一种用于优先成功的动态支付路由方法、系统及装置与流程

1.本发明涉及动态路由技术领域，尤其涉及一种用于优先成功的动态支付路由方法、系统及装置。


背景技术：

2.支付路由作为支付中的重要一环，路由结果很大程度上直接关系到客户的支付体验，但路由一般都是从静态决策参数角度出发，同一个客户重试多次结果都相同，容易导致客户多次失败，很少有考虑到线上时刻变化的通道的影响；然而线上通道并不是一直稳定，当通道出现网络问题导致耗时增长，网络不通，成功率降低等情况时，现有技术方案往往不能很好的解决，造成客户支付体验较差。再加上不同产品对支付体验关注点往往不同，有的注重成本，有的注重时效性，复杂的多变的需求，对现有静态路由方案提出了很大挑战。


技术实现要素：

3.为解决现有状况的不足，本技术针对以上背景技术的缺陷，利用动态路由的技术关注线上支付环境的变化，可以基于预设的交易策略满足不同的支付需求，并且最大可能地保证支付成功，无需客户自己多次尝试支付。提高路由支付的成功率以及提升用户体验。
4.本技术第一方面涉及一种用于优先成功的动态支付路由方法，其特征在于，包括：
5.s1、筛选出可用的支付路由通道；
6.s2、判断所述可用的支付路由通道的数量是否大于1；
7.优选地，当判断可用的支付路由通道为0时，则反馈无可用通道；当判断可用的支付路由通道为1时，则直接将交易信息发送到相应的支付路由通道执行支付并反馈执行结果；
8.s3、如果所述支付路由通道的数量大于1，则进行第一路由排序，所述第一路由排序包括基于往期预设期间的可用支付路由通道的第一数据，用深度学习算法预测各个支付路由通道第一数据，利用梯度计算方法，划分预测的第一数据范围并给予不同范围不同的梯度值，利用预设的所述梯度值的权重、第二数据、第二数据权重，结合所述梯度值用加权平均法计算各个可用支付路由通道的加权值，并从大到小排序形成第一路由通道顺序；
9.优选地，所述第一数据包括通道耗时，所述第二数据包括优先级值及通道成本；
10.优选地，所述深度学习算法包括深度卷积神经网络模型；
11.优选地，所述步骤s3还包括对第一数据预测值进行误差优化，所述误差优化方法采用随机梯度下降算法；
12.s4、将第一路由通道顺序按照成功优先的规则进行第二路由排序，所述成功优先规则包括如果各个可用支付路由通道最近一次存在执行失败的情况，则把最近一次执行失败的路由通道按照第一路由通道顺序的相对顺序依次降序排到第一路由通道顺序的最后位置，生成第二路由通道顺序；
13.优选地，所述成功优先规则还包括基于预设期间往期的可用支付路由通道的支付
成功率的大小将第一路由通道顺序排序并形成第二路由通道顺序；
14.s5、按照第二路由通道顺序，将交易信息发送到排序第一的支付路由通道，如果执行交易成功，则反馈交易成功；否则，进一步判断执行支付失败是否是用户原因，是则直接将失败原因反馈给用户，否则将相应失败路由按照成功优先规则再次排序并更新第二路由通道顺序；
15.s6、判断是否满足终止条件，是则终止用户支付，否则执行s5。
16.优选地，所述终止条件包括达到支付时间或执行支付次数的限制。
17.本技术第二方面涉及一种用于优先成功的动态支付路由系统，包括：
18.可用通道筛选模块，用于筛选出可用的支付路由通道；
19.第一路由排序模块，用于在可用支付路由通道数量大于1时候对支付路由通道进行第一路由排序形成第一路由通道顺序；
20.第二路由通道优先排序模块，基于第一路由通道顺序利用成功优先规则进行第二路由排序，得到第二路由通道优先顺序；
21.支付模块，按照第二路由通道优先顺序将交易信息发送到相应路由通道执行支付，支付成功则反馈支付成功，支付失败则分析支付失败原因，对非客户原因的支付路由通道按照成功优先规则重新排序并更新第二路由通道优先顺序；
22.终止重试模块，判断是否满足终止条件，满足则终止，否则返回支付模块继续执行支付。
23.本技术第三方面涉及一种用于优先成功的动态支付路由装置，包括：输入装置、网络接口、处理器、深度学习装置、存储介质和总线，所述输入装置用于输入往期预设期间可用支付路由通道的第一数据，所述深度学习装置利用输入的第一数据进行深度学习输出第一数据预测值，所述网络接口用于提供网络进行数据交互，所述存储介质存储有所述处理器可执行的机器可读指令，当服务器运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行上面所述用于优先成功的动态支付路由的方法。
24.本技术第四方面涉及一种计算机产品，其特征在于，所述计算机产品包括执行用于优先成功的动态支付路由方法的程序。
