Google Cloud Well-Architected Framework：金融服务 (FS) 视角中的本文档简要介绍了优化 Google Cloud中 FS 工作负载性能的原则和建议。本文档中的建议与 Well-Architected Framework 的性能优化核心一致。
在金融服务领域，性能优化由来已久。它帮助金融服务组织克服了技术挑战，并且几乎始终是创建新业务模式的推动因素或加速器。例如，ATM（于 1967 年推出）实现了现金发放流程的自动化，帮助银行降低了核心业务的成本。绕过操作系统内核和将应用线程固定到计算核心等技术有助于实现交易应用的确定性和低延迟。延迟时间的缩短有助于提高金融市场的流动性，并使价差更小。
云端为性能优化创造了新的机会。它还对一些历来被接受的优化模式提出了挑战。具体而言，以下权衡在云端更加透明且可控：
- 上市期与成本。
- 系统级端到端性能与节点级性能。
- 人才可用性与技术相关决策的敏捷性。
例如，在云端，根据特定技能要求调整硬件和 IT 资源是一项微不足道的任务。为了支持 GPU 编程，您可以创建基于 GPU 的虚拟机。您可以扩缩云端容量，以应对需求高峰，而无需超额预配资源。此功能有助于确保您的工作负载能够处理高峰负载，例如在非农就业日以及交易量明显高于历史水平时。您无需花费大量精力来编写单个服务器级别的高度优化代码（例如 C 语言中的高度精细调整的代码），也无需为传统的高性能计算 (HPC) 环境编写代码，只需使用精心设计的基于 Kubernetes 的分布式系统，即可实现最佳的横向扩容。
本文档中的性能优化建议与以下核心原则相对应：
将技术性能指标与关键业务指标保持一致
您可以通过多种方式将性能优化与业务价值成果相关联。例如，在买方研究部门，业务目标可能是优化每研究小时的产出，或优先考虑来自具有良好记录（例如较高的夏普比率）的团队的实验。在卖方，您可以使用分析来跟踪客户兴趣，并相应地优先考虑支持最有趣研究的 AI 模型的吞吐量。
将性能目标与业务关键绩效指标 (KPI) 相关联，对于为提升效果提供资金支持也至关重要。与常规业务 (BAU) 或银行运营相比，业务创新和转型计划（有时称为银行变革工作）具有不同的预算，并且可能具有不同程度的资源访问权限。例如， Google Cloud 帮助一家 G-SIFI 的风险管理和技术团队与前台量化分析师合作，共同开发了一种解决方案，可在几分钟（而不是几小时或几天）内执行风险分析计算（例如 XVA）。此解决方案帮助该组织满足了相关合规性要求。它还使交易者能够与客户进行更高质量的对话，从而可能提供更小的价差、更稳定的流动性和更具成本效益的对冲。
将性能指标与业务指标保持一致时，请考虑以下建议：
- 将每项技术举措与相关的业务目标和关键结果 (OKR) 相关联，例如提高收入或利润、降低成本以及更高效或更全面地降低风险。
- 专注于在系统级优化性能。超越传统的“改变银行”与“运营银行”的分离，以及前台与后台的孤岛。
优先考虑安全性，同时不因未经证实的风险而牺牲性能
金融服务组织的安全和监管合规性必须达到高标准。保持高标准对于避免客户流失和防止对组织品牌造成不可挽回的损害至关重要。通常，最高价值是通过生成式 AI 等技术创新以及 Spanner 等独特的托管式服务实现的。不要因为对运营风险过高或监管合规状况不佳的普遍误解，而自动放弃这些技术选项。
Google Cloud 与 G-SIFI 密切合作，确保基于 AI 的反洗钱 (AML) 方法可用于这些机构为客户提供服务的司法管辖区。例如，HSBC显著提升了其金融犯罪 (Fincrime) 部门的绩效，取得了以下成果：
- 确认可疑活动的检测数量提高到近 2-4 倍。
- 由于消除了超过 60% 的假正例，并且仅将调查时间集中在高风险、可采取行动的提醒上，因此降低了运营成本。
- 可审核且可解释的输出，为支持监管合规提供支持。
请考虑以下建议：
