内容总览

VoIP 系统组件详解:从理论到实践、从网络设备到协议 思维导图

文档定位

本文档面向需要理解、设计、部署、运维 VoIP(Voice over IP)系统的技术人员,覆盖三个层次的内容:

  1. 理论层:语音为什么可以被切分、压缩、封装并在不可靠网络上传送,以及质量如何被量化。
  2. 协议层:信令、媒体、辅助支撑协议各自的职责边界、报文结构与交互流程。
  3. 工程层:设备形态、部署架构、网络设计、开源组件选型、抓包排障与容量规划。

阅读顺序建议按章节线性推进。理论章节建立的时延、抖动、丢包三个基本量,会在后续协议设计与排障中被反复引用。


目录

  • 第一部分 理论基础
    • 第 1 章 VoIP 的本质与演进
    • 第 2 章 语音信号的数字化与编码
    • 第 3 章 语音质量的度量与影响因素
  • 第二部分 协议体系
    • 第 4 章 协议栈全景与分层边界
    • 第 5 章 SIP 信令协议
    • 第 6 章 SDP 会话描述协议
    • 第 7 章 RTP 与 RTCP 媒体传输
    • 第 8 章 SRTP 与媒体安全
    • 第 9 章 NAT 穿透:STUN、TURN、ICE
    • 第 10 章 其他信令体系:H.323、MGCP、Megaco、SCCP、IAX2
    • 第 11 章 辅助支撑协议
    • 第 12 章 编号、路由与号码体系
    • 第 13 章 补充业务与业务逻辑
  • 第三部分 设备与系统组件
    • 第 14 章 终端设备
    • 第 15 章 网关类设备
    • 第 16 章 服务器侧组件
    • 第 17 章 网络设备与 QoS 能力
    • 第 18 章 会话边界控制器
  • 第四部分 部署与实践
    • 第 19 章 部署架构模式
    • 第 20 章 网络设计与容量规划
    • 第 21 章 开源组件选型
    • 第 22 章 从零搭建一套最小可用系统
    • 第 23 章 抓包分析与故障排查
    • 第 24 章 压力测试与监控
  • 第五部分 演进与附录
    • 第 25 章 新兴技术与演进方向
    • 第 26 章 附录

第一部分 理论基础

第 1 章 VoIP 的本质与演进

1.1 起源:从电路交换到分组交换

传统电话网(PSTN,Public Switched Telephone Network)的工作方式是电路交换。一次通话在建立阶段由交换机在两端之间预留一条独占的 64 kbit/s 通道,通话期间这条通道被双方独占,即使双方沉默,带宽也不会释放。这种方式的好处是时延稳定、质量可预期,代价是资源利用率低。

VoIP 的核心思想是把语音当作数据来处理:

  • 语音在发送端被采样、量化、压缩成一个个数据包。
  • 数据包经由 IP 网络尽力而为地传送到接收端。
  • 接收端按时间戳重新拼接、解码、播放。

这个转变带来三个根本变化:

  1. 资源不再独占。一条链路上可以同时承载数十路甚至数百路通话,带宽按需使用。
  2. 网络成为质量的决定因素。语音质量不再由交换机保证,而是取决于时延、抖动、丢包这三个网络指标。
  3. 语音成为应用。通话可以与录音、转写、会议、CRM、AI 语音机器人等应用在同一套基础设施上组合。

