介绍
match-trade超高效的交易所撮合引擎,采用伦敦外汇交易所LMAX开源的Disruptor框架,用Hazelcast进行分布式内存存取,以及原子性操作。使用数据流的方式进行计算撮合序列,才用价格水平独立撮合逻辑,实现高效大数据撮合。
优势
- match-engine水平价格为独立撮合逻辑,相比于订单队列为撮合队列的交易引擎来说,价格区间越小时,性能越优越。
- match-engine不再对撮合薄进行排序,而是用并行流计算出最优撮合价格,进行撮合。
- match-engine每个价格下的订单都是异步完成被撮合。独立价格下订单不影响下一个新发生的撮合。
- match-engine每个价格撮合都是独立的,与下一个价格没的关系,实现快速吃单。
- match-engine每个新的订单经历撮合处理器后,后续逻辑采用并行计算,能更快速反馈数据撮合结果。
- match-engine使用数据流反应式MQ消费,降低由MQ带来的数据延迟。
- match-engine撤单走独立的逻辑,不用和下单在一个处理序列。
技术选择
- Disruptor: 号称每秒钟承载600万订单级别的无锁并行计算框架,主要选择原因还是并行计算。
- Hazelcast: 很好进行内存处理,很强原子性保障的操作能力。同时分布式内存实现很简单,能自动内存集群。据说火币也在用。
- rocketmq: 消息可以做到0丢失,支持10亿级别的消息堆积,不会因堆积导致性能下降,主要是经过双11检验
- WebFlux: 它能够充分利用多核 CPU 的硬件资源去处理大量的并发请求。
描述
用户输入包括:
- 创建新的委托单(NewOrder):一个新的委托单可以作为交易撮合引擎的输入,引擎会尝试将其与已有的 委托单进行撮合。
- 取消已有的委托单(CancelOrder):用户也可以取消一个之前输入的委托单,如果它还没有执行的话,即开口订单。
委托单:
- 限价委托单
限价委托单是在当前的加密货币交易环境中最常用的委托类型。这种委托单允许用户指定一个价格,只有当撮合引擎找到同样价格甚至更好价格的对手单时才执行交易。 - 市价委托单
市价委托单的撮合会完全忽略价格因素,而致力于有限完成指定数量的成交。市价委托单在交易委托账本中有较高的优先级,在流动性充足的市场中市价单可以保证成交。不充足时,撮合完最后一条撤销。 - 止损委托单
止损委托单尽在市场价格到达指定价位时才被激活,因此它的执行方式与市价委托单相反。一旦止损委托单激活,它们可以自动转化为市价委托单或限价委托单。(未实现)
撮合流程
限价撮合:
市价撮合:
目前就实现这两种订单撮合
代码执行流程图(感谢读者提供的图)
订单簿为撮合簿时代码解析
这个是一个简单流盘口计算demo
//获取匹配的订单薄数据IMap<Long, Order> outMap = hzInstance.getMap(HzltUtil.getMatchKey(coinTeam, isBuy));/** * - * -使用Java 8 Stream API中的并行流来计算最优 * -能快速的拿到撮合对象,不用排序取值,降低性能消耗 */Order outOrder = outMap.values().parallelStream().min(HzltUtil::compareOrder).get();//这种方式最难的,就是整理盘口深度数据了 /** * - * -获取行情深度 * * @param coinTeam 交易队 * @param isBuy 是否是买 * @return List<Depth> */ public List<Depth> getMarketDepth(String coinTeam, Boolean isBuy) { List<Depth> depths = new ArrayList<Depth>(); IMap<Long, Order> map = hzInstance.getMap(HzltUtil.getMatchKey(coinTeam, isBuy)); if (map.size() > 0) { /** * -这个流:主要是安价格分组和统计,使用并行流快速归集。 */ List<Depth> list = map.entrySet().parallelStream().map(mo -> mo.getValue()) .collect(Collectors.groupingBy(Order::getPrice)).entrySet().parallelStream() .map(ml -> new Depth(ml.getKey().toString(), ml.getValue().stream().map(o -> o.getUnFinishNumber()).reduce(BigDecimal.ZERO, BigDecimal::add) .toString(), "0", 1, coinTeam, isBuy)) .sorted((d1, d2) -> HzltUtil.compareTo(d1, d2)).collect(Collectors.toList()); /** * -这个流:主要是盘口的累计计算,因涉及排序选择串行流 */ list.stream().reduce(new Depth("0", "0", "0", 1, coinTeam, isBuy), (one, two) -> { one.setTotal((new BigDecimal(one.getTotal()).add(new BigDecimal(two.getNumber()))).toString()); depths.add(new Depth(two.getPrice(), two.getNumber(), one.getTotal(), two.getPlatform(), two.getCoinTeam(), two.getIsBuy())); return one; }); } else { Depth depth = new Depth("0", "0", "0", 1, coinTeam, isBuy); depths.add(depth); } return depths; }
测试结果
在我8cpu,16G内存的开发win10系统上测试结果:
- Disruptor单生产者初始化10万不能撮合的订单耗时:约700毫秒
- Disruptor多生产者初始化10万不能撮合的订单耗时:约20秒
- 实际单吃完1-100价格内随机数量的10万订单耗时:约400毫秒