Trading System Architettura Pdf

Trading floor Architettura Trading floor Architettura esecutivo Panoramica L'aumento della concorrenza, volume di dati di mercato più elevata, e le nuove esigenze normative sono alcune delle forze trainanti cambiamenti del settore. Le imprese stanno cercando di mantenere il proprio vantaggio competitivo, modificando continuamente le loro strategie di trading e aumentando la velocità del trading. Un'architettura valida deve includere le più recenti tecnologie di entrambi i domini di rete e delle applicazioni. Deve essere modulare per fornire un percorso gestibile di evolvere ogni componente con il minimo disturbo al sistema complessivo. Pertanto l'architettura proposta da questo documento si basa su un quadro servizi. Esaminiamo servizi come messaggistica ultra-bassa latenza, il monitoraggio della latenza, multicast, computing, storage, dati e la virtualizzazione delle applicazioni, la resilienza di trading, la mobilità di trading, e thin client. La soluzione alle complesse esigenze della piattaforma di trading di nuova generazione deve essere costruita con una mentalità olistica, attraversando i confini del silos tradizionali come business e tecnologia o delle applicazioni e il networking. Questo obiettivo principale documenti è quello di fornire le linee guida per la costruzione di una piattaforma ultra-bassa latenza commerciale, ottimizzando il throughput e frequenza dei messaggi sia per i dati di mercato e gli ordini di negoziazione FIX. Per raggiungere questo obiettivo, proponiamo le seguenti tecnologie di riduzione di latenza: alta velocità inter-connectInfiniBand o 10 Gbps connettività per l'alta velocità di accelerazione di messaggistica bus Application Cluster di trading via RDMA senza applicazione re-code in tempo reale il monitoraggio latenza e ri-direzione traffico commerciale al percorso con latenza minima architetture commerciali Industria Tendenze e sfide di nuova generazione hanno per rispondere alle crescenti esigenze in termini di velocità, il volume e l'efficienza. Ad esempio, il volume dei dati mercato delle opzioni è destinata a raddoppiare dopo l'introduzione di opzioni centesimo commercio nel 2007. Ci sono anche richieste normative per la migliore esecuzione, che richiedono la movimentazione aggiornamenti dei prezzi a tassi che si avvicinano 1M msgsec. per gli scambi. Esse richiedono inoltre la visibilità nella freschezza dei dati e la prova che il cliente ha ottenuto il miglior esecuzione possibile. A breve termine, la velocità del trading e l'innovazione sono fattori chiave di differenziazione. Un numero crescente di transazioni sono gestite da applicazioni di trading algoritmico posti il ​​più vicino possibile al luogo di esecuzione del commercio. Una sfida con questi motori di trading quotblack-boxquot è che vanno a comporre l'aumento di volume emettendo ordini soltanto per cancellare loro e ri-presentare. La causa di questo comportamento è la mancanza di visibilità in cui locale offre la migliore esecuzione. Il commerciante umano è ora un ingegnere quotfinancial, quot un quotquantquot (analista quantitativo), con capacità di programmazione, che consentono di regolare modelli di trading in tempo reale. Le imprese a sviluppare nuovi strumenti finanziari come i derivati ​​del tempo o compravendite di classe cross-attività e di cui hanno bisogno per implementare le nuove applicazioni in modo rapido e in modo scalabile. A lungo termine, differenziazione competitiva dovrebbe provenire da analisi, non solo la conoscenza. I commercianti stelle di domani si assumono il rischio, raggiungere la vera conoscenza del cliente, e costantemente battere il mercato (fonte IBM: www-935.ibmservicesusimcpdfge510-6270-trader. pdf). Affari resilienza è stata una preoccupazione principale delle imprese commerciali dopo l'11 settembre 2001. Le soluzioni di questa gamma zona da centri dati ridondanti situati in diverse aree geografiche e collegati a più sedi di negoziazione a soluzioni commerciante virtuali che offrono i commercianti di potenza la maggior parte delle funzionalità di un piano di trading in una posizione remota. Il settore dei servizi finanziari è uno dei più esigenti in termini di requisiti IT. Il settore sta vivendo un cambiamento di architettura verso l'architettura orientata ai servizi (SOA), servizi Web, e la virtualizzazione delle risorse IT. SOA sfrutta l'aumento della velocità della rete per consentire dinamica virtualizzazione vincolante e di componenti software. Questo permette la creazione di nuove applicazioni, senza perdere l'investimento in sistemi e infrastrutture esistenti. Il concetto ha il potenziale per rivoluzionare il modo di fare di integrazione, consentendo una significativa riduzione della complessità e il costo di tale integrazione (gigaspacesdownloadMerrilLynchGigaSpacesWP. pdf). Un'altra tendenza è il consolidamento di server in server farm di data center, mentre scrivanie commerciante hanno solo estensioni KVM e ultra-thin client (ad esempio SunRay e HP soluzioni blade). Ad alta velocità Metro Area Networks consentono dati di mercato da multicast tra le diverse posizioni, consentendo la virtualizzazione del piano di trading. Ad alto livello Architettura La figura 1 illustra l'architettura di alto livello di un ambiente di trading. L'impianto ticker ei motori di trading algoritmico si trovano nel cluster di trading ad alte prestazioni nelle aziende data center o al cambio. I commercianti umani si trovano nella zona di applicazioni per utenti finali. Funzionalmente ci sono due componenti di applicazione in azienda di scenario, gli editori e gli abbonati. Il bus di messaggistica fornisce il percorso di comunicazione tra editori e gli abbonati. Ci sono due tipi di traffico specifici ad un ambiente di trading: DataCarries mercato informazioni sui prezzi per gli strumenti finanziari, notizie e altre informazioni a valore aggiunto, quali analisi. Si è unidirezionale e molto sensibile latenza, di solito consegnato oltre UDP multicast. Si misura in updatessec. e in Mbps. I dati di mercato scorre da uno o più feed esterni, provenienti da fornitori di dati di mercato come borse, aggregatori di dati, e ECN. Ogni provider ha il proprio formato di dati di mercato. I dati vengono ricevuti da gestori di mangimi, applicazioni specializzate che normalizzano e pulire i dati e poi inviarlo ai consumatori di dati, come i motori di prezzo, le applicazioni di trading algoritmico, o commercianti umani. Vendita-side aziende inviano anche i dati di mercato ai loro clienti, buy-side aziende come i fondi comuni, hedge fund e altri gestori patrimoniali. Alcune imprese buy-side possono scegliere di ricevere i feed diretti dagli scambi, riducendo la latenza. Figura 1 Trading Architecture per una ditta Buy Side SideSell Non esiste uno standard di settore per i formati di dati di mercato. Ogni scambio ha il suo formato proprietario. i fornitori di contenuti finanziari come Reuters e Bloomberg aggregano diverse fonti di dati di mercato, normalizzano, e aggiungere notizie e analisi. Esempi di feed consolidati sono RDF (Reuters Data Feed), RWF (Reuters Format Wire), e Bloomberg Professional Services di dati. Per fornire dati più bassi del mercato latenza, entrambi i fornitori hanno rilasciato i dati di mercato in tempo reale i feed che sono meno elaborati e hanno meno di analisi: Bloomberg B-PipeWith B-Pipe, Bloomberg de-coppie loro feed di dati di mercato dalla loro piattaforma di distribuzione a causa di un terminale Bloomberg non è richiesto per ottenere B-Pipe. Wombat e Reuters gestori di alimentazione hanno annunciato il supporto per B-Pipe. Una società può decidere di ricevere i feed direttamente da uno scambio per ridurre la latenza. I guadagni in termini di velocità di trasmissione può essere compreso tra 150 millisecondi a 500 millisecondi. Questi feed sono più complessi e più costosi e la società deve costruire e mantenere un proprio impianto di ticker (financetechfeaturedshowArticle. jhtmlarticleID60404306). Trading ordersThis tipo di traffico porta i commerci attuali. È bidirezionale e molto latenza sensibile. Si misura in messagessec. e Mbps. Gli ordini provengono da un lato acquistare o vendere fermo laterale e vengono inviati a sedi di negoziazione come scambio o ECN per l'esecuzione. Il formato più comune per il trasporto ordine è FIX (Financial Information eXchangefixprotocol. org). Le applicazioni che gestiscono i messaggi FIX sono chiamati motori FIX e si interfacciano con i sistemi di gestione degli ordini (OMS). Un'ottimizzazione FIX è chiamato VELOCE (Fix Adattato per lo streaming), che utilizza uno schema di compressione per ridurre la lunghezza del messaggio e, in effetti, ridurre la latenza. VELOCE si rivolge più alla fornitura di dati di mercato e ha il potenziale per diventare uno standard. Veloce può anche essere usato come uno schema di compressione per i formati di dati di mercato proprietarie. Per ridurre la latenza, le imprese possono decidere di stabilire Direct Market Access (DMA). DMA è il processo automatizzato di instradamento un ordine di titoli direttamente ad una sede di esecuzione, evitando quindi l'intervento di una terza parte (towergroupresearchcontentglossary. jsppage1ampglossaryId383). DMA richiede un collegamento diretto con la sede di esecuzione. Il bus di messaggistica è un software middleware di fornitori come Tibco, 29West, Reuters RMDS, o una piattaforma open source come AMQP. Il bus di messaggistica utilizza un meccanismo affidabile per recapitare i messaggi. Il