代价是复杂度转移:原本由电信网内部处理的时钟同步、信令互通、号码路由、计费、紧急呼叫、合法监听,全部需要由应用层重新实现。这就是 VoIP 系统组件存在的理由。

1.2 演进脉络

按时间顺序梳理关键节点,有助于理解当前系统为何是现在这个形态。

  1. 1990 年代前期:实验性分组语音。出现 VocalTec Internet Phone 一类产品,采用私有协议,只能在同一客户端之间通话,无法与电话网互通。
  2. 1996 至 1999 年:标准化的开端。ITU-T 发布 H.323 建议书,定义了在分组网络上承载多媒体会话的体系;IETF 发布 RTP(RFC 1889,后由 RFC 3550 取代),定义了媒体传输的通用封装。
  3. 1999 至 2002 年:SIP 成型。RFC 2543 发布,2002 年 RFC 3261 取代之并成为长期标准。SIP 借鉴 HTTP 的文本化设计,易于实现与调试,逐步取代 H.323 成为主流。
  4. 2000 年代:软交换与 IP PBX 普及。企业侧出现 Asterisk、FreeSWITCH 等开源软交换,运营商侧出现软交换(Softswitch)与 IMS 雏形。SIP Trunk 替代 PRI 中继成为企业与运营商互联的主流方式。
  5. 2011 年至今:WebRTC 与云化。WebRTC 让浏览器无需插件即可通话,带来 ICE、DTLS-SRTP、Opus 等一整套现代技术组合。CPaaS(通信平台即服务)把通话能力 API 化。云 PBX 把部署形态从机房迁移到公有云。
  6. 2019 年至今:VoNR 与 AI 融合。5G 核心网原生承载语音,AI 用于降噪、实时转写、语音助手、通话质检。

需要注意,演进不是替代关系。当前一套完整的企业或运营商系统中,往往同时存在 SIP、H.323 遗留设备、PRI 中继、模拟话机、WebRTC 客户端。

1.3 VoIP 系统的功能分解

把系统按职责拆开,是理解组件构成的最有效方式。任何 VoIP 系统都必须回答五类问题:

  1. 如何找到对方。需要号码体系、注册机制、位置查询、路由决策。
  2. 如何协商能力。需要描述双方支持的编码、地址、端口、加密方式,并达成一致。
  3. 如何建立与拆除会话。需要状态机、事务管理、超时重传、失败处理。
  4. 如何传送媒体。需要封装格式、时间戳、序列号、丢包恢复、加密。
  5. 如何运营。需要认证、计费、录音、监控、故障定位、容量管理。

对应到组件:

功能 典型组件
定位与注册 注册服务器、位置服务器、DNS
能力协商 SDP 交换、编解码策略服务器
会话控制 代理服务器、B2BUA、呼叫控制应用
媒体传送 终端、媒体服务器、中继网关、RTP 代理
互通过界 SBC、中继网关、信令网关
运营支撑 计费系统、录音系统、网管、监控

1.4 分层模型

从下往上,VoIP 系统可以划分为五层。每一层的故障现象不同,排障时先定位层,再定位组件。

  1. 接入层:物理链路、PoE 供电、VLAN、无线覆盖、终端注册。
  2. 传输层:IP 路由、NAT、防火墙策略、带宽与 QoS。
  3. 信令层:SIP 或其他信令的注册、呼叫建立、路由、认证。
  4. 媒体层:RTP 流的建立、编码协商、抖动缓冲、加密。
  5. 应用层:IVR、会议、录音、转写、质检、CRM 弹屏、AI 机器人。

分层排障的价值在于避免跳跃式假设。例如"打通后没有声音"这一现象,可能出现在传输层(媒体端口被防火墙拦截)、媒体层(单向 RTP、编码不匹配)、应用层(媒体服务器未正确桥接)。按层逐一验证比直接猜测组件更可靠。

1.5 与传统电话系统的差异对照

维度 PSTN VoIP
交换方式 电路交换,独占 64 kbit/s 分组交换,共享带宽
带宽占用 通话期间恒定 与编码、静音抑制、VAD 相关
质量决定因素 网络内部保障 端到端时延、抖动、丢包
信令 SS7、ISDN Q.931 SIP、H.323、MGCP 等
号码 E.164 强绑定地理 E.164 可与 URI、分机号并存
终端 模拟话机、ISDN 话机 IP 话机、软终端、浏览器
供电 局端馈电,断电可用 依赖 PoE 或本地电源,需考虑断电方案
扩展业务 交换机侧配置,周期长 应用服务器侧配置,灵活
安全面 物理线路封闭 暴露在 IP 网络,需加密与边界防护
时间同步 网络同步时钟 依赖 NTP,媒体时钟由终端自行产生

其中"断电可用"和"时钟同步"两项在工程上最容易被忽略。前者影响应急通信合规,后者影响长通话的漂移与录音时间戳对齐。

第 2 章 语音信号的数字化与编码

2.1 为什么语音可以被压缩

人声的产生机理决定了语音信号具有大量冗余:

  1. 频谱冗余。语音能量集中在 300 Hz 至 3400 Hz 的窄带范围内,电话系统只传送这一段就能保持可懂度。宽带语音扩展到 50 Hz 至 7000 Hz,可显著提升自然度。
  2. 时间冗余。人说话时存在静默、停顿、重复的音节结构。
  3. 感知冗余。人耳对某些频率、某些相位不敏感,掩蔽效应使得部分信息可以被丢弃而不被察觉。
  4. 声道模型冗余。语音可以由声门激励与声道滤波器组成的源滤波器模型近似,参数数量远小于原始采样点。

