中未示出)：
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。
在另一个可选的实现方式中，所述识别结果获取模块可包括(图5中未示出)：
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。
参见图6，是本申请支付通道检测装置的另一个实施例框图，该装置可包括：代码参数获取模块610、异常参数识别模块620和异常定位模块630，异常定位模块630还包括数目计算模块631、代码确定模块632和异常定位子模块633。
其中，代码参数获取模块610，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620，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。
数目计算模块631，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632，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633，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。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。