5┃音视频直播系统之 WebRTC 中的协议UDP、TCP、RTP、RTCP详解

一、UDP/TCP

• 如果让你自己开发一套实时互动直播系统，在选择网络传输协议时，你会选择使用UDP协议还是TCP协议

• 假如使用 TCP 会怎样呢？在极端网络情况下，TCP 为了传输的可靠性，将会进行反复重发信息的操作

• 在 TCP 协议中，为了避免重传次数过多，定时器的超时时间会按 2 的指数增长，也就是说，假设第一次设置的超时时间是 1 秒，那么第二次就是 2 秒，第三次是 4 秒……第七次是 64 秒。如果第七次之后仍然超时，则断开 TCP 连接，而对于这么长时间的延迟，实时互动的直播系统是根本无法接受的

• 所以做在线直播系统时候一定要选择 UDP 协议

二、RTP 协议

• 在实时互动直播系统传输音视频数据流时，我们并不直接将音视频数据流交给UDP 传输，而是先给音视频数据加个 RTP 头，然后再交给 UDP 进行传输

• 因为视频数据在传输时，数据量太大，所以传输1帧可能需要几十个包，而数据传到接受端的时候，要将这几十个包进行组装，才能还原成完整的图像

• 而RTP 协议就是为了然对接端组装数据之后，顺序不会乱而存在的，你想想，如果组装的时候，顺序乱了，组装出来的图像还是传输过来的图像吗

• RTP 协议非常简单，这里对RTP进行简单的介绍

• sequence number：序号，用于记录包的顺序

• timestamp：时间戳，同一个帧的不同分片的时间戳是相同的。不同帧的时间戳是不同的

• PT：Payload Type，数据的负载类型。音频流的 PT 值与视频的 PT 值是不同的，通过它就可以知道这个包存放的是什么类型的数据

• SSRC：共享媒体流的源，它是全局唯一的，不同的SSRC标识不同的共享源

• CC：CSRC的个数

• CSRC：共享源，一般用在混音或混屏上

• X：RTP扩展头标记，如果该位置是1，说明此RTP包还有扩展头

• M：表示MARK位，用来界定视频帧边界

• P：填充位

三、RTP案例

• 如果你在网络上接收了一组下面的音视频数据

• 假设 PT=80 是视频数据，PT=100 是音频数据

• 按照上面的规则，是不是就很容易组装数据了

{V=2,P=0,X=0,CC=0,M=0,PT:100,seq:14,ts:123456789,ssrc=888},
{V=2,P=0,X=0,CC=0,M=0,PT:80,seq:14,ts:123456789,ssrc=2345},
{V=2,P=0,X=0,CC=0,M=0,PT:100,seq:15,ts:123456789,ssrc=888},
{V=2,P=0,X=0,CC=0,M=0,PT:80,seq:15,ts:123456789,ssrc=2345},
{V=2,P=0,X=0,CC=0,M=0,PT:100,seq:16,ts:123456789,ssrc=888},
{V=2,P=0,X=0,CC=0,M=0,PT:80,seq:16,ts:123456789,ssrc=2345}

四、RTCP 协议

• 在使用 RTP 包传输数据时，难免会发生丢包、乱序、抖动等问题

• 比如：网络线路质量问题引起丢包率高、传输的数据超过了带宽的负载引起的丢包问题等等

• 而在处理这些问题之前，WebRTC首先要让各端都知道它们自己的网络质量到底是怎样的，这就是 RTCP 的作用

• RTCP 有两个最重要的报文：RR（Reciever Report）和 SR(Sender Report)

• 通过这两个报文的交换，各端就知道自己的网络质量了

• 该报文协议如下图，其中字段的含义：

• V=2：指报文的版本。

• P：表示填充位，如果该位置 1，则在 RTCP 报文的最后会有填充字节

• RC：全称 Report Count，指 RTCP 报文中接收报告的报文块个数

• PT=200：Payload Type，也就是说 SR 的值为 200

• Header：部分用于标识该报文的类型，比如是 SR 还是 RR

• Sender info：部分用于指明作为发送方，到底发了多少包

• Report block：部分指明发送方作为接收方时，它从各个 SSRC 接收包的情况