压缩编码正是逐层利用上述冗余。理解这一点,就能理解为什么不同编解码器的码率差异可以达到数十倍,而主观质量差异并没有那么悬殊。

2.2 采样与量化

采样定理(Nyquist)指出,要无失真地重建带宽为 B 的信号,采样率必须不低于 2B。

  • 窄带电话:带宽 300 至 3400 Hz,采样率 8000 Hz。
  • 宽带电话:带宽 50 至 7000 Hz,采样率 16000 Hz。
  • 超宽带:采样率 32000 Hz 或 48000 Hz。

量化是把连续幅度映射为离散值。量化位数决定动态范围与信噪比。理论信噪比约为 6.02N + 1.76 dB,其中 N 为位数。

PCM(脉冲编码调制)采用 8 kHz 采样、每样本 8 bit,得到 64 kbit/s 的 G.711 码流。这是数字电话的基准码率,也是所有窄带编码器的比较基准。

实际系统普遍使用非均匀量化:G.711 定义了两个压扩律。

  • A-law:欧洲与中国使用,分段折线近似对数曲线。
  • μ-law:北美与日本使用。

两者在数字上不可直接互通,网关必须做转码。转码会引入失真,并且增加处理时延。判断一条链路是否需要 A-law 与 μ-law 转换,是排障中的常见检查项。

2.3 编码器分类

按压缩原理分为三大类。

2.3.1 波形编码

直接对波形采样值编码,保留波形形状,解码后波形近似原始信号。

  • 优点:实现简单、时延低、抗丢包能力较好、转码损失小。
  • 缺点:压缩比有限。
  • 代表:G.711(64 kbit/s)、G.722(48 至 64 kbit/s,宽带)、G.726(ADPCM,16 至 40 kbit/s)。

波形编码在电信场景长期占据主流,原因在于其稳定性和互通性。

2.3.2 参数编码

只提取并传送语音生成模型的参数,接收端用同样模型合成语音。

  • 优点:压缩比极高,可低至 2.4 kbit/s 甚至更低。
  • 缺点:合成语音机械感强,对信道误码敏感,时延较高。
  • 代表:LPC 系列、LPC-10(2.4 kbit/s)、部分军用与卫星通信编码器。

2.3.3 混合编码

结合波形与参数编码,采用"分析—合成"框架:先用线性预测提取声道参数,再对残差信号做量化编码。

  • 优点:在 4 至 16 kbit/s 区间取得质量与码率的平衡。
  • 缺点:算法复杂、存在算法时延、丢包后恢复较慢。
  • 代表:G.729、G.723.1、AMR-NB、AMR-WB、iLBC、Opus、EVS。

现代 VoIP 系统的主力编码器几乎全部属于混合编码。

2.4 主流编解码器详解

2.4.1 G.711

  • 类型:波形编码,PCM。
  • 采样率:8 kHz,窄带。
  • 码率:64 kbit/s。
  • 帧长:通常 20 ms,即每包 160 个样本、160 字节。
  • 算法时延:接近零,仅有打包时延。
  • 复杂度:极低,几乎所有设备都支持。
  • 抗丢包:单包丢失会造成 20 ms 波形缺口,主观感知明显但可接受。
  • 适用:局域网内、对质量要求高且带宽充裕的场景、需要与 PSTN 无损互通的场景。

G.711 是所有系统的公共语言。任何互通问题,先用 G.711 验证链路是否正常,再替换为压缩编码,是标准的排障手法。

2.4.2 G.722

  • 类型:子带 ADPCM,波形编码。
  • 采样率:16 kHz,宽带。
  • 码率:64 kbit/s(也有 48、56 kbit/s 模式)。
  • 帧长:常见 20 ms。
  • 特点:在保持 64 kbit/s 的前提下把带宽扩展到 7 kHz,音质明显优于 G.711。
  • 适用:企业内线、会议、需要自然音色的场景。