25.本发明的有益效果为：通过采用本发明，可以应对线上动态多变的支付环境，可以基于预设的支付交易策略对支付路由进行偏重选择，并且最大可能地提高客户支付成功率及客户体验。
附图说明
26.图1为本发明的用于优先成功的动态支付路由方法的流程示意图。
具体实施方式
27.为了更清楚的理解本发明的内容，将结合附图和实施例详细说明。
28.但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。这里使用的词语“一”、“一个
(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
29.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。本发明是已有专利技术的改进，所以对于本技术未描述的部分以现有技术来实现。
30.图1为本发明的用于优先成功的动态支付路由方法的流程示意图。具体包括以下步骤：
31.s1、筛选出可用的支付路由通道；
32.基于往期的支付路由通道的交易数据，对其中的客户信息、渠道信息、业务类型、全局流水号、子交易序号、交易类型等进行提取，然后分别根据这些信息从已配置的通道里筛选符合条件的通道。
33.s11、首先识别业务类型，按照业务类型对交易报文字段进行检查，判断是否有参数格式错误或者遗漏，例如有的业务交易字段要求文字，有的业务交易字段要求数字，按照业务不同要求对其交易报文字段进行检查；
34.s12、判断无格式错误及遗漏的交易通道是否特殊指定，如果是特殊指定，则直接放入最终候选通道结果集合finalroutelist中。
35.s13、如果不是特殊指定则根据支付业务获取支持该支付业务所有通道，路由通道结果存放到对应的firstroutelist集合中；
36.s14、利用客户信息中的收付款对手行信息，对第一轮获取的firstroutelist集合中的支付通道检查是否支持该银行的通道，存放到第二轮过滤集合secondroutelist中。
37.s15、将secondroutelist的路由通道依次通过动态参数过滤检查器，过滤掉不合适的通道，结果存放到finalroutelist，动态过滤检查器主要为对一些可能经常变动的参数或配置组合而成。目前可以设置依次对通道启停状态检查、通道日切维护检查、通道协议检查、特殊通道参数检查、通道单笔限额检查，此处利用装饰器模式加策略模式设计通道过滤器，利用apollo配置中心对需要做的检查及策略进行实时变更，可以做到实时新增或者修改控制器，达到灵活配置化目的；
38.s16、最终得到finalroutelist的可用支付路由通道。
39.s2、判断所述可用的支付路由通道的数量是否大于1；
40.优选地，当判断可用的支付路由通道为0时，则反馈无可用通道；当判断可用的支付路由通道为1时，则直接将交易信息发送到相应的支付路由通道执行支付并反馈执行结果；
41.s3、如果所述支付路由通道的数量大于1，则进行第一路由排序，所述第一路由排序包括基于往期预设期间的可用支付路由通道的第一数据，用深度学习算法预测各个支付路由通道第一数据，利用梯度计算方法，划分预测的第一数据范围并给予不同范围不同的梯度值，利用预设的所述梯度值的权重、第二数据、第二数据权重，结合所述梯度值用加权平均法计算各个可用支付路由通道的加权值，并从大到小排序形成第一路由通道顺序；
42.优选地，所述第一数据包括通道耗时，所述第二数据包括优先级值及通道成本；
43.优选地，所述深度学习算法包括深度卷积神经网络模型；
44.优选地，所述步骤s3还包括对第一数据预测值进行误差优化，所述误差优化方法采用随机梯度下降算法；
45.具体实施例采用通道耗时、通道成本以及预设的优先级来设置对支付路由通道的偏好，具体的有关参数设置可用由银行在后台设置或者由银行选择一些参数让用户进行自行选择偏好成本或者节省时间，银行可以采用不同的支付交易策略对参数进行配置。例如利用往期每天海量的支付交易数据，搭建卷积网络做深度学习，对通道耗时进行预测，因为耗时评测标准为越短越好，不好直接进行评测计算，因此，此处采用梯度计算法，将耗时按范围划分为多个区间，最短区间可取100，其后区间依次递减，由此得到各个耗时范围的梯度值，同理其他的数据也可以基于相似的思维赋予不同的数据范围或数值不同的梯度值，如优先级分为几个范围而有不同的数值；而通道成本计算规则包括按笔计费，按次计费，梯度计费，通道成本也可以基于往期数据取均值而获得，也可以在每个支付路由通道执行支付前由银行进行设置，之后将通道成本预设在各个支付理由通道；优先级值可以根据对不同用户与银行之间的提供的服务内容而进行预先设置；如无优先级，可以对各个支付路由通道不进行设置或者设置一个固定值；之后将通道耗时、通道成本以及预设的优先级值及其各自预设的各个数值的权重进行加权求平均，之后把权值按照大小排序形成第一路由通道顺序，设交易成本c，优先级值s，预测耗时t,同时设置三个参数分别设置权值wc、ws、wt，权值计算公式为：w＝c*wc+s*ws+t*wt；
