[缓存] - 3.金融交易系统缓存架构设计

这篇具有很好参考价值的文章主要介绍了[缓存] - 3.金融交易系统缓存架构设计。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1. 数据存储层

    我们介绍过,金融交易系统具有海量数据的特点,但是也并发每种类型的数据都是海量的,而且不同数据对于数据的延时要求不同,即使对于同一种类型的数据,由于使用场景的不同,也会对数据的延时性要求有很大的差异。

    基于上述的特点,造成了金融数据的存储方式也存在很对的差别(待完善)。

数据名称 使用场景 延时要求 数据量 存储方式
3年内行情 亚秒 70亿条/15T Ignite
3年内行情 曲线拟合 秒级 50亿条/8T Cassandra
3年内行情 策略验证/回测 分钟级 50亿条/8T Cassandra
3年外行情 存档 -- 千亿条 Hive
报价 做市报价 亚秒 亿条/3T Ignite
监控数据 监控大屏 分钟级 Hive
风控数据 风控数据展示 秒级 Hive/Mysql
利率曲线 亚秒 Ignite
收益率曲线 亚秒 Ignite
市场参考数据 亚秒 Ignite
市场交易数据 < 3ms Ignite
权限数据 < 1ms 本地缓存:caffine

    从上表可以看到,由于数据访问时的延时要求不同,数据量的不同,消息体大小的不同,我们需要分类采用不同的存储方案。

2. 哪些场景需要缓存

    对于需要亚秒级响应的数据需要进行缓存。

    另外,交易系统之外的应用如果需要访问,则需要提供网关服务。外部应用主要的请求行情数据和交易数据,例如请求交易数据来完成清算工作。

    外部服务请求的数据比较集中,如果让外部请求直接穿透,会造成交易系统的负载过高,因此,会将请求的结果进行缓存,避免请求频繁到达交易系统的应用。

3. 缓存中间件选型

    redis是业界比较常用的缓存中间件,单节点吞吐量能达到3-4万/s,延时在100-200us左右。而且,搭建集群环境后,可以通过横向扩展来提高吞吐量,并提高数据的存储能力,具有高扩展性。但是,基于key-value模式的redis,有很多场景无法满足。

 3.1 BigKey问题

    由于 redis 只使用单核,所以平均每一个核上 redis 在存储小数据时具有优势。而在 100k 以上的数据中,redis的性能会严重受损。但是,金融交易系统中,大消息体的消息普遍存在,例如,excel报价数据,一个消息体的大小就在3-5M。

3.2 消息过滤问题

    redis是基于key-value模式的缓存,只能通过key来进行消息的查询,无法建立索引来进行更精细的过滤查询。

    以行情为例,根据交易所,产品分类,产品子类,行情来源等字段进行联合筛选的情况普遍存在。有人会说,那么将这些字段按一定的规则生成一个key来进行消息的缓存不久解决了吗?这一方面会导致key的字段过长,而且会导致查询过滤的组合严重受限,不利于扩展。

3.3 多级缓存问题

    redis没有本地缓存的概念,如果需要配合本地缓存来实现多级缓存,那么必须选择另一种本地缓存的缓存框架,导致架构体系变得复杂。

3.4 数据丢失问题

    redis是无法保证数据完全不丢失的。在交易系统中,有些场景严格限制延时性,比如涉及交易的行情数据要求延时在3ms以下,而行情数据的处理过程中涉及填充市场参考数据,如果参考数据在缓存中没有,就需要穿透到数据库进行查询,延时性就很可能达不到了。为了保证行情数据的延时性能达标,必须保证市场参考数据在缓存中不过期,不丢失。

3.5 字段读写问题

    redis对于value是作为一个整体进行操作的,value不能在细化处理了。在交易系统中,很多缓存对象非常大,字段数有时候达到成千多万,如果每次都全量读取,或者全量替换,会造成网络和CPU(序列化/反序列化)的瓶颈。

