高性能多线程订单簿撮合引擎 — 基于 AXOrderBook 的 C++ 高性能重写。 2026-08 实测：较 Python 提升 417 倍（Windows C++）/991 倍（Linux C++）， 详见性能对比。
ACMTOrderBook 是一个专为 A 股 L2 逐笔行情 设计的高性能订单簿重建引擎。本项目将原始 Python 实现重写为 C++，通过多线程架构、数据结构优化、解析优化等技术，实现高性能订单簿重建与 ClickHouse 流式回放。性能数据（2026-08 实测，同源数据 000001 2022-04-22）：Python 5,187 msg/s → Windows C++ 2,162,390 msg/s（417 倍）→ Linux C++ 5,138,602 msg/s（991 倍）。
- 🚀 极致性能：5,138,602 msg/s 吞吐量（Linux 实测均值），80.0ns p50 延迟
- 🧵 多线程架构：SPSC 无锁队列，生产者-消费者并行处理
- 📊 完整功能：订单簿重建、千档快照发布、委托队列展示
- 🖥️ GUI 仪表盘：实时对比 Python 与 C++ 版本性能
- 📈 版本迭代：8 个优化版本，持续性能提升
架构优化：
- SPSC 无锁队列：基于位掩码的环形缓冲区
- 内存池：侵入式空闲链表，减少堆分配
- CPU 亲和性：生产者/消费者绑定不同物理核心
数据结构优化：
- HybridLevelBook：紧凑排序数组 + std::map 回退
- 平铺哈希表：ankerl::unordered_dense 提升缓存命中率
- 字段重排：ObOrder 从 40B 压缩到 32B
解析优化：
- mmap 文件预加载：消除 File I/O 瓶颈
- 直接字段解析：跳过 map 创建，直接提取字段
- 前向 strstr：记录上次查找位置，减少搜索范围
延迟优化：
- genSnap 延迟重建：只在需要时重建快照
- 延迟采样：每 8 条消息采样一次
- 条件拷贝：只拷贝实际类型结构体
Linux 版引擎（cpp_linux/）直连 ClickHouse 的 L2 数据表（LEVEL2.ORDER_/TRANSACTION_/TICK_），
按交易所原生语义重建订单簿，支持深交所（exchange=2）与上交所（exchange=1）。
ClickHouse ──逐笔单流 (ORDER ∪ TRANSACTION, 服务端全局排序)──► 生产者线程 ──► 无锁环形队列 ──► 引擎消费者
▲ 快照 (TICK 全量驻留, 按时间插入) (批消费 1024)
- 数据侧单流：委托+成交在服务端
UNION ALL并按序列键全局排序（深：seq_no；沪：biz_index跨表共享）， 客户端无两路归并；快照按t ≤ 快照时间前缀插入（对齐参照实现mergeChrono语义）。 - SPSC 无锁队列：生产者线程推入、引擎批消费（Disruptor 理念，一批只经历一次等待）。
- 全量物化：逐笔单流经
ch::query一次物化驻留（139MB 级），避免流式长连接在大结果集下的 服务端发送超时断连。 - 精度域：CH 原始值域（价格 ×10⁴、数量百股 ×10²、金额 ×10⁴）在解析层换算回交易所原生精度， 引擎内部统一 ×10⁵ 定点。
cd cpp_linux && make
# 凭据经环境变量传入 (不硬编码)
CH_USER=research CH_PASSWORD=your_password ./demo/replay_ch 20260716 600584 1 # 沪市
CH_USER=research CH_PASSWORD=your_password ./demo/replay_ch 20260716 000001 2 # 深市回放结束输出逐帧审计：NumTrades/Volume/Turnover 与
AUDIT total/fullExact/mismatch/avgLvl/call_*/bar_*（快照按 num_trades 键窗口匹配，
连续竞价比 20 档+统计，集合竞价比虚拟撮合盘口，收盘竞价仅比 last）。
reg_stream.sh 全量回归（9 标的 × 5 交易日 + 25 场单日 = 70 场，覆盖沪深两市 5 板块：
SSE_MB/STAR/SZSE_MB/SME/GEM）与参照实现输出逐位一致（含审计列与 Volume/Turnover 域）。
Linux 版引擎代码与 Windows 版同源（behave/ 订单簿核心一致），差异在数据路径与外围：
| 方面 | Windows (cpp v2) | Linux (cpp_linux) | 优化原因 |
