订单事件足迹：找出最频繁的连续事件二元组

实现 solution(events: list[int]) -> list[int]。一段微结构事件日志按到达顺序给出整数事件 id 序列 events（每个 id 表示一种订单生命周期事件——例如 1=Order-Created，2=Order-Modified，3=Order-Cancelled，4=Order-Filled）。在序列上滑动一个长度为 2 的窗口，考察所有 i = 0, 1, ..., N-2 上的连续对 (events[i], events[i+1])。返回出现次数最多的那一对，写成 2 元素列表 [a, b]。若有并列最大值：a 小者胜；若 a 也相等，则 b 小者胜。若 N < 2，不存在任何连续对，返回哨兵 [-1, -1]。

例：solution([2, 3, 2, 3, 2, 3, 1]) 返回 [2, 3]。共有 6 个连续对：(2,3)、(3,2)、(2,3)、(3,2)、(2,3)、(3,1)；计数分别为 (2,3): 3、(3,2): 2、(3,1): 1，因此 (2,3) 胜出。再看 solution([1, 2, 1, 2, 1])：连续对为 (1,2)、(2,1)、(1,2)、(2,1)，(1,2) 与 (2,1) 都出现 2 次，按 a 升序 1 < 2，所以返回 [1, 2]。

需要明确的细节：空数组或长度为 1 的输入都不存在连续对，故 solution([]) 与 solution([7]) 都返回 [-1, -1]；哨兵 [-1, -1] 仅在长度不足时返回——若 events 本身就含有 -1，(-1, -1) 完全可能是合法的最频繁对（例如 solution([-1, -1, -1, -1]) 应返回 [-1, -1]，因为 (-1, -1) 出现 3 次）；平局规则只看 key 值，不看首次出现位置，因此不需要额外维护 first_index。

用一个以 (a, b) 整型元组为 key 的字典做一遍线性扫描，再做一次 (count desc, a asc, b asc) 的最值选取即可，整体 O(N) 时间、O(unique_pairs) 额外空间。直接 O(N^2) 的双层重新计数在本题规模下也跑得动，但字典方案更直观、且与复杂度目标一致。

实现细节由 stubs/stub.py 提供。

实践背景

合规与微结构研究在排查"喋喋不休"或"冰山型"挂单足迹时，常常先做这种最朴素的 2-步模式聚合：当 "Order-Modified-then-Cancelled" 这类二元组的占比明显高于更常见的 "Order-Modified-then-Filled" 或 "Order-Created-then-Filled" 时，往往就是 spoofing 类行为的初步信号——算法刚挂上可见报价就立即撤单，意在诱导对手方。把整段日志压缩成"最频繁的连续事件对"是一个刻意做得很轻的摘要：它只用一次线性扫描，就把窗口里最响的 2-步模式定位出来，再决定是否进入更深的序列分析。把平局规则锚到最小 (a, b)（而不是首次出现位置）是为了让同一段窗口在不同顺序回放、或在不同日志分片间重跑时，结果保持一致——结果只依赖于二元组的多重集合，不受下游行序抖动影响。