拍乐云解析融合语音通话技术实践

近日，RTSCon2021开发者沙龙以线上的方式顺利举办。拍乐云服务端专家沈伟锋受邀参会，并带来了《拍乐云融合语音通话技术实践》主题演讲，分享了融合语音通话的需求背景、技术基础、架构搭建和技术实践，博得参会嘉宾的一致好评。
以下为演讲实录：

PART 01 融合语音通话需求背景

网络覆盖不全
从贝尔1876年发明电话，到1965年5月，美国贝尔系统的1号电子交换机（模拟）问世，再到1970年，法国开通的第一部程控数字交换机E10，之后，电话网络在全世界范围内得到了大规模的发展。而因特网（也叫互联网）起源于1969年美国军方正式启动的阿帕网（“ARPAnet”），到1989年开始才从军用转向民用，此后，因特网开始大规模地发展起来。事实上，因特网构建的基础网络（物理网络）很大一部分是基于PSTN的电路交换网络。正是由于这个历史原因，PSTN网络的覆盖率要远高于因特网，在我国的一些偏远山区，尤其是人迹稀少的地方，PSTN网络的覆盖率都是要好于互联网的。

使用成本
对于使用者来说，如果只是呼入，PSTN一般都是免费，而基于分组数据的网络，流量的费用不管是上行的流量或下行的流量都不是免费的。在不同的国家，流量的费用从小于一美元/1G到几十美元/1G不等，还是非常昂贵的，以下是部分国家2020年1GB（移动数据）平均费用：
中国-0.61美元/GB
墨西哥-4.77美元/GB
新西兰-6.06美元/GB
美国-12美元/GB
加拿大-12.55美元/GB

使用的便利性
使用电话的时候不需要任何下载，一般也不需要任何设置。但基于互联网的App，一般需要提前下载App，并设置相应的环境：比如摄像头、麦克风、扬声器(耳机)、网络等。在实际的使用中经常会碰到网络不通、网络不佳、或听不到声音等问题，这些问题一般需要具备一定的专业知识的人才能解决。

特定用户群体
对于一些特定的人群，比如老年人，他们接触互联网、智能手机、电脑等比较少，尤其是广大农村的老年人。对于这样的人群，使用电话肯定会比使用App更容易上手。

用户惯性
目前，有一些互联网的应用系统，是从传统的呼叫中心发展过来的，他们的系统核心已经从过去的呼叫中心演变到了基于互联网RTC的系统，这些系统所服务的新用户群体可以是完全基于互联网App的，但对于一些已经习惯于电话使用该系统的老用户群体，会需要一个使用习惯的转换过程，不然这样的客户群体有可能会慢慢流失。

PART 02 PSTN融合RTC的技术基础

PSTN
PSTN ( Public Switched Telephone Network )：公共交换电话网络。PSTN是一种以模拟技术为基础的电路交换网络。
因特网/互联网
因特网（Internet）是由广域网上众多的物理网络（子网）相互连接而成一个逻辑网络，也叫互联网。它是基于一些共同的协议，并通过众多交换机/路由器实现分组数据交换，多路复用等技术连接而成的网络。
PSTN和互联网之间关系
PSTN可以是互联网7层网络中的物理层。在众多的广域网互连技术中，基于PSTN进行互连所要求的通信费用最低，但同时PSTN的网络资源利用率也比较低。
IMS
IMS(IP Multimedia Subsystem)：网际协议多媒体子系统，是由朗讯（Lucent）提出的下一代通信网（NGN）实现大融合方案的网络架构，被认为是下一代网络的核心技术。IMS的目标不仅是在现网基础上提供新的业务，而且它还要能提供现在以及未来因特网上能够承载的所有的业务。
SIP
SIP(Session Initialization Protocol)：会话初始化协议。IMS系统采用SIP协议进行端到端的呼叫控制。
SDP
SDP(Session Description Protocol)：会话描述协议。SIP协议使用SDP来描述如何设置和初始化会话及会话中使用到的多媒体，主要包括会话者信息，会话时间，网络传输方式，媒体信息等等。
RTP/RTCP
RTP（Real-time Transport Protocol）实时传输协议，定义了在互联网上传输多媒体时的标准数据包格式。RTCP（Real-time Transport Control Protocol）实时传输控制协议，主要用于QoS反馈和同步媒体流。