G.722 是"宽带但不显著增加带宽"的折中方案,在 SIP 终端中支持度较高。

2.4.3 G.729

  • 类型:CS-ACELP,混合编码。
  • 采样率:8 kHz,窄带。
  • 码率:8 kbit/s(G.729A 为 8 kbit/s 的简化版本,复杂度更低)。
  • 帧长:10 ms 一帧,通常两个帧打包为 20 ms。
  • 算法时延:约 10 至 15 ms,加上打包时延,端到端增加明显。
  • 专利:长期受专利池约束,商用部署需评估授权。
  • 抗丢包:对丢包敏感,需要 PLC 与 FEC 配合。
  • 适用:带宽受限的广域网、跨国链路、历史设备互通。

G.729 以 8 kbit/s 换取质量下降与时延增加,在带宽不再是瓶颈的今天,新部署逐步被 Opus 取代。

2.4.4 Opus

  • 标准:RFC 6716,IETF 制定,无专利授权障碍。
  • 采样率:8、12、16、24、48 kHz 自适应。
  • 码率:6 至 510 kbit/s,可在会话中动态调整。
  • 帧长:2.5、5、10、20、40、60 ms。
  • 模式:SILK 模式(低码率、语音优化)与 CELT 模式(低时延、音乐与全频带优化),运行时自动切换。
  • 算法时延:最低可达 2.5 ms 帧长的极低时延。
  • 抗丢包:内置 FEC 与 PLC,配合 WebRTC 的 NACK、FEC 效果良好。
  • 适用:WebRTC、现代软终端、宽带与超宽带语音、需要动态适应网络的场景。

Opus 是当前综合最优的选择。其带宽自适应能力使它在弱网下仍能保持可懂度。

2.4.5 AMR 与 AMR-WB

  • AMR-NB:自适应多速率,8 kHz,码率 4.75 至 12.2 kbit/s,共 8 种模式。
  • AMR-WB:16 kHz,码率 6.6 至 23.85 kbit/s,共 9 种模式。
  • 特点:可根据信道质量在帧级切换模式,抗误码能力强。
  • 适用:移动网络、VoLTE、蜂窝语音。
  • 注意:在 RTP 中承载需遵循 RFC 4867 的载荷格式,包含帧头与 ToC 字段。

2.4.6 iLBC

  • 标准:RFC 3951。
  • 码率:13.33 kbit/s(30 ms 帧)或 15.2 kbit/s(20 ms 帧)。
  • 特点:专为丢包环境设计,独立帧编码,丢一帧不影响后续解码。
  • 适用:弱网、早期 WebRTC 实现。
  • 现状:逐步被 Opus 取代。

2.4.7 EVS

  • 标准:3GPP,增强语音服务。
  • 采样率:8、16、32、48 kHz。
  • 码率:5.9 至 128 kbit/s。
  • 特点:VoLTE 与 VoNR 的主力编码,质量优于 AMR-WB,支持信道感知与自适应。
  • 适用:运营商移动语音。

2.4.8 编解码器对比

编码器 类型 采样率 典型码率 帧长 算法时延 抗丢包 专利 典型场景
G.711 波形 8 kHz 64 kbit/s 20 ms 极低 一般 无 通用、PSTN 互通
G.722 波形 16 kHz 64 kbit/s 20 ms 低 较好 无 企业宽带语音
G.729 混合 8 kHz 8 kbit/s 10/20 ms 中 较差 有 窄带省带宽
Opus 混合 8 至 48 kHz 6 至 510 kbit/s 2.5 至 60 ms 极低 好 无 WebRTC、现代终端
AMR-NB 混合 8 kHz 4.75 至 12.2 kbit/s 20 ms 中 好 有 移动语音
AMR-WB 混合 16 kHz 6.6 至 23.85 kbit/s 20 ms 中 好 有 VoLTE
iLBC 混合 8 kHz 13.33/15.2 kbit/s 20/30 ms 中 很好 无 弱网
EVS 混合 8 至 48 kHz 5.9 至 128 kbit/s 20 ms 中 很好 有 VoNR

2.5 打包与带宽计算

语音编码器输出的是连续比特流,必须切成帧、加上协议头、封装成包才能发送。

2.5.1 协议头开销

以 IPv4 与 G.711 为例,计算一个 20 ms 语音包的实际开销:

层 字节数 说明
有效载荷 160 G.711,20 ms,8 kHz,8 bit
RTP 头 12 固定头,不含 CSRC 与扩展
UDP 头 8 —
IPv4 头 20 —
以太网头 14 不含前导码与帧间隙
合计 214 其中有效载荷占 74.8%