trasporto può essere effettuato oltre TCPIP (TibcoEMS, 29West, RMDS, e AMQP) o UDPmulticast (TibcoRV, 29West, e RMDS). Un concetto importante nella distribuzione dei messaggi è il flusso quottopic, quot, che è un sottoinsieme di dati di mercato definiti da criteri come simbolo ticker, l'industria, o un certo paniere di strumenti finanziari. Gli abbonati si uniscono gruppi di argomenti mappati a uno o più sotto-argomenti al fine di ricevere solo le informazioni rilevanti. In passato, tutti gli operatori hanno ricevuto tutti i dati di mercato. Alle attuali volumi di traffico, questo sarebbe sub-ottimale. La rete svolge un ruolo critico per l'ambiente di trading. i dati di mercato è portato al piano di trading in cui si trovano i commercianti umani tramite un Campus o rete ad alta velocità Metro Area. Elevata disponibilità e bassa latenza, così come alta produttività, sono le metriche più importanti. L'ambiente di trading ad alte prestazioni ha la maggior parte dei suoi componenti nella server farm Data Center. Per ridurre al minimo la latenza, i motori di trading algoritmico devono essere collocati in prossimità dei gestori di alimentazione, FISSARE motori e sistemi di gestione degli ordini. Un modello di distribuzione alternativo ha i sistemi di trading algoritmico situati a uno scambio o un fornitore di servizi di connettività veloce a più scambi. I modelli di distribuzione Ci sono due modelli di distribuzione per una piattaforma di trading ad alte prestazioni. Le imprese possono scegliere di avere un mix dei due: Data Center della ditta di commercio (Figura 2) Questo è il modello tradizionale, dove una vera e propria piattaforma di trading è sviluppato e mantenuto dalla società con collegamenti di comunicazione a tutte le sedi di negoziazione. La latenza varia con la velocità dei collegamenti e il numero di salti tra l'azienda e le sedi. Figura 2 tradizionale distribuzione modello di co-location presso la sede di negoziazione (borse, fornitori di servizi finanziari (FSP)) (Figura 3) La ditta di commercio dispiega la sua piattaforma di trading automatizzato il più vicino possibile alle sedi di esecuzione per ridurre al minimo la latenza. Figura 3 Hosted distribuzione modello di servizi-Oriented Architecture Trading stiamo proponendo un quadro orientata ai servizi per la costruzione dell'architettura commerciale di prossima generazione. Questo approccio fornisce un quadro concettuale e un percorso di implementazione basata su modularizzazione e la minimizzazione delle interdipendenze. Questo quadro offre alle imprese con una metodologia per: valutare il loro stato attuale in termini di servizi priorità ai servizi in base al loro valore al business evolvere la piattaforma di trading per lo stato desiderato utilizzando un approccio modulare L'architettura di trading ad alte prestazioni si basa sulle seguenti servizi, come definito dal quadro servizi di architettura rappresentata nella Figura 4. Figura 4 Architettura del servizio quadro per High performance Trading Ultra-Low Latency Messaging service Questo servizio è fornito dal bus di messaggistica, che è un sistema software che risolve il problema di collegare molti-a - molte applicazioni. Il sistema è composto da: Un insieme di messaggio predefinito schemi Una serie di messaggi di comando comuni un'infrastruttura applicazione condivisa per l'invio dei messaggi ai destinatari. L'infrastruttura condivisa può essere basata su un broker di messaggio o su un modello publishsubscribe. I requisiti fondamentali per il bus di messaggistica di nuova generazione sono (fonte 29West): (es. Più di 1,4 milioni di msgsec) Tariffa latenza possibile (ad esempio, meno di 100 microsecondi) Stabilità sotto carico pesante controllo e la flessibilità (controllo della frequenza e trasporti configurabili) Ci sono gli sforzi del settore per standardizzare il bus di messaggistica. Avanzate Message Queueing Protocol (AMQP) è un esempio di uno standard aperto sostenuto da J. P. Morgan Chase e supportato da un gruppo di fornitori come Cisco, Inviato Technologies, Red Hat, TWIST Process Innovations, Iona, 29West, e iMatix. Due dei principali obiettivi sono quelli di fornire un percorso più semplice per l'interoperabilità per le applicazioni scritte su diverse piattaforme e modularità in modo che il middleware può essere facilmente evoluto. In termini molto generali, un server AMQP è analogo a un server di posta elettronica con ogni scambio che agisce come un agente di trasferimento messaggi e ogni coda di messaggi come una cassetta postale. Le associazioni definiscono le tabelle di routing a ogni agente di trasferimento. Gli editori inviare messaggi agli agenti di trasferimento individuali, che quindi instradare i messaggi nelle cassette postali. I consumatori prendono i messaggi dalle cassette postali, che crea un modello potente e flessibile che è semplice (fonte: amqp. orgtikiwikitiki-index. phppageOpenApproachWhyAMQP). Latenza del Servizio Monitoraggio I requisiti principali per questo servizio sono: Sub-millisecondo granularità di misure Near-tempo reale una visibilità senza l'aggiunta di latenza alla capacità di traffico commerciale di differenziare la latenza elaborazione delle applicazioni dalla rete di latenza di transito Capacità di gestire elevati tassi di messaggi forniscono un'interfaccia di programmazione per applicazioni di trading per ricevere i dati di latenza, consentendo in tal modo i motori di trading algoritmico per adattarsi alle mutevoli condizioni correlare gli eventi di rete con gli eventi di applicazione per la risoluzione dei problemi di latenza può essere definito come l'intervallo di tempo tra quando un ordine di commercio viene inviato e quando lo stesso ordine è riconosciuto ed ha agito su dalla parte ricevente. Rivolgendosi il problema di latenza è un problema complesso, che richiede un approccio olistico che identifica tutte le fonti di latenza e applica tecnologie differenti a diversi livelli del sistema. La figura 5 illustra la varietà di componenti che possono introdurre latenza ad ogni livello della pila OSI. Si associa inoltre ogni fonte di latenza con una possibile soluzione ed una soluzione di monitoraggio. Questo approccio stratificato può dare alle imprese un modo più strutturato di attaccare il problema di latenza, per cui ogni componente può essere pensato come un servizio e trattata uniforme in tutta l'azienda. Il mantenimento di una misura accurata dello stato dinamico di questo intervallo di tempo attraverso percorsi e destinazioni alternative può essere di grande aiuto nelle decisioni di trading tattiche. La capacità di identificare la posizione esatta di ritardi, sia nella rete di clienti bordo, il mozzo centrale di elaborazione, oppure il livello di applicazione delle transazioni, determina in modo significativo la capacità dei fornitori di servizi per soddisfare le loro contratti di servizio di negoziazione (SLA). Per buy-side e sell-side forme, così come per syndicators mercato-dati, la rapida identificazione e la rimozione dei colli di bottiglia si traduce direttamente in opportunità commerciali avanzate e delle entrate. Figura 5 a bassa latenza strumenti di monitoraggio strumenti di monitoraggio della rete tradizionale latenza Management Architecture di Cisco operano con minuti o secondi granularità. piattaforme di trading di nuova generazione, in particolare quelli che sostengono il trading algoritmico, richiedono tempi di latenza a meno di 5 ms e livelli estremamente bassi di perdita di pacchetti. Su una LAN Gigabit, un microburst 100 ms può causare 10.000 transazioni di tale perdita o eccessivamente ritardata. Cisco offre ai propri clienti una vasta scelta di strumenti per misurare la latenza in un ambiente di trading: Bandwidth Quality Manager (BQM) (OEM da Corvil) Cisco AON a base di servizi finanziari Latency Monitoring Solution (SGSA) Bandwidth Quality Manager Bandwidth Quality Manager (BQM) 4.0 è un prodotto di gestione delle prestazioni di prossima generazione di applicazioni di rete che consente ai clienti di monitorare e disposizione la loro rete per i livelli controllati di prestazioni latenza e perdita. Mentre BQM non è mirato esclusivamente a reti di scambio, la sua visibilità microsecondo combinato con larghezza di banda intelligente provisioning caratteristiche lo rendono ideale per questi ambienti esigenti. Cisco BQM 4.0 implementa una vasta gamma di tecnologie di misura e di analisi di rete brevettate e in attesa di brevetto di traffico che danno all'utente la visibilità e la comprensione di come ottimizzare la rete per la massima applicazione senza precedenti. Cisco BQM è ora supportato sulla famiglia di prodotti Cisco Application Deployment Engine (ADE). La famiglia di prodotti Cisco ADE è la piattaforma ideale per applicazioni di gestione di rete Cisco. BQM Vantaggi Cisco BQM micro-visibilità è la capacità di rilevare, misurare e analizzare la latenza, jitter e perdita di indurre eventi di traffico a livelli di granularità microsecondi per pacchetto con risoluzione. In questo modo Cisco BQM di rilevare e determinare l'impatto di eventi di traffico sulla latenza di rete, jitter e perdita. Critico per gli ambienti di trading è che BQM in grado di supportare le misure di latenza, la perdita, e jitter di sola andata sia per il traffico UDP (multicast) TCP e. Ciò significa che riporta senza soluzione di continuità sia per il traffico trading e dati di mercato feed. BQM permette all'utente di specificare una serie completa di soglie (contro l'attività microburst, la