|---|---|---|---|
| 数据源 | 本地 AX-SBE 文件（mmap 预加载） | ClickHouse 直连（ORDER/TRANSACTION/TICK 表） | 生产数据在 CH，免文件搬运 |
| 数据组织 | 文件逐条解析 | 逐笔单流服务端 UNION ALL 全局排序，客户端无两路归并 | 委托+成交共享序列键（深 seq_no / 沪 biz_index），同毫秒顺序由服务端裁决 |
| 快照归并 | 无（纯回放） | 快照全量驻留，按 t ≤ 快照时间 前缀插入逐笔流 |
对齐参照实现 mergeChrono 语义 |
| 数据拉取 | mmap 内存读 | 逐笔全量物化（ch::query 一次驻留 139MB 级） |
流式长连接在大结果集下 CH 发送超时断连；全量物化与参照实现同构 |
| 消费端 | producer/consumer 双线程 pipeline | 生产者线程 + 无锁队列 + 批消费 1024 | SPSC 保留，一批只经历一次等待 |
| 延迟统计 | 每 8 条采样、端到端 | bench 模式事件级全量计时 | 更精确的单事件处理开销 |
| 正确性校验 | 无 | 快照逐帧审计（num_trades 键窗口 [key,key+2] 匹配、集合竞价虚拟撮合盘口、收盘仅比 last、1s 聚合校验）+ 70 场回归 | 深沪两市重建与参照实现逐位一致 |
吞吐差异原因：引擎核心同源，差异来自硬件平台（服务器 vs 本地 Windows 机器）、 数据路径（全量物化内存读，无文件 I/O 瓶颈）与延迟口径（Windows 端到端含批等待与采样长尾， Linux 为事件级纯处理耗时）。
测试基准与数据：深交所 000001（平安银行）2022-04-22 全日 L2 逐笔行情，共 233,615 条消息 （逐笔委托 122,359 + 逐笔成交 106,434 + 十档快照 4,822；深交所 L2 快照深度为 10 档， 千档委托队列 ORDERQUEUE 不在测试样例中，引擎亦不消费）。全部为单次重放实测。
| 实现 | 运行环境 | 吞吐量 | p50 | p99 | p99.9 | pmax |
|---|---|---|---|---|---|---|
Python (py/) |
本地 Windows，Python 3.11.9 | 5,187 msg/s | - | - | - | - |
C++ v2 (cpp v2) |
本地 Windows，MinGW g++ 13.2 (-O3 -march=native) | 2,162,390 msg/s | 0.2 μs | 402 μs | 932 μs | 1,020 μs |
C++ Linux (cpp_linux) |
Linux 服务器，g++ -O3 -march=native，ClickHouse 直连 | 5,138,602 msg/s | 80 ns | 351 ns | 1,313 ns | 1,383,271 ns |
各实现的测试方式：
- Python：
python py/main.py data/20220422/AX_sbe_szse_000001.log 1（本地 Windows） - C++ v2 (Windows)：
orderbook_v2.exe <log> 0 2 16384 64 1（SPSC 生产者 Core0/消费者 Core2， 队列 16384、批次 64；延迟为端到端采样统计）。原 README 中 1,339,869 msg/s 等数字为 原项目在 py 仪表盘（dashboard.py，Windows 本地驱动）环境的历史基准，当前环境以本表实测为准。 - C++ Linux：
replay_ch 20220422 000001 2 127.0.0.1 8123 bench（ClickHouse 直连，数据与 Windows 版本地文件完全同源；延迟为事件级 onMsg 处理耗时（全量计时），与 Windows 版端到端 采样口径不同；吞吐为含延迟统计口径，去掉统计开销 ~7.9M msg/s）
三个实现重建的订单簿状态一致：
NumTrades=810,490 LastPx=1606 HighPx=1619 LowPx=1540
基础 C++ 重写，包含完整的订单簿功能实现。
基于 v1 进行多线程优化，包含以下核心优化：
架构优化：
- SPSC 无锁队列：生产者-消费者线程间数据传输
- 内存池：减少动态内存分配开销
- 缓存行填充：防止 false sharing
- 批量处理：减少原子操作开销