- 确认您打算使用的产品可以帮助满足您运营所在司法管辖区的安全性、弹性和合规性要求。为了实现此目标，您需要与 Google Cloud 客户支持团队、风险团队和产品团队合作。
- 利用 AI 可解释性，创建更强大的模型，并为客户提供透明度。
如果可解释性不够，请将价值流中的决策步骤分离出来，并仅使用 AI 自动执行非决策步骤。在某些情况下，可解释 AI 可能不够，或者由于监管问题（例如 GDPR 第 22 条），流程可能需要人工干预。在这种情况下，请在单个控制窗格中显示人工客服人员做出决策所需的所有信息，但要自动执行数据收集、注入、处理和总结任务。
重新思考您的架构，以适应新的机遇和要求
利用基于云的功能增强当前架构可以提供巨大的价值。为了实现更具变革性的成果，您需要定期使用云优先方法重新思考架构。
请考虑以下建议，定期重新思考工作负载的架构，以进一步优化性能。
使用基于云的替代方案来取代本地 HPC 系统和调度器
为了充分利用更高的弹性、更稳定的安全状况以及广泛的监控和治理功能，您可以在云端运行 HPC 工作负载，也可以将本地工作负载突发到云端。不过，对于某些数值建模用例（例如投资策略模拟或 XVA 建模），将 Kubernetes 与 Kueue 结合使用可能会提供更强大的解决方案。
切换到基于图表的编程方式进行模拟
在基于图的执行系统（例如 Dataflow）中，蒙特卡罗模拟的性能可能会高得多。例如，HSBC使用 Dataflow 运行风险计算，速度比之前的方法快 16 倍。
运行基于云的交易所和交易平台
与 Google Cloud 客户的对话表明，80/20 帕累托法则适用于市场和交易应用的性能要求。
- 超过 80% 的交易应用不需要极低的延迟。 不过，它们可以从云端的弹性、安全性和弹性功能中获益。例如，外汇多交易商平台 BidFX 使用云来快速发布新产品，并在不增加资源的情况下显著提高其可用性和覆盖面。
- 其余应用（不到 20%）在消息传递方面需要低延迟（不到 1 毫秒）、确定性和公平性。传统上，这些系统在不灵活且昂贵的对接网点中运行。越来越多地，即使是这类应用，也正在云端进行平台重构，要么在边缘，要么作为云优先应用。
打造面向未来的技术，满足当前和未来的业务需求
过去，许多金融服务组织都构建了专有技术来获得竞争优势。例如，在 21 世纪初，成功的投资银行和交易公司都有自己的基础技术实现，例如发布/订阅系统和消息代理。随着开源技术和云技术的发展，这些技术已成为商品，无法提供增量业务价值。
请考虑以下建议，确保您的技术能够适应未来发展。
采用数据即服务 (DaaS) 方法，缩短上市时间并提高成本透明度
金融服务组织通常通过有机增长和并购 (M&A) 相结合的方式发展。因此，组织需要集成不同的技术。他们还需要管理重复的资源，例如数据供应商、数据许可和集成点。 Google Cloud 提供了在合并后集成中创造差异化价值的机会。
例如，您可以使用 BigQuery Sharing 等服务来构建可供分析的数据即服务 (DaaS) 平台。该平台可以提供市场数据和来自替代来源的输入。这种方法无需构建冗余数据流水线，让您可以专注于更有价值的计划。此外，合并或收购的公司可以快速高效地合理化其合并后的数据许可和基础设施需求。合并后的企业可以专注于新的业务机会，而不是花费精力来调整和合并旧版数据资产和运营。
构建抽象层，以隔离现有系统并应对新兴业务模式
银行的竞争优势越来越不取决于核心银行系统，而是取决于其客户体验层。然而，传统银行系统通常使用单体式应用，这些应用是用 Cobol 等语言开发的，并集成在整个银行价值链中。这种集成使得价值链的各个层级难以分离，因此几乎不可能对这些系统进行升级和现代化改造。
应对这一挑战的一种解决方案是使用隔离层（例如 API 管理系统）或暂存层（例如 Spanner），后者可复制记录簿，并通过高级分析和 AI 促进服务现代化。例如，Deutsche Bank 使用 Spanner 隔离其旧版核心银行资产，并开启了创新之旅。