换算成带宽:每个包 214 字节,每 20 ms 发一个,即每秒 50 个包。

  • 有效载荷速率:64 kbit/s。
  • 含 IP 与 UDP 的实际速率:约 85.6 kbit/s。
  • 计入以太网头与前导码(20 字节):约 93.6 kbit/s。

如果压缩为 G.729,20 ms 载荷为 20 字节,每包总长 74 字节,实际速率约 29.6 kbit/s,加上以太网开销约 37.6 kbit/s。可见低码率编码器节省的是有效载荷,头部开销占比反而更高。

2.5.2 打包周期的影响

打包周期(ptime)越长,头部开销占比越低,但端到端时延越大。

ptime 每秒包数 G.711 每包载荷 含头总字节 实际速率 增加时延
10 ms 100 80 134 107 kbit/s 10 ms
20 ms 50 160 214 85.6 kbit/s 20 ms
30 ms 33.3 240 294 78.4 kbit/s 30 ms
40 ms 25 320 374 74.8 kbit/s 40 ms

工程上通常取 20 ms。理由:

  • 20 ms 是抖动缓冲与丢包恢复的最小合理单位。
  • 60 ms 以上的打包时延会显著影响交互感。
  • 20 ms 在带宽与时延之间取得平衡。

2.5.3 带宽规划公式

单路通话带宽(含以太网开销)可按下式估算:

单路带宽 = (载荷字节 + 12 + 8 + 20 + 14 + 20) × 8 × (1000 / ptime) / 1000 kbit/s

实际规划时,采用的工程经验值:

编码 单路带宽(含以太网,双向合计按单向乘 2 估算)
G.711 约 95 kbit/s
G.722 约 95 kbit/s
G.729 约 38 kbit/s
Opus 窄带 约 50 kbit/s
Opus 宽带 约 80 kbit/s

还必须叠加:

  • 信令流量:SIP 消息突发性明显,注册风暴时瞬时占用高。
  • 重传与 FEC 冗余流量。
  • 广播与组播流量。
  • 链路利用率上限:语音链路建议不超过 70%,为突发与协议开销留余量。

2.6 语音前端处理

在编码之前,终端或媒体服务器会做一系列信号处理。这些处理对主观质量影响极大,往往超过编码器选择的影响。

2.6.1 回声消除(AEC)

回声来源:扬声器播放的远端声音被本地麦克风拾取,再传回远端,形成回声。

  • 原理:自适应滤波器估计扬声器到麦克风的声学路径,从麦克风信号中减去预测的回声。
  • 关键参数:滤波器长度(决定可消除的回声拖尾时间,通常 100 至 300 ms)、收敛速度、双讲检测。
  • 常见问题:滤波器发散导致回声抑制过度、双讲时削掉本地语音、非线性失真(扬声器或功放饱和)导致线性模型失效。
  • 工程要点:扬声器与麦克风的物理间距、音量、是否使用免提模式,直接决定 AEC 效果上限。

2.6.2 噪声抑制(NS)

  • 原理:估计背景噪声谱,在频域抑制噪声成分。
  • 风险:过度抑制造成"水声"或"抽气感",语音末尾被切断。
  • 现代做法:基于深度学习的降噪模型,按噪声类型分类处理,保留语音细节。

2.6.3 自动增益控制(AGC)

  • 原理:动态调整输入电平,使说话音量保持在合适区间。
  • 风险:增益频繁变化产生"呼吸感";在静默期提升增益导致噪声被放大。
  • 工程要点:AGC 通常在 NS 之前或之后按实现而定,顺序不同效果差异明显。

2.6.4 语音活动检测(VAD)、静音抑制与舒适噪声

  • VAD:判断当前帧是语音还是静默。
  • DTX(不连续传输):静默期停止发送语音包,节省带宽。
  • CNG(舒适噪声生成):静默期发送极低码率的噪声描述包,避免接收端感到"死寂"。
  • 相关参数:SID 帧、静默起始与结束的迟滞时间、hangover 时间。
  • 风险:VAD 误判会把语音开头切断;在音乐、键盘声环境下误判率高。

2.6.5 丢包隐藏(PLC)

  • 原理:丢包时用前一帧的基音周期、频谱包络等信息外推生成替代信号。
  • 效果:掩盖 20 至 60 ms 的短期丢包。
  • 局限:连续丢包后外推失真明显,会出现"机械音"与音量衰减。

2.6.6 前向纠错(FEC)

