[高并发] - 2. 金融交易系统高并发架构-Toy模板网

这篇具有很好参考价值的文章主要介绍了[高并发] - 2. 金融交易系统高并发架构。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. 高并发场景

[高并发] - 1. 高并发架构综述

上面文章提到的数据都存在高并发场景。

2. 解决方案

2.1 权限

权限数据的特点是数据量少（一千万），占用的空间大小大概在2G左右，但是性能要求极高。权限数据还有个特点，那就是不读多写少，而且在金融交易系统中，权限的变更一般在非交易时间段做好，例如，每天交易开始前，交易负责人将权限转授权给具体的交易执行人。

基于上述的特点，权限数据采用 “本地缓存 + 数据库” 模式进行存储，本地缓存全量缓存权限数据，且不设置过期时间；写操作采用read/write through的模式，可以保证数据的一致性。权限服务启动时，即刻加载权限数据，预热模式可以保证缓存的命中率为100%，所有的权限数据完全从缓存中获取。

资源的定义通常采用点分式，如何快速的查询用户是否具有某个资源的权限呢？最好的办法是对资源的匹配采用前缀匹配树。这种数据结构的缓存需要我们自研。

对于消息类型的权限，例如某类topic的订阅权限，发布权限，只需要采用caffine等key/value形式的缓存即可。

为了进一步提高性能，权限的校验结果可以缓存到需要进行权限验证的服务中，而且也同样可以根据服务的业务逻辑，预先进行缓存加载。

通过以上所描述的：本地缓存，全量数据缓存，前缀匹配树缓存，本地二级缓存，缓存预加载，可以将单节点的权限并发量达到2-3万/s。再通过多节点间的负载均衡，3节点的权限系统完全能够满足当前的业务需求。

2.2 实时行情

市场行情的特点是数据量大，并发性高，不同场景对实时行情的性能要求截然不同。所以在处理市场行情时，需要分门别类，做好架构设计。实时市场行情由于对延时性的而严格要求，在架构设计上需要特别注意。

设计的业务包括：报价引擎，手动交易，量化交易，风控计算，下单策略（下单到哪个交易所，是否拆单...）

2.2.1 行情接入服务

交易所按照通道将行情进行拆分，一个对接服务通常QPS最高在1万/s，延时能够保证小于10ms。那我们怎么保证行情服务的高并发呢？【高可用：热备（只能一个账号登录），连通性检查】

（1）只做必要的事

只进行反序列化和必要字段校验（非当前交易产品校验省略）。

（2）分流

当前不进行交易的情接收到之后直接路发送到kafka，由spark任务进行参考数据填充，或者与其他行情聚合后，存入hdfs。

当前会进行交易的行情发布到高并发组件Disruptor中[但注意，需要顺序处理的行情需要交给同一线程处理（这里的处理方式我们单独写文章阐述）]，然后交给多个消费者并行处理，包含参考数据的填充，行情的聚合，通过高性能的分布式ID系统填充ID...

2.2.2 行情分发

经过上面的分流后，需要真正进行分发的市场行情数据在数据量上有巨大的减小，通过统计，可以降低1/3左右的数据量。但是行情的总体并发量还是非常大，高峰时仍能达到3万/s。

行情的分发是通过消息中间件来实现的，采用实现了AMQP的消息中间件，通过高可扩展的集群模式，能够将处理能力达到10万/s，满足当前的业务需求。

消息中间件需要非常好的处理慢消费者问题，以免影响其他的正常消费者。例如踢出慢消费者，将慢消费者对应队列的消息进行覆盖、丢弃，甚至直接删除对应的队列，进行队列重建。

2.2.3 行情订阅

根据业务逻辑尽量缩小订阅的行情范围，需要考虑流量的突发，做好限流和降级的兜底方案。如果订阅范围已经最小化了，业务逻辑也很单一了，由于行情有需要顺序处理，这种情况下，节点基本不能通过横向扩展来进行负载均衡，这种情况下：

（1）提高硬件配置：提高内存，增加CPU核数...

（2）冷备：高可用还需需要做的，但是如果多个节点同时去订阅，会增加消息中间件的负载，一般采用冷备；

（3）行情的主动丢弃：消费能力实在跟不上的时候，需求主动丢弃一些行情，丢弃的逻辑可以根据业务需求进行定制化，例如同一产品的行情，使用最新的行情覆盖之前未被消费的行情。

2.2.4 行情stale

还有一种导致行情并发性极高的场景，那就是每天闭市后，需要将行情支撑stale，如果不加以限流，会导致QPS达到10万/s以上。但是这种场景比较好处理，因为已经闭市，不再影响交易，直接对其进行限流，保证QPS在1万/s以下，慢慢消费处理。

2.3 历史行情

历史行情的数据量大，并发性高，但是由于对延时性的要求不高，可以采用的架构比较多。

2.3.1 存档，报表

本着数据就是石油的观点，我们需要尽可能的将接入的行情进行保存，毕竟买市场行情也是花了很多钱的。

采用吞吐量高的消息中间件kafka进行行情转发，并且尽可能的不丢失行情（在实时行情中，可以适当丢弃）。为了提高吞吐量，可以放宽延时性能。

2.3.2 算法分析和策略回归

为了验证量化算法和策略，需要使用历史行情。这些场景不会，也不该对交易产生影响。对延时要求不是特别高，但是由于涉及到的数据量大，而且延时也不能太高，否则策略可能要花很长的时间才能跑完。因此，我们将这部分需要进行验证的行情进行缓存，采用的是分布式缓存ignite。

2.3.3 curve计算

这个的业务场景设计到绝大部分行情，缓存放不下，而且对延时性要求介于缓存和hdfs之间，我们采用列式存储db cassandra进行存储，也可以作为hdfs的一种数据备份。

通过上面的分析，我们直到行情根据数据量，延时要求，是否进行交易，进行了不同的设计来满足架构要求。cassandra和ignite的集群模式能够达到并发性的要求。

2.4 交易

交易的特点是每天的量不算大，在百万级别，但是由于量化交易和做市交易的存在，导致QPS在高峰时能够达到1万/s，而且需要保证数据不丢失。【高可用，DB和file同时存储】

2.4.1 价格填充

报价引擎。

2.4.2 权限校验

2.1已经阐述过。

2.4.3 风控检查

为了提高性能，风控检查是内部计算的，准确度不高，但效率高。

2.4.4 订单下发

到此之后，订单对延时性的要求已经没有了，只需要关系每次交易所下发的成交信息来更新订单状态即可。

就近机房下方到交易所。

2.4.5 订单状态维护

接收到下发的交易信息后，更新订单状态。

2.5 监控

监控的特点是数据量大，写并发性高，读并发性低，而且数据的丢失容忍度大，延时可以接收分钟级别。因此采用spark进行统计，采样，计算，输出。

2.6 报价

报价的数据量大，并发性高，而且消息体特别大，对延时性要求也比较高。我们采用snapshot与delta并行的架构来达到要求。

通常交易员会维护多个产品的报价，维护的产品越多，会导致封装的对象越大，而且字段也很多，如果其中任何一个产品的一个字段变动都触发一次整体消息传输，对导致带宽，延时，吞吐量都受到极大的影响，因此，我们维护一个时间点的snashot，然后每个字段变更，只发送这个字段的变更delta数据，可以极大的提高吞吐量，还能降低延时。当delta的变动超过一定比例时，更新一次snapshot。