- CPU 亲和性绑定：生产者/消费者绑定不同物理核心
- 延迟测量：p50/p99/p99.9/pmax 全链路延迟统计
数据结构优化：
- HybridLevelBook：紧凑排序数组（n≤256）+ std::map 回退（n>256）
- 平铺哈希表：ankerl::unordered_dense 提升缓存命中率
- 字段重排：ObOrder 从 40B 压缩到 32B
解析优化：
- mmap 文件预加载：消除 File I/O 瓶颈
- 直接字段解析：跳过 map 创建，直接提取字段
- 前向 strstr：记录上次查找位置，减少搜索范围 ~4x
- 零分配解析：消除堆分配开销
延迟优化：
- genSnap 延迟重建：只在需要时重建快照
- 延迟采样：每 8 条消息采样一次，减少 QPC 开销
- 条件拷贝：只拷贝实际类型结构体
编译优化：
- MSVC 2022：/O2 /GL /arch:AVX2 /LTCG
- PGO：Profile-Guided Optimization
- Huge Pages：大页内存优化
- 操作系统：Windows 10/11
- 编译器：MSVC 2022 (Visual Studio 2022)
- CMake：3.15 或更高版本
- Git：用于克隆项目
git clone https://github.com/MistyBridge/ACMTOrderBook.git
cd ACMTOrderBookcd py
python main.pycd "cpp v1"
g++ -std=c++17 -O0 -I. -o orderbook.exe main.cpp behave/*.cppcd "cpp v2"
# 使用 CMake 配置（推荐）
cmake -B build -G "Visual Studio 17 2022" -A x64 -DUSE_MMAP=ON -DUSE_FLAT_HASHMAP=1
# 编译 Release 版本
cmake --build build --config Release --parallel 8
# 输出文件
build/Release/orderbook_v2.exe基础优化（已包含）：
/O2：最大速度优化/GL：全程序优化/arch:AVX2：AVX2 指令集/LTCG：链接时代码生成
高级优化（可选）：
# PGO 优化（需要运行两次）
cmake -B build_pgo -G "Visual Studio 17 2022" -A x64 -DUSE_MMAP=ON -DUSE_FLAT_HASHMAP=1 -DPGO_MODE=GEN
cmake --build build_pgo --config Release --parallel 8
./build_pgo/Release/orderbook_v2.exe [数据文件] 0 2 16384 64 100
cmake -B build_pgo_opt -G "Visual Studio 17 2022" -A x64 -DUSE_MMAP=ON -DUSE_FLAT_HASHMAP=1 -DPGO_MODE=USE
cmake --build build_pgo_opt --config Release --parallel 8# 单次测试
./build/Release/orderbook_v2.exe [数据文件] [生产者核心] [消费者核心] [队列容量] [批次大小] [重放次数]
# 示例：100 次重放测试
./build/Release/orderbook_v2.exe "../data/20220422/AX_sbe_szse_000001.log" 0 2 16384 64 100- 使用 Release 模式：确保编译时使用 Release 配置
- 启用 AVX2：确保 CPU 支持 AVX2 指令集
- 绑定 CPU 核心：生产者绑定 Core 0，消费者绑定 Core 2
- 使用 mmap：启用 mmap 文件预加载（默认开启）
- 使用平铺哈希表：启用 ankerl::unordered_dense（默认开启）
下表中 v1~v2.8 为原项目历史基准（py 仪表盘 Windows 本地环境测得，当前环境未复测， 供演进脉络参考）；实测行以"性能对比"章节为准。
| 版本 | 吞吐量（历史基准） | 核心优化 |
|---|---|---|
| Python | 4,109 msg/s | 基准 |
| CPP v1 | 64,613 msg/s | 单线程 C++ 重写 |
| CPP v2.1 | 223,410 msg/s | MSVC 编译优化 + HybridLevelBook |