latenza, la perdita, jitter, utilizzo, ecc) su tutte le interfacce. BQM poi gestisce un fondo di rotolamento cattura dei pacchetti. Ogni volta che si verifica una violazione di soglia o di altro evento potenziale degrado delle prestazioni, si innesca Cisco BQM per memorizzare la cattura dei pacchetti su disco per un'analisi successiva. Questo permette all'utente di esaminare nel traffico delle applicazioni che è stata influenzata da una riduzione delle prestazioni (quotthe victimsquot) e il traffico che ha causato il degrado delle prestazioni (quotthe culpritsquot) tutti i dettagli entrambi. Questo può ridurre significativamente il tempo trascorso diagnosi e la risoluzione dei problemi di prestazioni di rete. BQM è anche in grado di fornire la larghezza di banda dettagliata e la qualità del servizio (QoS) raccomandazioni politiche di provisioning, che l'utente può rivolgersi direttamente per ottenere prestazioni di rete desiderata. Misure BQM illustrati Per capire la differenza tra alcune delle tecniche di misurazione più convenzionali e la visibilità fornite da BQM, possiamo guardare alcuni grafici di confronto. Nella prima serie di grafici (Figura 6 e Figura 7), vediamo la differenza tra la latenza misurata da BQMs Passive Network Quality Monitor (PNQM) e la latenza misurata iniettando pacchetti ping ogni 1 secondo nel flusso di traffico. Nella Figura 6. vediamo la latenza riportato da 1 secondo pacchetti di ping ICMP per il traffico di rete reale (che è diviso per 2 per dare una stima per il ritardo di sola andata). Essa mostra il ritardo comodamente sotto di circa 5 ms per quasi tutto il tempo. Figura 6 Latenza Riportato da 1 secondo ICMP Ping Sacchi per la reale del traffico di rete in Figura 7. vediamo la latenza riportato dal PNQM per lo stesso traffico nello stesso momento. Qui vediamo che misurando la unidirezionale latenza dei pacchetti applicativi reali, otteniamo un quadro radicalmente diverso. Qui la latenza è visto come si aggirano intorno a 20 ms, con raffiche occasionali di gran lunga superiori. La spiegazione è che, poiché ping invia pacchetti solo ogni secondo, manca completamente la maggior parte del traffico di latenza applicazione. Infatti, i risultati di ping indicano in genere solo andata e ritorno ritardo di propagazione piuttosto che la latenza delle applicazioni realistica attraverso la rete. Figura 7 latenza Segnalato da PNQM per reale del traffico di rete Nel secondo esempio (Figura 8), vediamo la differenza nei livelli di carico di collegamento o di saturazione segnalati tra una visione media 5 minuti e un 5 ms Microburst vista (BQM può riferire microbursts giù a circa 10-100 accuratezza nanosecondi). La linea verde mostra l'utilizzo medio in media di 5 minuti per essere bassa, forse fino a 5 Mbitss. La trama blu scuro indica il 5ms attività microburst raggiungere tra il 75 e il 100 Mbitss Mbitss, la velocità LAN in modo efficace. BQM mostra questo livello di granularità per tutte le applicazioni e dà anche regole di finanziamento chiare per consentire all'utente di controllare o neutralizzare questi microbursts. Figura 8 Differenza di carico link segnalati tra 5 minuti a Media View e un 5 ms Microburst Vedi BQM distribuzione del Trading rete Figura 9 mostra una tipica distribuzione BQM in una rete commerciale. Figura 9 tipica BQM distribuzione in un Trading Network BQM può quindi essere utilizzato per rispondere a questi tipi di domande: Sono uno dei miei link nucleo Gigabit LAN saturi per più di millisecondi X è questa perdita causando che collega sarebbe massimo beneficio da un aggiornamento a Etherchannel o 10 velocità Gigabit Che il traffico delle applicazioni sta causando la saturazione dei miei 1 collegamenti Gigabit è uno qualsiasi dei dati di mercato verifica la perdita end-to-end Quanto latenza addizionale fa l'esperienza dei dati di failover center è questo link dimensionato correttamente a che fare con microbursts i miei commercianti ottenere aggiornamenti a bassa latenza dal livello di distribuzione dei dati di mercato sono essi vedendo eventuali ritardi maggiori di X millisecondi Essere in grado di rispondere a queste domande in modo semplice e consente di risparmiare tempo e denaro in modo efficace nella gestione della rete commerciale. BQM è uno strumento essenziale per ottenere visibilità nei dati di mercato e ambienti commerciali. Esso fornisce misurazioni di latenza end-to-end granulari in infrastrutture complesse che l'esperienza di spostamento dei dati ad alto volume. Effettivamente la rilevazione microbursts a livelli sub-millisecondi e la ricezione di analisi di esperti su un particolare evento è prezioso per architetti piano di trading. Smart provisioning di larghezza di banda raccomandazioni, come ad esempio il dimensionamento e analisi what-if, fornire una maggiore agilità per rispondere alle condizioni di mercato volatile. Come l'esplosione di trading algoritmico e prezzi crescenti di messaggi continua, BQM, combinata con il suo strumento di QoS, offre la possibilità di attuare politiche di QoS in grado di proteggere le applicazioni commerciali critiche. Cisco Financial Services latenza di monitoraggio soluzione Cisco e Trading metriche hanno collaborato su soluzioni di monitoraggio latenza per il flusso di ordine FIX e il monitoraggio dei dati di mercato. La tecnologia Cisco AON è la base per una nuova classe di prodotti di rete-embedded e soluzioni che aiutano fondersi reti intelligenti con infrastruttura applicativa, basata sia su architetture orientate ai servizi o tradizionali. Trading Metrics è un fornitore leader di software di analisi per le infrastrutture di rete e le finalità di monitoraggio latenza delle applicazioni (tradingmetrics). La soluzione Cisco AON Financial Services latenza di monitoraggio (SGSA) correlata due tipi di eventi presso il punto di osservazione: gli eventi di rete correlati direttamente con il messaggio di applicazione coincidente gestire il flusso di ordine commerciale e corrispondenti eventi di aggiornamento di mercato utilizzando data e ora affermati nel punto di cattura nel di rete, analisi in tempo reale di questi flussi di dati correlati consente una precisa identificazione dei colli di bottiglia in tutta l'infrastruttura, mentre un commercio è in esecuzione o dati di mercato è distribuito. Monitorando e misurare la latenza nelle prime fasi del ciclo, le società finanziarie possono prendere decisioni migliori su quali serviceand quale intermediario, mercato, o counterpartyto selezionare per l'instradamento degli ordini commerciali della rete. Allo stesso modo, questa conoscenza permette l'accesso più snello ai dati di mercato aggiornati (quotazioni di borsa, notizie economiche, etc.), che è una base importante per l'avvio, il ritiro da, o di perseguire opportunità di mercato. I componenti della soluzione sono: hardware AON in tre formati: AON modulo di rete per Cisco 2600280037003800 router AON Lama per il software Cisco Catalyst 6500 Series AON 8340 Appliance Trading Metrics mampas 2.0, che fornisce il monitoraggio e l'applicazione di allarme, display grafici latenza su un cruscotto, ed emette un avviso quando si verificano rallentamenti (tradingmetricsTMbrochure. pdf). Figura 10 AON-Based FIX Latenza di monitoraggio Cisco IP SLA Cisco IP SLA è uno strumento di gestione di rete integrato in Cisco IOS che permette ai router e switch per generare flussi di traffico sintetici che possono essere misurati per la latenza, jitter, perdita di pacchetti, e altri criteri (ciscogoipsla ). Due concetti chiave sono la fonte del traffico generato e il bersaglio. Entrambi questi eseguire un quotresponder IP SLA, quot, che ha la responsabilità di timestamp del traffico di controllo prima di essere di provenienza e restituito dal target (per una misura andata e ritorno). Vari tipi di traffico possono essere di provenienza all'interno di IP SLA e si sono rivolti a diverse metriche e obiettivi diversi servizi e applicazioni. L'operazione di jitter UDP viene utilizzato per misurare a senso unico e il ritardo di andata e ritorno e riferire variazioni. Poiché il traffico è ora impresso su entrambi i dispositivi di invio e di destinazione utilizzando la capacità di risponditore, il round trip delay è caratterizzato come il delta tra i due timestamp. Una nuova funzionalità è stata introdotta in IOS 12.3 (14) T, IP SLA sub millisecondo Reporting, che permette di timestamp da visualizzare con una risoluzione in microsecondi, fornendo così un livello di granularità non disponibili in precedenza. Questa nuova funzione ha ora reso IP SLA rilevante per reti di campus in cui la latenza di rete è di solito nel range di 300-800 microsecondi e la capacità di individuare le tendenze e picchi (brevi tendenze) basati sui contatori granularità microsecondo è un requisito per i clienti impegnati nel tempo ambienti di trading elettronico sensitive. Di conseguenza, IP SLA viene ora considerato da un numero significativo di organizzazioni finanziarie in quanto sono tutti di fronte a requisiti di: relazione di riferimento di latenza ai propri utenti Trend latenza di base nel tempo di rispondere rapidamente alle raffiche di traffico che provocano cambiamenti nella latenza segnalati Sub - segnalazione millisecondo è necessario per questi clienti, dal momento che molti campus e dorsali sono attualmente consegnando meno di un secondo di latenza tra diverse luppolo switch. ambienti di commercio elettronico sono generalmente lavorato per eliminare o ridurre al minimo tutte le aree del dispositivo e la latenza