音视频网络简介及RTP协议起源

使用包网络(如互联网)传输语音和视频的想法并不新鲜。分组网络上的语音实验可以追溯到20世纪70年代早期。关于这个主题的第一个RFC—网络语音协议-从1977年起。视频出现的较晚，但仍然有超过十年的音频/视频会议和互联网流媒体的经验。

早期的分组语音和视频实验

NVP的最初开发人员是通过ARPANET(因特网的前身)传输分组语音的研究人员。ARPANET提供了一种可靠的流服务(类似于TCP/IP)，但这带来了太多的延迟，因此开发人员开发了一种“不受控制的包”服务，类似于RTP使用的现代UDP/IP数据报。NVP被直接放在这个不受控制的包服务上。后来，实验扩展到 ARPANET 之外，与包无线网络（the Packet Radio Network）和大西洋卫星网络(SATNET)交互操作，在这些网络上运行NVP。

由于早期网络的低带宽，所有这些早期的实验都局限于一两个语音通道。在1980年代，3-Mbps宽带卫星网络的建立不仅使更多的语音频道成为可能，而且也使包视频的发展成为可能。为了访问卫星网络的单跳、预留带宽、组播业务，提出了一种面向连接的网络间协议流协议(ST)。NVP的第二个版本(称为NVP-II)和一个配套的分组视频协议都通过ST传输，以提供分组交换视频会议服务的原型。

1989-1990年，卫星网被地面宽带网和称为“达特网”的研究网所取代，而ST演变成ST-II。分组视频会议系统已投入预定生产，以支持网络研究人员和其他人员在地理上分散的多达5个地点同时举行会议。

ST和ST-II在网络层与IP并行运行，但仅在政府和研究网络上实现了有限的部署。作为一种替代方案，最初使用IP的会议开始部署在达特网络上，使NVP-II通过多播UDP/IP传输的多方会议成为可能。在1992年3月的IETF会议上，音频通过因特网借助多播“隧道”(Mbone，意为“多播主干”)从达特网延伸到三大洲的20个站点。在同一次会议上，开始了RTP的开发。

互联网上的音视频

从这些早期的实验中，互联网社区对视频会议的兴趣在20世纪90年代初就开始了。大约在这个时候，工作站和PC机的处理能力和多媒体功能已经足够支持同时采集、压缩和回放音频和视频流。与此同时，IP多播技术的发展使得实时数据可以传输到任意数量的联网用户。

视频会议和多媒体流媒体是显而易见的且执行良好的多播应用。研究小组着手开发工具，比如劳伦斯伯克利实验室研发的vic和vat，马萨诸塞大学研发的nevot, Xerox PARC研发的INRIA视频会议系统和nv，以及伦敦大学学院研发的rat。这些工具遵循了一种新的会议方法，基于无连接协议、端到端参数和应用程序级框架。会议被最低限度地管理，没有准入或最低控制，而且传输层单薄且适应性强。多播既用于广域数据传输，也用作同一机器上应用程序之间的进程间通信机制(用于在音频和视频工具之间交换同步信息)。由此产生的协作环境由轻度耦合的应用程序和高度分布式的参与者组成。

多播会议(Mbone)工具产生了重大影响:它们使人们广泛认识到通过IP网络交付实时媒体所固有的问题、可伸缩解决方案的需求以及错误和拥塞控制。它们还直接影响了几个关键协议和标准的开发。RTP是在1992-1996年期间由IETF开发的，以NVP-II和原始vat工具中使用的协议为基础。多播会议工具采用RTP作为唯一的数据传输和控制协议;因此，RTP不仅包括媒体发布工具，还支持会员管理、唇音同步和接收质量报告。

除了用于传输实时媒体的RTP之外，还必须开发其他协议来协调和控制媒体流。会话通知协议(SAP)是为了通知多播数据流的存在而开发的。会话的通知本身就是多播的，任何具有多播能力的主机都可以接收SAP通知并了解会议和传输的内容。在通知中，会话描述协议(SDP)描述了发送方和接收方在多播会话中使用的传输地址、压缩和分组方案。多播部署的缺乏和万维网的兴起在很大程度上取代了分布式多播目录的概念，但SDP在今天仍被广泛使用。

最后，Mbone会议社区主导了会话发起协议(SIP)的开发。SIP的目的是作为一种轻量级的方法来查找参与者，并使用一组特定的参与者启动多播会话。在早期的版本中，SIP几乎不包括呼叫控制和协商支持，因为这些方面没有用于Mbone会议环境。它已经成为一个更全面的协议，包括广泛的协商和控制功能。

ITU Standards

与早期分组语音工作并行的是综合业务数字网(ISDN)的发展，这是普通老式电话系统的数字版本，以及一套相关的视频会议标准。这些标准基于ITU的建议H.320，使用电路交换链路，因此与我们对分组音频和视频的讨论没有直接关系。然而，他们开创了许多今天使用的压缩算法(例如H.261视频)。因特网的发展和商业世界中局域网设备的广泛部署导致国际电联扩展了H.320系列协议。具体来说，他们试图使协议适合于“提供无保证服务质量的局域网”，IP是一个符合描述的经典协议套件。这导致了H.323的系列建议书的诞生。

H.323于1997年首次出版，此后几经修改。它提供了一个由媒体传输、呼叫信令和会议控制组成的框架。信令和控制功能在ITU建议书H.225.0和H.245中定义。最初，信令协议主要集中在使用H.320与ISDN会议的互操作上，结果导致繁琐的会话设置过程，该标准的后续版本简化了这一过程。关于媒体传输电信联盟工作组采纳了RTP。然而，H.323只使用了RTP的媒体传输功能，很少使用控制和报告元素。

H.323在市场上取得了一定的成功，有几个硬件和软件产品是为支持H.323技术套件而构建的。开发体验导致了对其复杂性的抱怨，特别是H.323版本的复杂设置过程和对信令使用的二进制消息格式。其中一些问题在后来的H.323版本中得到了解决，但在此期间，人们对替代方案的兴趣有所增加。

其中一个我们已经提到过的替代方案是SIP。最初的SIP规范是IETF在1999年发布的，它是一个学术研究项目的成果，几乎没有商业利益。此后，在很多领域，它都被视为H.323的替代品，并被应用于更多样的应用，比如短信系统和ip电话。此外，它正在考虑用于第三代移动电话系统，并已获得相当多的行业支持。

国际电信联盟最近提出了建议H.332，它结合了紧密耦合的H.323会议和轻量级多播会议。该结果对于在线研讨会等场景非常有用，在在线研讨会中，会议的H.323部分允许一组发言者之间的密切交互，而被动的观众则通过多播观看。

音视频流

多播会议和H.323发展的同时，万维网革命也发生了，它为因特网带来了精美的内容和公众的普遍接受。网络带宽和终端系统容量方面的进步使流媒体音频和视频与网页一起成为可能，RealAudio和QuickTime等系统在这方面处于领先地位。

这类系统的市场不断增长，促使人们希望为流媒体内容设计一种标准的控制机制。结果是实时流协议(RTSP)，它能提供流媒体演示的启动和类似于录像机的控制；RTSP于1998年标准化。RTSP建立在现有的标准之上：它在操作上非常类似于HTTP，并且它可以使用SDP进行会话描述，使用RTP进行媒体传输。

以上内容来自：《RTP: Audio and Video for the Internet 中文版》，仅供分享参考学习。