46.s4、将第一路由通道顺序按照成功优先的规则进行第二路由排序，所述成功优先规则包括如果各个可用支付路由通道最近一次存在执行失败的情况，则把最近一次执行失败的路由通道按照第一路由通道顺序的相对顺序依次降序排到第一路由通道顺序的最后位置，生成第二路由通道顺序；
47.优选地，所述成功优先规则还包括基于预设期间往期的可用支付路由通道的支付成功率的大小将第一路由通道顺序排序并形成第二路由通道顺序；
48.获得第一路由通道顺序后，由于第一次路由通道顺序是基于交易策略与应对线上动态支付环境的变化，而为了确保最大概率地确保交易成功，需要对形成地第一路由通道顺序进行排序，第二次排序的目的是为了尽可能地执行支付成功，并且在不满足终止条件下自动多次按照第二路由通道顺序进行重试支付。成功优先规则可以基于往期可用支付路由通道的成功率，同时也可以基于执行支付过程中的失败通道动态调整成功率，按照从大到小进行排序，如果路由通道的支付成功率相同，则不更改成功率相等路由通道的第一次路由通道相对顺序；也可以基于最近一次的支付路由通道存在执行失败的情况，则将把最近一次执行失败的路由通道按照第一路由通道顺序的相对顺序依次降序排到第一路由通道顺序的最后位置，如有5个可用支付路由通道，第1与第3支付路由通道由于最近一次存在执行支付失败的情况，则把第1与第3支付路由通道依然按照相对顺序放到第一路由通道顺序的最后位置，即第1支付路由通道最终放到第4位，第3支付路由通道放到第5位，原来第1与第3支付路由通道的相对顺序相对不变，因此生成第二路由通道顺序；
49.s5、按照第二路由通道顺序，将交易信息发送到排序第一的支付路由通道，如果执行交易成功，则反馈交易成功；否则，进一步判断执行支付失败是否是用户原因，是则直接将失败原因反馈给用户，否则将相应失败路由按照成功优先规则再次排序并更新第二路由
通道顺序；
50.具体实施例中将交易信息发送到排序第一的支付路由通道执行支付，利用回调函数获得支付结果，如果支付成功，则直接结束；如果支付失败；则分析是否客户的失败(如余额不足，密码错误，持卡人信息有误等)原因，是则反馈给客户，否则此次失败缓存到redis中，将此次失败的路由通道按照成功优先的规则进行再次排序并更新第二路由通道顺序；
51.s6、判断是否满足终止条件，是则终止用户支付，否则执行s5。
52.优选地，所述终止条件包括达到支付时间或执行支付次数的限制；
53.具体实施例可以采用对规定时间内或支付的次数进行判断是否达到终止条件，如果达到了终止条件，无成功支付则反馈支付失败，如果没有达到终止条件，则可以按照更新后的第二路由通道顺序进行将交易信息发送到相应的路由通道，执行s5；
54.本技术第二方面涉及一种用于优先成功的动态支付路由系统，包括：
55.可用通道筛选模块，用于筛选出可用的支付路由通道；
56.第一路由排序模块，用于在可用支付路由通道数量大于1时候对支付路由通道进行第一路由排序形成第一路由通道顺序；
57.所述第一路由通道顺序主要是利用深度学习算法对线上动态的数据进行预测，之后基于预测数据进行权值计算。如通道耗时预测，采用深度卷积神经网络模型，由输入层，卷积层，池化层，全连接层，输出层构成，并且可以在输出层之后对输出的数据进行误差优化；
58.s21、输入层
59.依托线上巨大的交易量，对可用通道数据采取耗时参数，将每日交易量按小时维度进行划分，设置定时任务读取数据，生成输入的矩阵数据。
60.s22、卷积层
61.卷积层作为本网络的核心部分，其目的是学习输入的特征表示，卷积核的大小与局部特征的采样率和复杂度有关，需要预测并不复杂，所以设计所需的无线网状骨干网络(3
×
3)使用开源的ns3作为网络仿真器完成模拟，为接近边缘信息丢失产生误差的问题，采用padding算法对输入信息进行一些填充，在信息周围补充一些额外的参数，把这些像素点初始化为0，实现运算都是从“中心点”有效信息开始。
62.s23、池化层
63.采用常见的全局平均池化层(global average pooling，gap)设计，使用全局平均池化来代替该全连接层进行降维，通过保留前面卷积层和池化层提取到的信息，提升系统的整体精度；此外，避免在全连接层容易出现的过拟合问题，让局部模型有更强的抽象能力；降采样操作可以使模型更关注于全局特征而非局部特征的位置，提升容错能力。