| CPP v2.2 | 433,332 msg/s | mmap 文件预加载 + 平铺哈希表 |
| CPP v2.3 | 1,102,511 msg/s | 直接字段解析优化 |
| CPP v2.4 | 1,087,261 msg/s | 代码质量优化 |
| CPP v2.5 | 1,065,053 msg/s | PGO + Huge Pages |
| CPP v2.6 | 1,240,251 msg/s | 零分配解析 + 二分查找 + ankerl |
| CPP v2.7 | 1,224,407 msg/s | genSnap 延迟重建 |
| CPP v2.8 | 1,339,869 msg/s | 前向 strstr + 延迟采样 + 条件拷贝 |
| C++ Linux（实测） | 5,138,602 msg/s | ClickHouse 直连回放 + SPSC 单流 + 全量物化 |
ACMTOrderBook/
├── dashboard.py ← 对比仪表盘源码
├── py/
│ ├── main.py ← Python 入口
│ ├── behave/ ← 订单簿引擎核心
│ └── tool/ ← 消息解析工具
├── cpp v1/ ← 单线程版本
│ ├── main.cpp ← C++ v1 入口
│ ├── behave/ ← 订单簿引擎核心
│ └── tool/ ← 消息解析工具
├── cpp v2/ ← 多线程优化版本（Windows）
│ ├── main.cpp ← C++ v2 入口
│ ├── core/ ← 基础组件 (SPSC队列、内存池、缓存行、CPU亲和性、延迟统计)
│ ├── pipeline/ ← 管道架构 (生产者/消费者)
│ ├── behave/ ← 订单簿引擎核心
│ ├── tool/ ← 消息解析工具
│ └── source/ ← ClickHouse 数据源 (ch_client/clickhouse_source, 双平台)
├── cpp_linux/ ← Linux 版引擎 + ClickHouse 流式回放
│ ├── src/api.cpp ← C API (快照校验闭环/1s 聚合校验)
│ ├── demo/replay_ch.cpp ← 回放入口 (凭据走 CH_USER/CH_PASSWORD 环境变量)
│ └── reg_stream.sh ← 70 场全量回归脚本
└── data/ ← 测试数据 (体积大, 不入仓库, 见"数据源")
双击 Dashboard.exe 即可，无需安装 Python 环境。
仪表盘顶部有三个可编辑路径：
| 配置项 | 默认值 | 说明 |
|---|---|---|
| Python 入口 | py/main.exe |
Python 订单簿引擎可执行文件 |
| C++ 入口 | cpp v2/orderbook_v2.8.exe |
C++ v2.8 多线程优化版本（最终版） |
| 数据文件 | cpp v2/test_data.log |
L2 逐笔行情数据文件 |
| 重放次数 | 1 |
数据重放次数（1-1000），用于压力测试 |
可点击 浏览 按钮更换文件。
- 点击 ▶ Run Python 或 ▶ Run C++ 启动对应引擎
- 进度条实时显示处理进度（约 1000 个检查点）
- 运行过程中实时更新：速度、已用时间、成交数、最新价、买卖一档
- 底部日志面板显示完整输出
- 每次运行 无视缓存，始终重新执行；结果同名 直接覆盖
# Python
python py/main.py [数据文件路径]
# C++ v1（需先编译）
cd "cpp v1" && g++ -std=c++17 -O0 -I. -o orderbook.exe main.cpp behave/*.cpp
./orderbook.exe [数据文件路径]
# C++ v2（需先编译）
cd "cpp v2"
cmake -B build -G "Visual Studio 17 2022" -A x64 -DUSE_MMAP=ON -DUSE_FLAT_HASHMAP=1
cmake --build build --config Release --parallel 8
./build/Release/orderbook_v2.exe [数据文件路径] [生产者核心] [消费者核心] [队列容量] [批次大小] [重放次数]- 模块化设计：拆分为
axob_init、axob_order、axob_trade、axob_cage、axob_snap五个模块 - 数据结构：