    基于上述原因,我们并没有采用redis来作为缓存框架,而是采用了ignite来作为缓存中间件。

对比项 Redis Ignite
吞吐量 3-4w 3-4w
延时 100-200us 100-200us
支持建立索引,按索引进行过滤查询 N Y
多线程处理 N Y
支持near cache N Y
数据丢失 Y N
按字段读写 N Y
GC(存在一定的性能风险) N Y

4. 缓存面临的问题及解决方案

4.1 高性能

(1)极高性能要求的数据不使用分布式缓存

如权限数据(延时小于1ms),直接使用本地缓存。

(2)预加载

对于交易时间段会使用到的数据进行预加载,并且对于热点数据不设置过期时间。比如市场参考数据,它的变更频率非常低,有的甚至几年都不会变动,我们只需要在每天的非交易时间段预先加载好即可。

(3)冷热分离

针对交易频繁的产品(如债券)和交易不频繁的产品(如黄金)分不同的缓存topic,设置不同的缓存参数,来达到最高的性能。

4.2 数据一致性

(1)不追求一致性

对于行情而言,根据使用场景的不同,存储在了hive,cassandra和ignit中,但我们不需要保持三者间的一致性。这是由于行情在实时变动,而且三种存储介质存储的行情根据业务需要而不同,延时性要求也不同,即使对于同一行情,不同时间切面上的数值也不要求相同。

(2)要求强一致性的数据不使用分布式缓存

如权限数据,直接使用本地缓存。

(3)交易期间不会变动的数据,提前加载

比如债券统计数据,TOPN的数据,这些数据都是通过定时任务根据T-1的数据进行复杂计算后得到的结果,只需要在本天交易时间开始前计算好,然后预加载到缓存中即可,不需要考虑数据一致性,中途不会有数据的更新操作(新增,修改,删除)。

(4)多级缓存间的数据一致性

Ignite自带near cache(就是本地缓存)功能,ignite保证了near cache和ignite分布式缓存间的数据一致性。

(5)ignite与mysql,cassandra,hive间的数据一致性

例如市场参考数据,市场交易数据,利率曲线等,需要保证多个存储介质间的数据一致性。鉴于金融交易系统已经使用了MQ,且MQ的功能比较强大,我们的做法如下:

1)更新数据先做用于缓存(缓存系统本身高可用);

2)更新数据写入MQ;

3)通过订阅MQ更新其他数据存储介质。

这样可以让更新数据尽快的进入缓存,并尽可能快的到达消费方,为了编码方便,在调用缓存接口时,可以通过简单的注解来指定需要同步到哪些存储介质即可,框架会完成消息的后续处理。

4.3 HotKey

如行情,在写操作上,会存在峰值达到5万/s的情况;在读操作上,交易频繁的产品可能达到6万/s,而且交易频繁的产品并不完全固定,很难预测。

(1)过滤存储产品种类

只针对业务上需要的产品种类,且对访问有延时要求的产品种类进行缓存,粒度越细越好,这样可以尽可能的减少对缓存的冲击。

(2)冷热分离

对于访问特别频繁的产品和访问不太频繁的产品分不同的topic存储,配置不同的缓存参数,降低访问压力,并分类调优。

(3)本地缓存 + 多备份

通过本地缓存和多个缓存备份来达到分散压力的效果。

(4)限流

对于预测外的高并发访问,很可能拖垮缓存系统,因此需要限流来兜底。

4.4 BigKey

对于聚合行情和excel报价容易造成BigKey问题。对于聚合行情而言,如果聚合的要素越多,就会带上越多的信息,导致消息体变大。excel报价是由于会将多组报价一起合并,涉及的产品阅读,就会导致报价消息体不断增大。

(1)压缩

对需要存储的消息进行序列化,然后进行压缩;当然,对于需要检索的索引还需要保留。

(2)delta vs snapshot

如果消息体特别大,我们只存储一份snapshot,然后单独为每一次涉及变动的字段记录delta,使用时将snapshot和delta进行合并得到最新的snapshot。

(3)拆分存储

例如聚合行情,将聚合行情的多种信息拆分,使用时查询后简单合并数据即可。文章来源地址https://www.toymoban.com/news/detail-834137.html