64.利用im2col函数将输入数据展开以适合权重，将输入的数据应用im2col后转化为二维数据，对于实际中重叠的数据区域，展开后的元素个数会多于原方块的元素个数，因此也会导致比普通实现占用更多的内存。但以空间换时间的设计思想下，对计算的时间减短。
65.s24、全连接层
66.全连接层数或神经元数过多会导致整个模型训练成本较高，复杂性也较高。经过仿真模拟，本文最终确定全连接层数为2，分别为60个节点和30个节点，在保证系统不复杂的情况下确保精度。
67.对于激活函数的选择，考虑交易耗时参数波动较大的情况，采用sigmoid函数容易丢失大参数之间的差别，故采用relu激活函数，相比之下有降低大量运算和参数强波动时，保留参数之间的差别，保存更准确的数值。
68.relu激活函数：
[0069][0070]
s25、输出层
[0071]
因为联机路由交易耗时必须保证在100ms内，所以输出结果必须由定时调度任务提前唤起，然后调用脚本将结果存储到数据库中，保证在程序运行时能够实时获取到该阶段的预测值。
[0072]
s26、误差优化
[0073]
利用随机梯度下降算法来对反向传播得到的偏导数和权值进行参数更新，选择随机的样本后，对梯度值进行计算得到平均值，可以认为得到的梯度值与估计值相同，该算法通过对权值导数的逐层计算，进行实现了偏置和权重的修正。模型参数校正结合最小标准误差，不断的调整学习速率重复计算和校正来达到完成模型的训练。最终卷积搭建如表1：
[0074]
[0075][0076]
表1
[0077]
第二路由通道优先排序模块，基于第一路由通道顺序利用成功优先规则进行第二路由排序，得到第二路由通道优先顺序；
[0078]
支付模块，按照第二路由通道优先顺序将交易信息发送到相应路由通道执行支付，支付成功则反馈支付成功，支付失败则分析支付失败原因，对非客户原因的支付路由通道按照成功优先规则重新排序并更新第二路由通道优先顺序；
[0079]
终止重试模块，判断是否满足终止条件，满足则终止，否则返回支付模块继续执行支付。
[0080]
本技术第三方面涉及一种用于优先成功的动态支付路由装置，包括：输入装置、网络接口、处理器、深度学习装置、存储介质和总线，所述输入装置用于输入往期预设期间可用支付路由通道的第一数据，所述深度学习装置利用输入的第一数据进行深度学习输出第一数据预测值，所述网络接口用于提供网络进行数据交互，所述存储介质存储有所述处理器可执行的机器可读指令，当服务器运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行上面所述用于优先成功的动态支付路由的方法。
[0081]
本技术第四方面涉及一种计算机产品，其特征在于，所述计算机产品包括执行用于优先成功的动态支付路由方法的程序。
[0082]
本发明第三方面涉及一种用于银行的风险缓释分配的装置，其特征在于，包括：输入装置、网络接口、处理器、存储介质和总线，所述输入装置用于输入包括缓释工具、债项的数据信息，所述网络接口用于提供网络进行数据交互，所述存储介质存储有所述处理器可执行的机器可读指令，当服务器运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行所述用于优先成功的动态支付路由方法。
[0083]
本发明第四方面涉及一种计算机产品，其特征在于，所述计算机产品包括执行所述用于优先成功的动态支付路由方法的程序。
[0084]
本说明书中的实施例采用递进方式描述，本领域技术人员可以进一步意识到，结合本文的实施例的算法步骤，能够以电子硬件、计算机软件或二者结合的方式实现，且这些功能究竟以硬件还是软件的方式执行，取决于技术方案的特定应用和设计约束条件，本领域技术人员可以对每个特定的应用使用不同方法实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0085]
如上所述，本发明提出了一种适用于商业银行大数据量输入时风险缓释分配方法，能够提高银行风险缓释面临的数据处理效率，另一方面提出一种对权重法和内评法两种计量方法均适用的一套的风险缓释分配系统，满足了监管报送以及内部评级的需求。
[0086]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0087]
以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换等都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。