std::map价格档有序树 +std::unordered_map订单 O(1) 查表 - 精度处理：深交所逐笔委托 4 位小数 → 内部 2 位精度计算
- 创业板价格笼子：300xxx 股票 ±2% 价格笼子完整实现
- 交易阶段：OpenCall / AMTrading / PMTrading / CloseCall 全阶段覆盖
- 关键修正：订单簿不从 orderMap 中删除已成交订单（与原 Python 行为一致）
- SPSC 无锁队列：基于位掩码的环形缓冲区，避免模运算开销
- 内存池：侵入式空闲链表，2x 增长策略，减少内存碎片
- 缓存行对齐：
alignas(64)防止 false sharing - 批量处理：每批最多 64 条消息，减少原子操作次数
- CPU 亲和性：生产者绑定 Core 0，消费者绑定 Core 2
- 延迟统计：环形缓冲区 + nth_element 实现 O(n) 分位数计算
- 编译器优化：MSVC 2022 /O2 /GL /arch:AVX2 /LTCG
- 字段重排：ObOrder 从 40B 压缩到 32B，ObExec 优化到 40B
- HybridLevelBook：紧凑排序数组（n≤256）+ std::map 回退（n>256），价格档操作提速 3.5x
- 平铺哈希表：ankerl::unordered_dense 提升缓存命中率
- 内存预取：
__builtin_prefetch预取下一条消息到 L1 缓存
- mmap 文件预加载：消除 File I/O 瓶颈，123MB/395ms 读取速度
- 直接字段解析：跳过 map 创建，直接提取字段，节省 ~370ns/消息
- 前向 strstr：记录上次查找位置，减少搜索范围 ~4x
- 零分配解析：消除堆分配开销，使用栈缓冲区
- genSnap 延迟重建：只在需要时重建快照，减少 60-80% 的 genSnap 调用
- 延迟采样：每 8 条消息采样一次，减少 QPC 开销
- 条件拷贝：只拷贝实际类型结构体，减少 memcpy 开销
- MSVC 2022：/O2 /GL /arch:AVX2 /LTCG
- PGO：Profile-Guided Optimization，+0.8% 吞吐量提升
- Huge Pages：大页内存优化，+0.5% 吞吐量提升
测试数据来自深交所 L2 行情，可从以下地址下载后放置于 data/ 目录下（体积大，不入仓库）：
链接：百度盘 提取码：rxif
000001→data/20220422/002594→data/20220425/300750→data/20220426/
以下为原项目历史基准（py 仪表盘 Windows 本地环境，2022 版数据与测试方式）， 供版本演进脉络参考；当前实测见"性能对比"章节。
| 版本 | 吞吐量 (msg/s) | 相对提升 |
|---|---|---|
| Python | 4,109 | 基准 |
| C++ v1 | 64,613 | +1,472% |
| C++ v2.1 | 223,410 | +5,337% |
| C++ v2.2 | 433,332 | +10,446% |
| C++ v2.3 | 1,102,511 | +26,730% |
| C++ v2.4 | 1,087,261 | +26,361% |
| C++ v2.5 | 1,065,053 | +25,819% |
| C++ v2.6 | 1,240,251 | +30,083% |
| C++ v2.7 | 1,224,407 | +29,696% |
| C++ v2.8 | 1,339,869 | +32,509% |
基于同源测试数据（000001 2022-04-22，233,615 条）的当前实测均值：
- Python → C++ v2 (Windows): 5,187 → 2,162,390 msg/s = +41,588%（417 倍）
- Python → C++ Linux: 5,187 → 5,138,602 msg/s = +98,967%（991 倍）
- C++ v2 (Windows) → C++ Linux: 2,162,390 → 5,138,602 msg/s = +138%
- 蓝色曲线：历史基准（原项目各版本，py 仪表盘 Windows 环境测得，未复测）
- 红色曲线：2026-08 实测（同源数据 000001 2022-04-22，233,615 条，纵轴对数）
- 曲线脚本：
cpp_linux/plot_throughput.py