到了这里,关于[缓存] - 3.金融交易系统缓存架构设计的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 库存预占架构升级方案设计-交易库存中心

    伴随物流行业的迅猛发展,一体化供应链模式的落地,对系统吞吐、系统稳定发出巨大挑战,库存作为供应链的重中之重表现更为明显。近三年数据可以看出: 接入商家同比增长37.64%、货品种类同比增长53.66% 货品数量同比增长46.43%、仓库数量同比增长18.87% 通过分析过往大促

    2024年02月11日
    浏览(45)
  • 交易日均千万订单的存储架构设计与实践

    服务业务线:快递、快运、中小件、大件、冷链、国际、B2B合同物流、CLPS、京喜、三入三出(采购入、退货入、调拨入、销售出、退供出、调拨出)等 1、解耦( 提升系统稳定性 ) 原系统: 交易与生产耦合在一起,业务新增需求,涉及个上下游多个系统。ECLP、外单、运单

    2024年02月08日
    浏览(35)
  • 金融基础知识(四):场内交易与场外交易

    场内交易(On-Exchange Trading) 是指在证券交易所或其他有组织的市场上进行的交易。在场内交易中,买方和卖方通过交易所的交易系统直接相互交易,交易所充当撮合方,确保交易的顺利进行。 场内交易的特点包括: 交易地点固定 交易时间固定 交易合约标准化 竞价交易 极

    2024年02月12日
    浏览(40)
  • 库存预占架构升级方案设计-交易库存中心 | 京东物流技术团队

    伴随物流行业的迅猛发展,一体化供应链模式的落地,对系统吞吐、系统稳定发出巨大挑战,库存作为供应链的重中之重表现更为明显。近三年数据可以看出: 接入商家同比增长37.64%、货品种类同比增长53.66% 货品数量同比增长46.43%、仓库数量同比增长18.87% 通过分析过往大促

    2024年02月11日
    浏览(55)
  • 百度交易中台之内容分润结算系统架构浅析

    作者 | 交易中台团队 导读 随着公司内容生态的蓬勃发展,内容产出方和流量提供方最关注的“收益结算”的工作,也就成为重中之重。本文基于内容分润结算业务为入口,介绍了实现过程中的重难点,比如千万级和百万级数据量下的技术选型和最终实现,满足了业务需求的

    2024年02月07日
    浏览(46)
  • Java架构师缓存架构设计解决方案

    想学习架构师构建流程请跳转:Java架构师系统架构设计

    2024年02月07日
    浏览(44)
  • 多级缓存 架构设计

    在40岁老架构师 尼恩的 读者社区 (50+)中,很多小伙伴拿到一线互联网企业如阿里、网易、有赞、希音、百度、网易、滴滴的面试资格,多次遇到一个很重要的面试题: 20w的QPS的场景下,服务端架构应如何设计? 10w的QPS的场景下,缓存架构应如何设计? 尼恩提示, 缓存架构

    2024年02月10日
    浏览(38)
  • 架构设计第十讲:架构之高并发:缓存

    高并发实现的三板斧:缓存,限流和降级 。缓存在高并发系统中有者极其广阔的应用,需要重点掌握,本文是架构设计第10讲,重点介绍下缓存及其实现

    2024年02月12日
    浏览(43)
  • Java架构师缓存通用设计方案

    想学习架构师构建流程请跳转:Java架构师系统架构设计 在实际应用中需要考虑的实际问题。首先,前端页面可以做缓存,虽然图上没有显示,但在现实应用中这是提高性能的一个重要方面。前端页面缓存可以将静态内容

    2024年02月07日
    浏览(43)
  • Python:Python编程:金融量化交易

    在金融量化交易中,下面几个模块是应用的比较广泛的 numpy (Numberic Python) : 提供大量的数值编程工具,可以方便的处理:向量矩阵等运算,相比高昂的 matlab , NumPy的出现使 Python得到了更多人的青睐。 scipy : 更多应用于 统计,优化,差值,数值积分,时频率转换等领域 Pandas

    2024年02月07日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包