di rete per fornire una rapida evasione degli ordini per l'azienda. Segnalazione che la risposta della rete gli orari sono quotjust sotto un unico millisecondquot non è più sufficiente la granularità delle misure di latenza segnalati attraverso un segmento di rete o di backbone ha bisogno di essere più vicini ai 300-800 micro-secondi con un grado di risoluzione di 100 igrave secondi. IP SLA ha recentemente aggiunto il supporto per i flussi di prova multicast IP, in grado di misurare la latenza dei dati di mercato. Una topologia di rete tipica è mostrato in Figura 11 con l'IP SLA router ombra, fonti, e responder. Figura 11 IP SLA di distribuzione di Informatica Servizi Servizi di Informatica coprono una vasta gamma di tecnologie, con l'obiettivo di eliminare i colli di bottiglia della memoria e della CPU creati dal trattamento dei pacchetti di rete. applicazioni di trading consumano grandi volumi di dati di mercato e gli assistenti devono dedicare risorse per il traffico di rete di elaborazione, invece di elaborazione delle applicazioni. Trasporti processingAt alte velocità, di elaborazione dei pacchetti di rete possono consumare una notevole quantità di cicli di CPU del server e la memoria. Una regola stabilita empirica afferma che 1 Gbps di larghezza di banda di rete richiede 1 GHz di capacità del processore (Intel fonte carta bianca su IO accelerazione inteltechnologyioacceleration306517.pdf). tampone intermedia copyingIn un'implementazione stack di rete convenzionale, i dati devono essere copiati dalla CPU tra i buffer di rete e buffer di applicazione. Questo overhead è aggravato dal fatto che le velocità di memoria non hanno tenuto con gli aumenti nella velocità della CPU. Ad esempio, i processori come Intel Xeon si avvicinano a 4 GHz, mentre il chip di RAM si aggirano intorno ai 400 MHz (DDR 3200 di memoria) (fonte Intel inteltechnologyioacceleration306517.pdf). Contesto tempo switchingEvery un pacchetto individuo ha bisogno di essere trattati, la CPU esegue un cambio di contesto dal contesto di un'applicazione di rete contesto traffico. Questo overhead potrebbe essere ridotto se l'interruttore si verifica solo quando il buffer applicazione intera è completa. Figura 12 Fonti di Overhead in Data Center Server TCP Offload Engine (TOE) alleggerisce cicli del processore di trasporto per il NIC. Sposta protocollo TCPIP copie del buffer di stack dalla memoria di sistema alla memoria NIC. Remote Direct Memory Access (RDMA) Consente una scheda di rete per trasferire i dati direttamente da un'applicazione all'altra senza coinvolgere il sistema operativo. Elimina le copie del buffer intermedi e di applicazione (di memoria di consumo di larghezza di banda). Kernel bypassare l'accesso a livello di utente diretto all'hardware. Riduce drasticamente cambi di contesto di applicazione. Figura 13 RDMA e kernel bypass InfiniBand è un point-to-point (tessuto acceso) bidirezionale collegamento di comunicazione seriale che implementa RDMA, tra le altre caratteristiche. Cisco offre uno switch InfiniBand, Switch Fabric Server (SFS): ciscoapplicationpdfenusguestnetsolns500c643cdccont0900aecd804c35cb. pdf. Figura 14 tipiche applicazioni di trading SFS distribuzione beneficiano della riduzione della latenza e variabilità della latenza, come dimostrato da un test eseguito con i Cisco SFS e Wombat gestori Feed di Stac di ricerca: Application Virtualization Servizio De-accoppiando l'applicazione dal sistema operativo sottostante e l'hardware del server permette loro di eseguire i servizi di rete. Una applicazione può essere eseguita in parallelo su più server, o più applicazioni può essere eseguito sullo stesso server, come i migliori dettami di allocazione delle risorse. Questo disaccoppiamento consente una migliore bilanciamento del carico e disaster recovery per le strategie di business continuity. Il processo di risorse di calcolo ri-assegnazione a un'applicazione è dinamica. L'utilizzo di un sistema di virtualizzazione delle applicazioni, come dati sinapsi GridServer, le applicazioni possono migrare, utilizzando i criteri pre-configurati, ai server utilizzati sotto-in un processo di approvvigionamento-incontri-demand (wwwworkworldsupp2005ndc1022105virtual. htmlpage2). Ci sono molti vantaggi di business per le imprese finanziarie che adottano la virtualizzazione delle applicazioni: il time to market per i nuovi prodotti e servizi più rapida l'integrazione delle imprese seguenti fusioni e acquisizioni Aumento della disponibilità delle applicazioni di distribuzione migliore del carico di lavoro, che crea roomquot più quothead per picchi di elaborazione del volume di trading operativo efficienza e controllo riduzione della complessità IT Attualmente, la virtualizzazione delle applicazioni non è utilizzato nel commercio front-office. Un caso d'uso è la modellazione del rischio, come simulazioni Monte Carlo. Come la tecnologia si evolve, non si può escludere che alcune delle piattaforme di trading saranno adottarlo. Data Service virtualizzazione per condividere in modo efficace le risorse tra le applicazioni aziendali distribuite, le imprese devono essere in grado di sfruttare i dati su più fonti in tempo reale, garantendo nel contempo l'integrità dei dati. Con le soluzioni da fornitori di software di virtualizzazione dei dati, come pietra preziosa o Tangosol (ora Oracle), le società finanziarie possono accedere a fonti eterogenee di dati come un'unica immagine di sistema che consente la connettività tra processi di business e l'accesso alle applicazioni senza limiti di caching distribuito. Il risultato netto è che tutti gli utenti hanno accesso immediato a queste risorse di dati attraverso una rete distribuita (gridtoday030210101061.html). Questo si chiama una griglia di dati ed è il primo passo nel processo di creazione di quello che Gartner chiama estrema Transaction Processing (XTP) (gartnerDisplayDocumentrefgsearchampid500947). Tecnologie come i dati e le applicazioni di virtualizzazione consentono imprese finanziarie di effettuare in tempo reale analisi complesse, applicazioni event-driven, e l'allocazione dinamica delle risorse. One example of data virtualization in action is a global order book application. An order book is the repository of active orders that is published by the exchange or other market makers. A global order book aggregates orders from around the world from markets that operate independently. The biggest challenge for the application is scalability over WAN connectivity because it has to maintain state. Todays data grids are localized in data centers connected by Metro Area Networks (MAN). This is mainly because the applications themselves have limitsthey have been developed without the WAN in mind. Figure 15 GemStone GemFire Distributed Caching Before data virtualization, applications used database clustering for failover and scalability. This solution is limited by the performance of the underlying database. Failover is slower because the data is committed to disc. With data grids, the data which is part of the active state is cached in memory, which reduces drastically the failover time. Scaling the data grid means just adding more distributed resources, providing a more deterministic performance compared to a database cluster. Multicast Service Market data delivery is a perfect example of an application that needs to deliver the same data stream to hundreds and potentially thousands of end users. Market data services have been implemented with TCP or UDP broadcast as the network layer, but those implementations have limited scalability. Using TCP requires a separate socket and sliding window on the server for each recipient. UDP broadcast requires a separate copy of the stream for each destination subnet. Both of these methods exhaust the resources of the servers and the network. The server side must transmit and service each of the streams individually, which requires larger and larger server farms. On the network side, the required bandwidth for the application increases in a linear fashion. For example, to send a 1 Mbps stream to 1000recipients using TCP requires 1 Gbps of bandwidth. IP multicast is the only way to scale market data delivery. To deliver a 1 Mbps stream to 1000 recipients, IP multicast would require 1 Mbps. The stream can be delivered by as few as two serversone primary and one backup for redundancy. There are two main phases of market data delivery to the end user. In the first phase, the data stream must be brought from the exchange into the brokerages network. Typically the feeds are terminated in a data center on the customer premise. The feeds are then processed by a feed handler, which may normalize the data stream into a common format and then republish into the application messaging servers in the data center. The second phase involves injecting the data stream into the application messaging bus which feeds the core infrastructure of the trading applications. The large brokerage houses have thousands of applications that use the market data streams for various purposes, such as live trades, long term trending, arbitrage, etc. Many of these applications listen to the feeds and then republish their own analytical and derivative information. For example, a brokerage may compare the prices of CSCO to the option prices of CSCO on another exchange and then publish ratings which a different application may monitor to determine how much they are out of synchronization. Figure 16 Market Data Distribution Players The delivery of these