语音传输之RTP/RTCP/UDP及软件实现关键点

语音通信是实时通信，一定要保证实时性，不然用户体验会很糟糕。IETF设计了RTP来承载语音等实时性要求很高的数据，同时设计了RTCP来保证服务质量（RTP不保证服务质量）。在传输层，一般选用UDP而不是TCP来承载 RTP包。下图给出了这三个协议所在的协议层次。

                    

本文先简单讲一下这三个协议（网上好多文章都讲，这里主要讲关键点），然后讲软件实现注意点。

 

1，RTP

RTP全称是Real-time Transport Protocol（实时传输协议），它是IETF提出的一个标准，对应的RFC文档为RFC3550。一般用其承载实时性要求很高的数据形成RTP包，在语音通信中，把PCM数据编码后得到的码流作为RTP的payload。下图是其包头结构。

 

这里主要讲一些关键点：

a)     包头的版本信息等都是用几个比特位来表示的，共两个字节，在软件实现时要用位域的形式表示。在大小端情况下有不同的表示方式，主要是在一个字节里大小端表示时位置要互换，具体如下图RTP头数据结构定义。

 

b)    RTP包都是以网络序/大端的形式在网络中传输，这样就有一个网络序主机序互转的过程。

c)    M 位即Mark位，表示语音的开始，在通话刚开始的第一个语音包，M位要置1。如果 VAD使能，从VAD包切到语音包时，第一个语音包M位也要置1。

d)    在通话刚开始的第一个语音包中，sequence/timestamp/SSRC等都要是随机值。在后续的包中，SSRC代表通话的一方，在整个通话过程中都要保持不变。Sequence要每次加一。Timestamp要依据采样率以及帧长每次加本帧内采样的点数值，比如8000 Hz采用率，帧长为20ms, 每次timestamp要加160。

软件实现RTP协议时，先要初始化（主要是包头字段的初始化）。发送方把每一帧PCM数据编码后得到码流，将其作为RTP的payload，同时填充好包头中的字段，然后通过UDP socket发送到网络中去。接收方通过UDP socket收到RTP包，解析包头得到payload type/sequence等信息，同时也得到payload，然后将它们送给下一个模块处理。

实现完RTP后要检查实现的是否正确，抓包看是主要的方式。抓到包后把UDP转换成RTP后就可以看相关信息了，主要看格式是否对以及包头中的字段的值是否对。如果格式不对，抓包工具（wireshark）会提示。

 

2，RTCP

RTCP全称是Real-time Control Protocol（实时控制协议），它也是IETF提出的一个标准，对应的RFC文档为RFC3551，它的主要功能是：服务质量的监视与反馈、媒体间的同步。在RTP会话期间，各参与者周期性地（一般是5秒，应用层可以配）传送RTCP包，RTCP包中含有已发送的数据包的数量、丢失的数据包的数量、数据包到达的平均时间间隔等统计信息。

RTCP协议处理机定义了五种类型的报文，它们完成接收、分析、产生和发送控制报文的功能，如下表所示：

                                                   

其中SR用来使发送端周期的向所有接收端用多播方式进行报告。RR用来使接收端周期性的向所有的点用多播方式进行报告。当参加者既发又收时就发SR，只收不发时就发RR。SDES给出会话中参加者的描述，包括参加者的规范名(CNAME)。BYE用来关闭一个数据流。APP能够定义新的分组类型。前四种类型经常用到，APP类型很少用到，我是没用过。

这五种类型中SR应用最频繁，就以它为例来讲，其他类型可以举一反三。它的封装结构见下图：

                                          

同RTP一样，这里也主要讲一些关键点：

a)    与RTP类似，RTCP包头中一些值也用比特位表示，实现时也要用位域表示，也有大小端的问题。

b)    算length时，计算公式是length = size/4 -1。其中size是SR包的真实大小（单位是字节）。

c)    算周期内丢包率（fraction lost）时，是以定点小数形式表示，即 fraction lost = (周期内丢包数 << 8) / 周期内期望接收包数.

d)    算DLSR时，是以1/65536秒为单位。

软件实现RTCP协议时，一般是几种类型的RTCP包组成组合包，所以一般先要判断要发几种类型的包。当处于SendReceive模式时，要发SR/SDES包，如果要停止通话，还要发BYE包；当处于ReceiveOnly模式时，要发RR/SDES包；如果要停止通话，还要发BYE包。RTCP中有RTP包的统计，所以实现RTCP前要先在RTP中把相关的统计做好，同时还要做好sequence number的管理等。实现RTCP时发送方先要实现SR或者RR包，然后是SDES包，如果是停止通话，还要加上BYE包。实现每种RTCP包时是把相应的字段值填好，然后再把包头填好。这些包都实现后拼在一起形成组合包，然后通过UDP socket发送到网络中去。接收方收到RTCP组合包后也是一个包一个包的去解析，然后把相应的信息报告给上层。

实现完RTCP后同样要检查实现的是否正确，抓包看同样是主要的方式。抓到包后把UDP转换成RTCP后就可以看相关信息了，主要看格式是否对以及包中相应的字段是否对。如果格式不对，抓包工具会提示。

 

个人觉得实现RTP相对简单，RTCP相对复杂一些，它是基于RTP的，有对RTP的各种统计，有对RTP sequence number的管理等。同时还要理解RTCP中为什么要设计这些字段以及它们的计算方法。这些都搞清楚了也就不难了。

 

3，UDP

UDP 全称是User Datagram Protocol（用户数据报协议），属于传输层协议（跟TCP在同一层），提供面向事务的简单不可靠信息传送服务，在IETF中对应的RFC文档为 RFC 768。至于为啥用UDP而不用TCP来传输实时性要求较高的数据，个人觉得主要有以下几点：TCP的重传机制（这时最主要的原因），TCP的包头较大浪费了带宽，TCP不支持组播。

实现时主要是调用系统提供的socket API。具体到linux上，我做过两种实现，一种是在user space里（这也是绝大多数使用者用的方法），另外一种是在kernel space里，用kernel 提供的socket API做。不管是user space还是kernel space里实现，主要是掌握socket API的使用，都是些套路，这里就不详细讲了。UDP的socket创建好后给RTP、RTCP用（RTP、RTCP各用一个socket，各有一个port号，一般RTP用的是偶数， RTCP的port号是相对应的RTP的port号加一）。