Matching Engine (Rust & C++ Hybrid)

这是一个高性能的、基于内存的撮合引擎，采用 Rust 作为上层业务逻辑与异步日志系统，核心撮合算法则通过 C++17 实现，以达到极致的性能表现。

性能表现

在典型硬件配置下，本引擎表现出卓越的处理能力：

• 测试环境：Intel Core i9-14900HX
• 吞吐量 (TPS)：在开启异步日志回调的情况下，处理能力约为 2300万单/秒 (2300w TPS)。
• 处理延迟：单笔订单处理延迟保持在纳秒 (ns) 级别。

注意：性能受配置开关 ENABLE_LOGGING 影响。关闭日志可进入纯粹跑分模式，进一步降低延迟。

核心特性

• 高性能核心：核心撮合逻辑使用 C++ 编写，通过双向链表和预分配内存池（Intrusive Linked List & Memory Pool）实现 时间复杂度的订单处理。
• Rust & C++ 混合编程：利用 Rust 的安全性管理内存与多线程，通过 FFI (Foreign Function Interface) 调用 C++ 撮合内核。
• 低延迟异步日志：基于 Rust 的 mpsc 频道实现异步日志落盘，撮合主线程与 IO 线程解耦，确保日志记录不阻塞撮合流程。
• 内存池管理：预分配了可容纳 800 万个订单节点的内存池，减少运行时内存分配（malloc/free）带来的延迟开销。
• 指令集优化：在编译阶段针对不同平台进行了深度优化，如在 Windows 环境下开启 AVX2 指令集优化。

系统架构

1. 撮合内核 (src/engine.cpp)：维护买卖盘（OrderBook），实现限价单撮合与订单撤单逻辑。
2. 数据模型 (src/models.rs, src/order.h)：定义了订单（Order）、侧向（Side）和成交日志（TradeLog）等跨语言对齐的基础结构。
3. Rust 封装层 (src/engine_wrapper.rs)：提供安全的 Rust 接口，负责与 C++ 底层进行通信和对象生命周期管理。
4. 日志系统 (src/logger.rs, src/bridge.rs)：通过 FFI 回调机制，将 C++ 产生的成交信息实时回传给 Rust 异步线程进行持久化。

性能表现

项目包含内置的 Benchmark 工具，可直接对引擎进行压力测试。

• 测试入口：src/benchmark.rs
• 指标：支持统计总订单数、运行总时长、TPS（每秒成交数）以及单笔订单处理延迟（纳秒级）。

快速开始

前置条件

• Rust: 需支持 edition 2024。
• C++ 编译器:
• Windows: 推荐使用 MSVC (Visual Studio 2022) 或支持 AVX2 的 GCC/Clang。
• Linux: 需要支持 C++17 的 GCC 或 Clang。

编译与运行

1. 生成测试数据： 使用提供的 Python 脚本生成 1000 万笔模拟订单数据：

python gen_data.py

2. 编译项目：

cargo build --release

注意：Release 模式下开启了 LTO（Fat）和 Codegen Units 优化以获得最高性能。 3. 运行 Benchmark：

cargo run --release

项目配置

在 src/main.rs 中可以调整以下配置：

• ENABLE_LOGGING: 是否开启异步日志记录。关闭日志可获得纯粹的撮合性能。
• DATA_FILE: 指定输入的 CSV 订单文件路径。

核心设计细节

为了实现极致性能，本项目在数据结构和内存管理上进行了针对性优化：

1. 基于内存池的 Intrusive Linked List (侵入式链表)

传统的 std::list 会为每个节点单独分配内存，导致严重的内存碎片和缓存不命中。本引擎采用了侵入式设计：

• 结构集成：OrderNode 结构体直接包含 prev 和 next 指针（在此实现中为 int32_t 类型的索引）。
• 内存池化：所有节点存储在预分配的 std::vector<OrderNode> (名为 order_pool) 中。
• 优势：
• ** 分配与释放**：通过 pool_head 管理空闲链表，alloc_node 和 free_node 仅需简单的索引交换。
• 缓存友好：节点在物理内存中紧凑排列，大幅提升了 CPU 缓存命中率。
• 无分支哨兵：OrderQueue 使用哨兵节点（Sentinel）来消除 push 和 erase 操作中的分支预测开销。

2. 使用 Vector 替代 Map/Unordered_map

在撮合引擎的 Hot Path（热路径）上，字典查找往往是瓶颈。本引擎通过空间换时间的策略消灭了哈希表和红黑树：

• 价格映射 (Buckets)：由于价格范围已知且离散（MAX_PRICE = 100,000），我们直接使用 std::vector<OrderQueue>。每个价格点对应一个数组下标。

• 优点：查找特定价格的队列只需一次内存偏移计算（），远快于 std::map 的 或 std::unordered_map 的哈希计算。

• 订单定位 (OrderLocation)：通过 std::vector<OrderLocation> 存储所有活跃订单的物理位置。

• 实现：使用 OrderId 直接作为 vector 索引。撤单时，通过 ID 直接定位到节点在 order_pool 中的下标进行 erase。

3. 价格搜索优化

• Best Price 缓存：OrderBook 维护了一个 best_price 变量。
• 线性扫描延迟更新：当当前最优价的订单被吃完时，引擎会进行线性扫描以寻找下一个最优价。由于交易通常集中在盘口附近（高斯分布），这种扫描在实际场景中非常高效。