data streams is typically over a reliable multicast transport protocol, traditionally Tibco Rendezvous. Tibco RV operates in a publish and subscribe environment. Each financial instrument is given a subject name, such as CSCO. last. Each application server can request the individual instruments of interest by their subject name and receive just a that subset of the information. This is called subject-based forwarding or filtering. Subject-based filtering is patented by Tibco. A distinction should be made between the first and second phases of market data delivery. The delivery of market data from the exchange to the brokerage is mostly a one-to-many application. The only exception to the unidirectional nature of market data may be retransmission requests, which are usually sent using unicast. The trading applications, however, are definitely many-to-many applications and may interact with the exchanges to place orders. Figure 17 Market Data Architecture Design Issues Number of GroupsChannels to Use Many application developers consider using thousand of multicast groups to give them the ability to divide up products or instruments into small buckets. Normally these applications send many small messages as part of their information bus. Usually several messages are sent in each packet that are received by many users. Sending fewer messages in each packet increases the overhead necessary for each message. In the extreme case, sending only one message in each packet quickly reaches the point of diminishing returnsthere is more overhead sent than actual data. Application developers must find a reasonable compromise between the number of groups and breaking up their products into logical buckets. Consider, for example, the Nasdaq Quotation Dissemination Service (NQDS). The instruments are broken up alphabetically: This approach allows for straight forward networkapplication management, but does not necessarily allow for optimized bandwidth utilization for most users. A user of NQDS that is interested in technology stocks, and would like to subscribe to just CSCO and INTL, would have to pull down all the data for the first two groups of NQDS. Understanding the way users pull down the data and then organize it into appropriate logical groups optimizes the bandwidth for each user. In many market data applications, optimizing the data organization would be of limited value. Typically customers bring in all data into a few machines and filter the instruments. Using more groups is just more overhead for the stack and does not help the customers conserve bandwidth. Another approach might be to keep the groups down to a minimum level and use UDP port numbers to further differentiate if necessary. The other extreme would be to use just one multicast group for the entire application and then have the end user filter the data. In some situations this may be sufficient. Intermittent Sources A common issue with market data applications are servers that send data to a multicast group and then go silent for more than 3.5 minutes. These intermittent sources may cause trashing of state on the network and can introduce packet loss during the window of time when soft state and then hardware shorts are being created. PIM-Bidir or PIM-SSM The first and best solution for intermittent sources is to use PIM-Bidir for many-to-many applications and PIM-SSM for one-to-many applications. Both of these optimizations of the PIM protocol do not have any data-driven events in creating forwarding state. That means that as long as the receivers are subscribed to the streams, the network has the forwarding state created in the hardware switching path. Intermittent sources are not an issue with PIM-Bidir and PIM-SSM. Null Packets In PIM-SM environments a common method to make sure forwarding state is created is to send a burst of null packets to the multicast group before the actual data stream. The application must efficiently ignore these null data packets to ensure it does not affect performance. The sources must only send the burst of packets if they have been silent for more than 3 minutes. A good practice is to send the burst if the source is silent for more than a minute. Many financials send out an initial burst of traffic in the morning and then all well-behaved sources do not have problems. Periodic Keepalives or Heartbeats An alternative approach for PIM-SM environments is for sources to send periodic heartbeat messages to the multicast groups. This is a similar approach to the null packets, but the packets can be sent on a regular timer so that the forwarding state never expires. S, G Expiry Timer Finally, Cisco has made a modification to the operation of the S, G expiry timer in IOS. There is now a CLI knob to allow the state for a S, G to stay alive for hours without any traffic being sent. The (S, G) expiry timer is configurable. This approach should be considered a workaround until PIM-Bidir or PIM-SSM is deployed or the application is fixed. RTCP Feedback A common issue with real time voice and video applications that use RTP is the use of RTCP feedback traffic. Unnecessary use of the feedback option can create excessive multicast state in the network. If the RTCP traffic is not required by the application it should be avoided. Fast Producers and Slow Consumers Today many servers providing market data are attached at Gigabit speeds, while the receivers are attached at different speeds, usually 100Mbps. This creates the potential for receivers to drop packets and request re-transmissions, which creates more traffic that the slowest consumers cannot handle, continuing the vicious circle. The solution needs to be some type of access control in the application that limits the amount of data that one host can request. QoS and other network functions can mitigate the problem, but ultimately the subscriptions need to be managed in the application. Tibco Heartbeats TibcoRV has had the ability to use IP multicast for the heartbeat between the TICs for many years. However, there are some brokerage houses that are still using very old versions of TibcoRV that use UDP broadcast support for the resiliency. This limitation is often cited as a reason to maintain a Layer 2 infrastructure between TICs located in different data centers. These older versions of TibcoRV should be phased out in favor of the IP multicast supported versions. Multicast Forwarding Options PIM Sparse Mode The standard IP multicast forwarding protocol used today for market data delivery is PIM Sparse Mode. It is supported on all Cisco routers and switches and is well understood. PIM-SM can be used in all the network components from the exchange, FSP, and brokerage. There are, however, some long-standing issues and unnecessary complexity associated with a PIM-SM deployment that could be avoided by using PIM-Bidir and PIM-SSM. These are covered in the next sections. The main components of the PIM-SM implementation are: PIM Sparse Mode v2 Shared Tree (spt-threshold infinity) A design option in the brokerage or in the exchange. sirengus nam, ar i darb eigoje, danai mintys pradeda suktis apie kiemo aplink. Keletas landafto architekts patarim kaip APLINK susiplanuoti patiems. Prie pradedant galvoti apie glynus arba alpinariumus, svarbiausia yra Pirmi ingsniai tai funkcinis teritorijos planavimas. Nesuskirsius teritorijos tinkamas zonas, pasodinami augalai dieci, Kur j visai nereikia, ar iltnamis pastatomas toje vietoje, Kur JIS Skaityti Più. Tel. 370 608 16327 EL. P. infoskraidantikamera. lt Interneto svetain: skraidantikamera. lt Socialiniai tinklai: facebook paskyra Apraymas: Filmuojame 8211 fotografuojame i 70 8211 100 metr aukio naudojant dron. Sukuriame HD Raikos nuotraukas il video ir siuetus. Silome pasli, SOD, mik, Medelyn APIROS nuotraukas i aukio. Più ms Darb pavyzdi rasite interneto Skaityti Più. Profesionalios technins, Arnos Sodo (gera kaina) Arnos PVC laistymo: PVC, dviej sluoksni laistymo arna, sutvirtinta tinkleliu i poliesterio sil atspari ultravioletiniams spinduliams kokybs sertifikatas spalva l'altro 58 skersmens, 16 mm, 8211 kaina 0,90 Ltm 34 skersmens, 19 mm. 8211 kaina 1.20 Ltm 1 col. skersmens, 25 mm, 8211 kaina 2.30 Ltm Profesionalios PVC auktos kokybs Skaityti Più. The LMAX Architecture Over the last few years we keep hearing that the free lunch is over1 - we cant expect increases in individual CPU speed. So to write fast code we need to explicitly use multiple processors with concurrent software. This is not good news - writing concurrent code is very hard. Locks and semaphores are hard to reason about and hard to test - meaning we are spending more time worrying about satisfying the computer than we are solving the domain problem. Various concurrency models, such as Actors and Software Transactional Memory, aim to make this easier - but there is still a burden that introduces bugs and complexity. So I was fascinated to hear about a talk at QCon London in March last year from LMAX. LMAX is a new retail financial trading platform. Its business innovation is that it is a retail platform - allowing anyone to trade in a range of financial derivative products2. A trading platform like this needs very low latency - trades have to be processed quickly because the market is moving rapidly. A retail platform adds complexity because it has to do this for lots of people. So the result is more users, with lots of trades, all of which need to be processed quickly.3 Given the shift to multi-core thinking, this kind