  • 原理:在发送冗余信息,使接收端在部分包丢失时仍能恢复。
  • 实现:编码器内置冗余(如 Opus 的 in-band FEC)、冗余包(RED,RFC 2198)、交织。
  • 代价:增加带宽,增加时延。
  • 工程权衡:弱网环境用 FEC 换稳定;好网环境关闭 FEC 省带宽。

2.6.7 处理链路顺序

典型顺序为:采集 → 回声消除 → 噪声抑制 → 自动增益 → VAD → 编码。不同厂商顺序不同,排障时需确认实际链路,因为处理顺序会改变问题现象。

第 3 章 语音质量的度量与影响因素

3.1 端到端时延

时延是交互体验的第一杀手。ITU-T G.114 给出的经验阈值:

单向时延 主观感受
0 至 150 ms 接近传统电话,几乎无感知
150 至 300 ms 可察觉,对话仍自然
300 至 400 ms 明显迟滞,开始出现抢话
大于 400 ms 对话困难,需要严格半双工式交流

时延的构成需要逐段拆解,才能定位优化点。

环节 典型值 说明
采集与缓冲 5 至 20 ms 声卡缓冲、驱动缓冲
语音前端处理 0 至 20 ms AEC、NS、AGC 的算法时延
编码算法时延 0 至 30 ms G.711 接近 0,G.729 约 10 至 15 ms
打包时延 20 至 40 ms ptime,通常 20 ms
网络传输 1 至 200 ms 取决于物理距离、排队、路由
抖动缓冲 20 至 100 ms 自适应,弱网下自动增大
解码与播放缓冲 5 至 30 ms —
媒体服务器处理 0 至 40 ms 转码、混音、录音分流
网关与 SBC 5 至 20 ms 每经过一跳都会累加

单跳系统通常可以控制在 80 至 120 ms。跨国链路、多级 SBC、转码、卫星链路是主要放大项。卫星链路的传播时延单程约 250 ms,几乎无法满足交互要求,只能依靠本地回放与半双工策略。

3.2 抖动与抖动缓冲

抖动(jitter)是包到达间隔的波动。发送端每 20 ms 发一个包,接收端可能收到间隔 5 ms、35 ms 的包。

接收端必须用抖动缓冲(jitter buffer)把包按时间戳重新排布成均匀的播放流。

  • 固定缓冲:缓冲深度固定,实现简单,弱网下容易溢出,好网下白增时延。
  • 自适应缓冲:根据到达间隔的统计分布动态调整深度,兼顾时延与丢包。
  • 缓冲过小:抖动超出缓冲深度的包会被丢弃,表现为"断续"。
  • 缓冲过大:时延增加,听感迟滞。

工程经验:局域网内自适应缓冲可稳定在 20 至 40 ms;广域网建议下限设为 40 至 60 ms;移动网络与跨境链路可能需要在 80 至 150 ms 之间波动。

抖动缓冲的统计通常用 RFC 3550 定义的到达间隔抖动公式:

D(i,j) = (Rj - Ri) - (Sj - Si)
J(i) = J(i-1) + (|D(i-1,i)| - J(i-1)) / 16

其中 R 为到达时刻,S 为 RTP 时间戳。该值由 RTCP 报告携带,可作为监控指标。

3.3 丢包

丢包对语音的影响取决于编码器、PLC、FEC 与丢包模式。

丢包率 主观影响
小于 1% 基本无感知
1% 至 3% 偶发轻微断续
3% 至 5% 明显断续,需要 PLC 与 FEC 支撑
大于 5% 通话质量严重下降
大于 10% 基本不可用

关键区分:

  1. 随机丢包与突发丢包。突发丢包(连续 5 个以上包)比同等比例的随机丢包严重得多,因为 PLC 无法长时间外推。
  2. 上行丢包与下行丢包。单向丢包常被误判为"对方听不到",实际是本地发送路径问题。
  3. 真实丢包与"晚到被丢弃"。后者本质是抖动缓冲溢出,调整缓冲深度可改善。

3.4 主观与客观质量评估

3.4.1 MOS

MOS(Mean Opinion Score)是主观评分,1 至 5 分,由听音者打分平均得到。

MOS 主观评价
4.0 至 4.5 接近传统电话
3.5 至 4.0 良好,可商用
3.0 至 3.5 可懂,明显失真
小于 3.0 难以接受

常见编码器参考 MOS(窄带,无网络损伤):

