RTP/RTCP学习笔记 -- RFC 3550

The MTU of RTP package payload is 1500(IP) - 20(UDP) - 8 = 1472  

#define DEFAULT_MAX_PACKET_SIZE 1200 

video: [WME] INFO: CWmeLocalVideoTrack::SetOption(WmeTrackOption_MaxPayloadSize) uMaxPayloadSize = 1184, this=0x7f9efaf18e60

一、RTP

1. RTP包固定头部

    

V：RTP协议的版本号，占2位，当前协议版本号为2。

P：填充标志，占1位，如果P=1，则在该报文的尾部填充一个或多个额外的八位组，它们不是有效载荷的一部分。

X：扩展标志，占1位，如果X=1，则在RTP报头后跟有一个扩展报头。

CC：CSRC计数器，占4位，指示CSRC 标识符的个数。

M: 标记，占1位，不同的有效载荷有不同的含义，对于视频，标记一帧的结束；对于音频，标记会话的开始。

 

timestamp 时间戳的单位是时钟频率的倒数，

    video是1/90000秒， 90000是H.264定义的采样频率 （SDP中  a=rtpmap:117 H264/90000）

    90k是用于视频同步的时间尺度(TimeScale),就是每秒90k个时钟tick。为什么采用90k呢？目前视频的帧速率主要有25fps、29.97fps、30fps等，而90k刚好是它们的倍数，所以就采用了90k。

    时间戳增量，对于每秒30fps,  增量等于 1000ms / 30f *  90000 = 3000，即每个帧的RTP包时间戳会增加3000，单位是1/90000秒。

 

------------------------------------------------------------------------------------

另外要注意几个细节：

1. RTP TS的时钟频率（clock rate)和media的采样频率(sample rate)可以不一致。对video来说，采样频率就是帧率，而时钟频率一般都是90k。对于audio，采样频率和时钟频率基本是一致的，但也有例外。

2. 所谓时钟频率，是指一个时钟在单位时间内的tick值，单位时间一般取一秒。以系统时钟为例，它的频率为1秒，或1000ms，或100k微妙；显而易见频率值依赖于tick的选取。
    而对于video或audio，都存在一个RTP时钟，这个时钟有两个作用：
    a. 指导media在接收端的播放，因此它必须和发送端的采样频率满足确定的关系；
    b.用于media之间的sync，因此不同media的RTP时钟之间存在确定性的mapping,或者都可以映射到同一个基准时钟上。

这个基准时钟一般就是系统时钟。讲RTP时钟映射到系统时钟除了知道这两个时钟的各自频率外，还需要找一个时间对应点。
系统时钟的频率是已知的（比如1000毫秒）, RTP时钟的频率由SDP通知，时间对应点有SR通知，SR里面给出了一个RTP时间值对应的系统时间值。

因此我们说video Rtp时间戳的单位是1/90000秒，其实是将RTP时钟单位映射到系统时钟上面，得到的两者之间的关系。我们可以定义RTP时钟的频率为90000Ｒ秒，而系统时钟的频率为1000000us。这样子RTP TS在RTP时钟里的单位是Ｒ秒，一Ｒ秒等于100/9u秒，等于1/90000秒
video的RTP时钟频率取值90000除了是采样频率的倍数外，另外的目的是为了提高时钟精度，所以取了很大的值
另外videoRTP TS的增长是按帧的，同一帧内的RTP包TS是一样的

------------------------------------------------------------------------------------

 

 

 

同步信源(SSRC)标识符：占32位，用于标识同步信源。该标识符是随机选择的，参加同一视频会议的两个同步信源不能有相同的SSRC。

特约信源(CSRC)标识符：每个CSRC标识符占32位，可以有0～15个。每个CSRC标识了包含在该RTP报文有效载荷中的所有特约信源。

关于这个SSRC和CSRC，在我们的wme里它是这么用的，SSRC是创建一个stream的时候产生的一个32Bit的一个随机数，1个stream对应一个SSRC，但是如果server mix audio or transcoding, RTP会被拆包再重新打包，那么这个SSRC是会被server改掉的，这种情况下，发送端和接收端的SSRC是不同的，其它情况，两端的SSRC应该是一样的。

这个CSRC对应的是一个device的一种code type. 比如，一个麦克风、一个摄象头的一种编码数据。CSI+Audio code type == CSRC.

在wme里，首先有个CSI这东东，是一个32bit的随机数，某字节置0 （TestConfig::i().m_csi = Random_uint & 0xFFFFFF00）.  Audio CSI = CSI, Video CSI = CSI + 1. 

PT: 有效载荷类型，占7位，用于说明RTP报文中有效载荷的类型，如GSM音频、JPEM图像等。

WME中 Video PayloadType = RTP_PT_H264 = 98, 

序列号：占16位，用于标识发送者所发送的RTP报文的序列号，每发送一个报文，序列号增1。接收者通过序列号来检测报文丢失情况，重新排序报文，恢复数据。

时戳(Timestamp)：占32位，时戳反映了该RTP报文的第一个八位组的采样时刻。接收者使用时戳来计算延迟和延迟抖动，并进行同步控制。

 二、5种RTCP包：

1. RTCP packet types 

 

2. SR header  

 

 3. RR header  

 

４. 其它：

    RTCP包从不单独发送，它们被打包成复合包（Compound Packet）来发送，有几个规则，略。

    RTP 使用偶数端口号接收发送数据，相应的RTCP则使用相邻的下一位奇数端口号。

5. Jitter的计算

 

6. RTT的计算

发送端发一个SR，接收端收到SR会回一个RR包

RTT = 收到一个RR包当前Tick - 上次发送SR的tick(RR包中的LSR) - RR包在server上的delay(RR包中的DLSR = 发送RR的tick值-收到上个SR的tick值)

7. SRTP

SDP中带用master_key和salt，它们的长度是根据最终协商的 SRTP 的profile来确定的，具体可查 RFC3711 SRTP

master_key生成session_key，用来加密和认证。