of demanding performance would naturally suggest an explicitly concurrent programming model - and indeed this was their starting point. But the thing that got peoples attention at QCon was that this wasnt where they ended up. In fact they ended up by doing all the business logic for their platform: all trades, from all customers, in all markets - on a single thread. A thread that will process 6 million orders per second using commodity hardware.4 Processing lots of transactions with low-latency and none of the complexities of concurrent code - how can I resist digging into that Fortunately another difference LMAX has to other financial companies is that they are quite happy to talk about their technological decisions. So now LMAX has been in production for a while its time to explore their fascinating design. Overall Structure Figure 1: LMAXs architecture in three blobs At a top level, the architecture has three parts business logic processor5 input disruptor output disruptors As its name implies, the business logic processor handles all the business logic in the application. As I indicated above, it does this as a single-threaded java program which reacts to method calls and produces output events. Consequently its a simple java program that doesnt require any platform frameworks to run other than the JVM itself, which allows it to be easily run in test environments. Although the Business Logic Processor can run in a simple environment for testing, there is rather more involved choreography to get it to run in a production setting. Input messages need to be taken off a network gateway and unmarshaled, replicated and journaled. Output messages need to be marshaled for the network. These tasks are handled by the input and output disruptors. Unlike the Business Logic Processor, these are concurrent components, since they involve IO operations which are both slow and independent. They were designed and built especially for LMAX, but they (like the overall architecture) are applicable elsewhere. Business Logic Processor Keeping it all in memory The Business Logic Processor takes input messages sequentially (in the form of a method invocation), runs business logic on it, and emits output events. It operates entirely in-memory, there is no database or other persistent store. Keeping all data in-memory has two important benefits. Firstly its fast - theres no database to provide slow IO to access, nor is there any transactional behavior to execute since all the processing is done sequentially. The second advantage is that it simplifies programming - theres no objectrelational mapping to do. All the code can be written using Javas object model without having to make any compromises for the mapping to a database. Using an in-memory structure has an important consequence - what happens if everything crashes Even the most resilient systems are vulnerable to someone pulling the power. The heart of dealing with this is Event Sourcing - which means that the current state of the Business Logic Processor is entirely derivable by processing the input events. As long as the input event stream is kept in a durable store (which is one of the jobs of the input disruptor) you can always recreate the current state of the business logic engine by replaying the events. A good way to understand this is to think of a version control system. Version control systems are a sequence of commits, at any time you can build a working copy by applying those commits. VCSs are more complicated than the Business Logic Processor because they must support branching, while the Business Logic Processor is a simple sequence. So, in theory, you can always rebuild the state of the Business Logic Processor by reprocessing all the events. In practice, however, that would take too long should you need to spin one up. So, just as with version control systems, LMAX can make snapshots of the Business Logic Processor state and restore from the snapshots. They take a snapshot every night during periods of low activity. Restarting the Business Logic Processor is fast, a full restart - including restarting the JVM, loading a recent snapshot, and replaying a days worth of journals - takes less than a minute. Snapshots make starting up a new Business Logic Processor faster, but not quickly enough should a Business Logic Processor crash at 2pm. As a result LMAX keeps multiple Business Logic Processors running all the time6. Each input event is processed by multiple processors, but all but one processor has its output ignored. Should the live processor fail, the system switches to another one. This ability to handle fail-over is another benefit of using Event Sourcing. By event sourcing into replicas they can switch between processors in a matter of micro-seconds. As well as taking snapshots every night, they also restart the Business Logic Processors every night. The replication allows them to do this with no downtime, so they continue to process trades 247. For more background on Event Sourcing, see the draft pattern on my site from a few years ago. The article is more focused on handling temporal relationships rather than the benefits that LMAX use, but it does explain the core idea. Event Sourcing is valuable because it allows the processor to run entirely in-memory, but it has another considerable advantage for diagnostics. If some unexpected behavior occurs, the team copies the sequence of events to their development environment and replays them there. This allows them to examine what happened much more easily than is possible in most environments. This diagnostic capability extends to business diagnostics. There are some business tasks, such as in risk management, that require significant computation that isnt needed for processing orders. An example is getting a list of the top 20 customers by risk profile based on their current trading positions. The team handles this by spinning up a replicate domain model and carrying out the computation there, where it wont interfere with the core order processing. These analysis domain models can have variant data models, keep different data sets in memory, and run on different machines. Tuning performance So far Ive explained that the key to the speed of the Business Logic Processor is doing everything sequentially, in-memory. Just doing this (and nothing really stupid) allows developers to write code that can process 10K TPS7. They then found that concentrating on the simple elements of good code could bring this up into the 100K TPS range. This just needs well-factored code and small methods - essentially this allows Hotspot to do a better job of optimizing and for CPUs to be more efficient in caching the code as its running. It took a bit more cleverness to go up another order of magnitude. There are several things that the LMAX team found helpful to get there. One was to write custom implementations of the java collections that were designed to be cache-friendly and careful with garbage8. An example of this is using primitive java longs as hashmap keys with a specially written array backed Map implementation ( LongToObjectHashMap ). In general theyve found that choice of data structures often makes a big difference, Most programmers just grab whatever List they used last time rather than thinking which implementation is the right one for this context.9 Another technique to reach that top level of performance is putting attention into performance testing. Ive long noticed that people talk a lot about techniques to improve performance, but the one thing that really makes a difference is to test it. Even good programmers are very good at constructing performance arguments that end up being wrong, so the best programmers prefer profilers and test cases to speculation.10 The LMAX team has also found that writing tests first is a very effective discipline for performance tests. Programming Model This style of processing does introduce some constraints into the way you write and organize the business logic. The first of these is that you have to tease out any interaction with external services. An external service call is going to be slow, and with a single thread will halt the entire order processing machine. As a result you cant make calls to external services within the business logic. Instead you need to finish that interaction with an output event, and wait for another input event to pick it back up again. Ill use a simple non-LMAX example to illustrate. Imagine you are making an order for jelly beans by credit card. A simple retailing system would take your order information, use a credit card validation service to check your credit card number, and then confirm your order - all within a single operation. The thread processing your order would block while waiting for the credit card to be checked, but that block wouldnt be very long for the user, and the server can always run another thread on the processor while its waiting. In the LMAX architecture, you would split this operation into two. The first operation would capture the order information and finish by outputting an event (credit card validation requested) to the credit card company. The Business Logic Processor would then carry on processing events for other customers until it received a credit-card-validated event in its input event stream. On processing that event it would carry out the confirmation tasks for that order. Working in this kind of event-driven, asynchronous style, is somewhat unusual - although using asynchrony to improve the responsiveness of an application is a familiar technique. It also helps the business process be more resilient, as you have to be more explicit in thinking about the different things that can happen with the remote application. A second feature of the programming model lies in error handling. The traditional model of sessions and database transactions provides a helpful error handling capability. Should anything go wrong, its easy to throw away everything that happened so far in the interaction. Session data is transient, and can be discarded, at the cost of some irritation to the user if in the middle of something complicated. If an error occurs on the database side you can rollback the transaction. LMAXs in-memory structures are persistent across input events, so if there is an error its important to not leave that memory in an inconsistent state. However theres no automated rollback facility. As a consequence the LMAX team puts a lot of attention into ensuring the input events are fully valid before doing any mutation of the in-memory persistent state. They have found that testing is a key tool in flushing out these kinds of problems before going into production. Input and Output Disruptors Although the business logic occurs in a single thread, there are a number tasks to be done before we can invoke a business object method. The original input for processing comes off the wire in the form of a message, this message needs to be unmarshaled into a form convenient for Business Logic Processor to use. Event Sourcing relies on keeping a durable journal of all the input events, so each input message needs to be journaled onto a durable store. Finally the architecture relies on a cluster of Business Logic Processors, so we have to replicate the input messages across this cluster. Similarly on the output side, the output events need to be marshaled for transmission over the network. Figure 2: The activities done by the input disruptor (using UML activity diagram notation) The replicator and journaler involve IO and therefore are relatively slow. After all the central idea of Business Logic Processor is that it avoids doing any IO. Also these three tasks are relatively independent, all of them need to be done before the Business Logic Processor works on a message, but they can done in any order. So unlike with the Business Logic Processor, where each trade changes the market for subsequent trades, there is a natural fit for concurrency. To handle this concurrency the LMAX team developed a special concurrency component, which they call a Disruptor 11 . The LMAX team have released the source code for the Disruptor with an open source licence. At a crude level you can think of a Disruptor as a multicast graph of queues where producers put objects on it that are sent to all the consumers for parallel consumption through separate downstream queues. When you look inside you see that this network of queues is really a single data structure - a ring buffer. Each producer and consumer has a sequence counter to indicate which slot in the buffer its currently working on. Each producerconsumer writes its own sequence counter but can read the others sequence counters. This way the producer can read the consumers counters to ensure the slot it wants to write in is available without any locks on the counters. Similarly a consumer can ensure it only processes messages once another consumer is done with it by watching the counters. Figure 3: The input disruptor coordinates one producer and four consumers Output disruptors are similar but they only have two sequential consumers for marshaling and output.12 Output events are organized into several topics, so that messages can be sent to only the receivers who are interested in them. Each topic has its own disruptor. The disruptors Ive described are used in a style with one producer and multiple consumers, but this isnt a limitation of the design of the disruptor. The disruptor can work with multiple producers too, in this case it still doesnt need locks.13 A benefit of the disruptor design is that it makes it easier for consumers to catch up quickly if they run into a problem and fall behind. If the unmarshaler has a problem when processing on slot 15 and returns when the receiver is on slot 31, it can read data from slots 16-30 in one batch to catch up. This batch read of the data from the disruptor makes it easier for lagging consumers to catch up quickly, thus reducing overall latency. Ive described things here, with one each of the journaler, replicator, and unmarshaler - this indeed is what LMAX does. But the design would allow multiple of these components to run. If you ran two journalers then one would take the even slots and the other journaler would take the odd slots. This allows further concurrency of these IO operations should this become necessary. The ring buffers are large: 20 million slots for input buffer and 4 million slots for each of the output buffers. The sequence counters are 64bit long integers that increase monotonically even as the ring slots wrap.14 The buffer is set to a size thats a power of two so the compiler can do an efficient modulus operation to map from the sequence counter number to the slot number. Like the rest of the system, the disruptors are bounced overnight. This bounce is mainly done to wipe memory so that there is less chance of an expensive garbage collection event during trading. (I also think its a good habit to regularly restart, so that you rehearse how to do it for emergencies.) The journalers job is to store all the events in a durable form, so that they can be replayed should anything go wrong. LMAX does not use a database for this, just the file system. They stream the events onto the disk. In modern terms, mechanical disks are horribly slow for random access, but very fast for streaming - hence the tag-line disk is the new tape.15 Earlier on I mentioned that LMAX runs multiple copies of its system in a cluster to support rapid failover. The replicator keeps these nodes in sync. All communication in LMAX uses IP multicasting, so clients dont need to know which IP address is the master node. Only the master node listens directly to input events and runs a replicator. The replicator broadcasts the input events to the slave nodes. Should the master node go down, its lack of heartbeat will be noticed, another node becomes master, starts processing input events, and starts its replicator. Each node has its own input disruptor and thus has its own journal and does its own unmarshaling. Even with IP multicasting, replication is still needed because IP messages can arrive in a different order on different nodes. The master node provides a deterministic sequence for the rest of the processing. The unmarshaler turns the event data from the wire into a java object that can be used to invoke behavior on the Business Logic Processor. Therefore, unlike the other consumers, it needs to modify the data in the ring buffer so it can store this unmarshaled object. The rule here is that consumers are permitted to write to the ring buffer, but each writable field can only have one parallel consumer thats allowed to write to it. This preserves the principle of only having a single writer. 16 Figure 4: The LMAX architecture with the disruptors expanded The disruptor is a general purpose component that can be used outside of the LMAX system. Usually financial companies are very secretive about their systems, keeping quiet even about items that arent germane to their business. Not just has LMAX been open about its overall architecture, they have open-sourced the disruptor code - an act that makes me very happy. Not just will this allow other organizations to make use of the disruptor, it will also allow for more testing of its concurrency properties. Queues and their lack of mechanical sympathy The LMAX architecture caught peoples attention because its a very different way of approaching a high performance system to what most people are thinking about. So far Ive talked about how it works, but havent delved too much into why it was developed this way. This tale is interesting in itself, because this architecture didnt just appear. It took a long time of trying more conventional alternatives, and realizing where they were flawed, before the team settled on this one. Most business systems these days have a core architecture that relies on multiple active sessions coordinated through a transactional database. The LMAX team were familiar with this approach, and confident that it wouldnt work for LMAX. This assessment was founded in the experiences of Betfair - the parent company who set up LMAX. Betfair is a betting site that allows people to bet on sporting events. It handles very high volumes of traffic with a lot of contention - sports bets tend to burst around particular events. To make this work they have one of the hottest database installations around and have had to do many unnatural acts in order to make it work. Based on this experience they knew how difficult it was to maintain Betfairs performance and were sure that this kind of architecture would not work for the very low latency that a trading site would require. As a result they had to find a different approach. Their initial approach was to follow what so many are saying these days - that to get high performance you need to use explicit concurrency. For this scenario, this means allowing orders to