PART 03 融合语音通话技术实践

我们来看看电话呼入的一个基本流程：
首先用户侧使用电话拨入会议专用号码，经过IMS系统承载的SIP呼入Pano服务，经过Pano前置四层负载均衡器，进入其中一个可用的Pano SIP LB。Pano SIP LB分配一个可用的SIP2RTC Gateway。SIP2RTC Gateway发起re-Invite，并开始IVR交互入会过程，同时请求Pano Service LB分配RTC媒体服务，并加入媒体服务。最后SIP2RTC Gateway桥接两边的会话，并做相应的协议转换和媒体转码合流。

基于此，融合语音通话就需要具备如下技术特性：
服务的高可用
SIP LB Active-Standby模式防止单节点故障，可演进到Active-Active模式的SIP LB池来支持水平扩展；
SIP2RTC Gateway池可水平扩展，支持高并发；
SIP LB/SIP2RTC Gateway任何一个节点失效后，系统会自动快速进行会话迁移，保障通话不中断；
加持Pano RTC媒体服务的高可用高并发。
完善的会控能力
锁住会议、静音参会者、移除参会者、分组讨论、查询/关闭会议等
多运营商多线路负载均衡
得益于IMS对后端运营商的各种网络的融合，我们可以用统一的接口对接所有运营商的网络。PSTN网络是基于电路交换的网络，而且是对线路独占的，同一个号码能支持的线路资源是有限的，本系统通过多线路资源负载均衡达到高并发的需求。
IVR个性化定制
会议场景的IVR主要包括：入会引导，信息或错误提示等，本系统支持对所有这些交互IVR的定制。

再来说说我们在过程中遇到了哪些坑。

NAT keepalive, 导致SIP(over UDP) NAT没有被转换

这个问题在SIP over TCP的情况下并不存在，只有在SIP over UDP时才会碰到。为了能到达正确的目的地及响应能按原路正确的返回，SIP（over UDP）会话在经过NAT的时候，会在via头中添加路由信息，还会改写request-line的目标地址。这种应用层的NAT转换在不同的设备上的实现方式各不相同，尤其是软件实现的NAT，有些NAT会自动根据UDP会话的第一个包是不是SIP协议来自动标记是否需要做SIP的NAT转换。
一开始我们是通过软终端(linephone)模拟电话呼入来测试的，但是经常发现过一段时间，SIP的NAT转换莫名其妙的没有了。后来发觉，这个软终端会定期发送NAT keepalive包，来做UDP的保活，避免NAT上的UDP五元组的对应关系被删除，但是当我们的PC经过一段时间的休眠状态后，在激活的时候，NAT上的这个五元组对应关系已经被删除，并且这个软终端在激活的时候首先发出了NAT keepalive，导致NAT认为这个“新”的UDP会话不是SIP会话，最终导致SIP NAT转换没有被启动。

乱序的容错处理(sip over UDP)

这个问题是由于UDP的乱序导致后续的re-Invite先于前面的 200 OK的响应。对于一个容错处理好的系统，比较合适的做法是当收到新的re-Invite的时候，应该允许进入新的重新协商的阶段，而不是简单的拒绝，当老的200 OK到达的时候直接丢弃就可以了。然后，在我们对接的过程中发现，这种情况下，re-Invite会被直接拒绝掉。解决这个问题的最简单的办法是把SIP over UDP改成SIP over TCP，或者对re-Invite做适当的延迟处理即可。

PART 04 一个SDK连接所有语音通话场景

截止当前，融合语音通话已服务于视频会议、远程问诊、金融营销、远程面试、智能硬件五大场景客户，一个SDK连接所有语音通话场景，实现VoIP和PSTN的互联互通，同时支持多平台集成，跨不同的终端，用户可按需选择接入方式，享受高质量、高稳定的语音通话体验。
当然，拍乐云的目标不止于此，我们期待通过持续的产品迭代和技术创新，重塑人与人的连接、人与物的连接，让信息传递更高效。