be processed by multiple threads in parallel. However, as is often the case with concurrency, the difficulty comes because these threads have to communicate with each other. Processing an order changes market conditions and these conditions need to be communicated. The approach they explored early on was the Actor model and its cousin SEDA. The Actor model relies on independent, active objects with their own thread that communicate with each other via queues. Many people find this kind of concurrency model much easier to deal with than trying to do something based on locking primitives. The team built a prototype exchange using the actor model and did performance tests on it. What they found was that the processors spent more time managing queues than doing the real logic of the application. Queue access was a bottleneck. When pushing performance like this, it starts to become important to take account of the way modern hardware is constructed. The phrase Martin Thompson likes to use is mechanical sympathy. The term comes from race car driving and it reflects the driver having an innate feel for the car, so they are able to feel how to get the best out of it. Many programmers, and I confess I fall into this camp, dont have much mechanical sympathy for how programming interacts with hardware. Whats worse is that many programmers think they have mechanical sympathy, but its built on notions of how hardware used to work that are now many years out of date. One of the dominant factors with modern CPUs that affects latency, is how the CPU interacts with memory. These days going to main memory is a very slow operation in CPU-terms. CPUs have multiple levels of cache, each of which of is significantly faster. So to increase speed you want to get your code and data in those caches. At one level, the actor model helps here. You can think of an actor as its own object that clusters code and data, which is a natural unit for caching. But actors need to communicate, which they do through queues - and the LMAX team observed that its the queues that interfere with caching. The explanation runs like this: in order to put some data on a queue, you need to write to that queue. Similarly, to take data off the queue, you need to write to the queue to perform the removal. This is write contention - more than one client may need to write to the same data structure. To deal with the write contention a queue often uses locks. But if a lock is used, that can cause a context switch to the kernel. When this happens the processor involved is likely to lose the data in its caches. The conclusion they came to was that to get the best caching behavior, you need a design that has only one core writing to any memory location17. Multiple readers are fine, processors often use special high-speed links between their caches. But queues fail the one-writer principle. This analysis led the LMAX team to a couple of conclusions. Firstly it led to the design of the disruptor, which determinedly follows the single-writer constraint. Secondly it led to idea of exploring the single-threaded business logic approach, asking the question of how fast a single thread can go if its freed of concurrency management. The essence of working on a single thread, is to ensure that you have one thread running on one core, the caches warm up, and as much memory access as possible goes to the caches rather than to main memory. This means that both the code and the working set of data needs to be as consistently accessed as possible. Also keeping small objects with code and data together allows them to be swapped between the caches as a unit, simplifying the cache management and again improving performance. An essential part of the path to the LMAX architecture was the use of performance testing. The consideration and abandonment of an actor-based approach came from building and performance testing a prototype. Similarly much of the steps in improving the performance of the various components were enabled by performance tests. Mechanical sympathy is very valuable - it helps to form hypotheses about what improvements you can make, and guides you to forward steps rather than backward ones - but in the end its the testing gives you the convincing evidence. Performance testing in this style, however, is not a well-understood topic. Regularly the LMAX team stresses that coming up with meaningful performance tests is often harder than developing the production code. Again mechanical sympathy is important to developing the right tests. Testing a low level concurrency component is meaningless unless you take into account the caching behavior of the CPU. One particular lesson is the importance of writing tests against null components to ensure the performance test is fast enough to really measure what real components are doing. Writing fast test code is no easier than writing fast production code and its too easy to get false results because the test isnt as fast as the component its trying to measure. Should you use this architecture At first glance, this architecture appears to be for a very small niche. After all the driver that led to it was to be able to run lots of complex transactions with very low latency - most applications dont need to run at 6 million TPS. But the thing that fascinates me about this application, is that they have ended up with a design which removes much of the programming complexity that plagues many software projects. The traditional model of concurrent sessions surrounding a transactional database isnt free of hassles. Theres usually a non-trivial effort that goes into the relationship with the database. Objectrelational mapping tools can help much of the pain of dealing with a database, but it doesnt deal with it all. Most performance tuning of enterprise applications involves futzing around with SQL. These days, you can get more main memory into your servers than us old guys could get as disk space. More and more applications are quite capable of putting all their working set in main memory - thus eliminating a source of both complexity and sluggishness. Event Sourcing provides a way to solve the durability problem for an in-memory system, running everything in a single thread solves the concurrency issue. The LMAX experience suggests that as long as you need less than a few million TPS, youll have enough performance headroom. There is a considerable overlap here with the growing interest in CQRS. An event sourced, in-memory processor is a natural choice for the command-side of a CQRS system. (Although the LMAX team does not currently use CQRS.) So what indicates you shouldnt go down this path This is always a tricky questions for little-known techniques like this, since the profession needs more time to explore its boundaries. A starting point, however, is to think of the characteristics that encourage the architecture. One characteristic is that this is a connected domain where processing one transaction always has the potential to change how following ones are processed. With transactions that are more independent of each other, theres less need to coordinate, so using separate processors running in parallel becomes more attractive. LMAX concentrates on figuring the consequences of how events change the world. Many sites are more about taking an existing store of information and rendering various combinations of that information to as many eyeballs as they can find - eg think of any media site. Here the architectural challenge often centers on getting your caches right. Another characteristic of LMAX is that this is a backend system, so its reasonable to consider how applicable it would be for something acting in an interactive mode. Increasingly web application are helping us get used to server systems that react to requests, an aspect that does fit in well with this architecture. Where this architecture goes further than most such systems is its absolute use of asynchronous communications, resulting in the changes to the programming model that I outlined earlier. These changes will take some getting used to for most teams. Most people tend to think of programming in synchronous terms and are not used to dealing with asynchrony. Yet its long been true that asynchronous communication is an essential tool for responsiveness. It will be interesting to see if the wider use of asynchronous communication in the javascript world, with AJAX and node. js, will encourage more people to investigate this style. The LMAX team found that while it took a bit of time to adjust to asynchronous style, it soon became natural and often easier. In particular error handling was much easier to deal with under this approach. The LMAX team certainly feels that the days of the coordinating transactional database are numbered. The fact that you can write software more easily using this kind of architecture and that it runs more quickly removes much of the justification for the traditional central database. For my part, I find this a very exciting story. Much of my goal is to concentrate on software that models complex domains. An architecture like this provides good separation of concerns, allowing people to focus on Domain-Driven Design and keeping much of the platform complexity well separated. The close coupling between domain objects and databases has always been an irritation - approaches like this suggest a way out. if you found this article useful, please share it. I appreciate the feedback and encouragement