  • G.711:4.1 至 4.3
  • G.729:3.7 至 3.9
  • AMR-NB 12.2 kbit/s:约 4.0

需要注意 MOS 是主观值,不同测试条件不可直接比较。

3.4.2 PESQ 与 POLQA

  • PESQ(ITU-T P.862):客观算法,把参考信号与处理后信号对齐后计算感知差异,输出 MOS-LQO 分数。适用于窄带到宽带的部分场景,对超宽带与最新编码支持有限。
  • POLQA(ITU-T P.863):PESQ 的继任者,支持超宽带、时延变化、噪声环境,是当前主流客观评估标准。

评估需要成对的参考信号与测试信号,通常通过注入标准语音样本并采集回放结果得到。

3.4.3 E-model 与 R 因子

E-model(ITU-T G.107)不是测量方法,而是规划模型。它把各类损伤折算为 R 因子(0 至 100),再映射到 MOS。

R = R0 - Is - Id - Ie + A
  • R0:基础信噪比带来的质量。
  • Is:同时性损伤(如回声、话机侧问题)。
  • Id:时延损伤。
  • Ie:设备损伤(编码、丢包)。
  • A:优势因子(补偿性因素,如移动场景的宽容度)。

映射关系:

R 值 MOS 满意度
90 至 100 4.3 以上 很满意
80 至 90 4.0 至 4.3 满意
70 至 80 3.6 至 4.0 部分满意
60 至 70 3.1 至 3.6 多数不满
小于 60 小于 3.1 不可接受

E-model 的价值在于可以在设计阶段估算。已知编码器、丢包率、时延,就能算出预期 R 值,用于链路选型与 SLA 制定。

3.4.4 实时监控指标

生产环境通常采集以下指标做趋势监控与告警:

  1. RTCP 报告的丢包率、抖动、往返时延。
  2. RTP 序列号缺口统计。
  3. 抖动缓冲深度与溢出次数。
  4. 编码协商结果与实际码率。
  5. 单向音频检测(基于能量与 RTP 收包比对)。
  6. 呼叫建立时延(INVITE 到 200 OK 再到 ACK 的时间)。
  7. 呼叫失败率与原因码分布。

3.5 影响质量的完整因素清单

按可控程度排序:

  1. 网络层:带宽不足、拥塞、丢包、抖动、路由绕行、MTU 分片。
  2. 设备层:终端性能不足、AEC 效果差、麦克风与扬声器质量、固件缺陷。
  3. 配置层:编解码不匹配、ptime 不一致、VAD 误配、抖动缓冲参数不当。
  4. 架构层:过多转码、过多 SBC 跳数、媒体路径绕行(三角路由)。
  5. 环境层:无线信号弱、电磁干扰、PoE 供电不足导致重启。

排障顺序建议从下往上:先确认网络指标,再确认设备与配置,最后审视架构。


第二部分 协议体系

第 4 章 协议栈全景与分层边界

4.1 协议栈总览

+-----------------------------------------------------------+
|  应用与业务:IVR、会议、录音、转写、质检、机器人          |
+-----------------------------------------------------------+
|  业务控制:呼叫路由、补充业务、计费、策略                 |
+-----------------------------------------------------------+
|  信令层:SIP / H.323 / MGCP / Megaco / SCCP / IAX2        |
|          SDP(能力描述)                                  |
+-----------------------------------------------------------+
|  媒体控制:RTP / RTCP / SRTP / SRTCP                      |
|            媒体传输辅助:ICE / STUN / TURN                |
+-----------------------------------------------------------+
|  传输层:UDP / TCP / TLS / DTLS / SCTP                    |
+-----------------------------------------------------------+
|  网络层:IPv4 / IPv6 / DSCP / NAT / 路由                  |
+-----------------------------------------------------------+
|  链路层:以太网 / Wi-Fi / PoE / VLAN                      |
+-----------------------------------------------------------+

4.2 职责边界

理解协议边界可以避免把问题归错层。

  1. SIP 只负责"找到人、协商能力、建立与拆除会话",不承载媒体。
  2. SDP 只是载荷,被 SIP 携带,描述媒体地址、端口、编码列表、加密属性。
  3. RTP 只负责"把媒体按时间顺序送达",不做重传、不做拥塞控制。
  4. RTCP 只负责"反馈质量",提供丢包、抖动、RTT 等统计。
  5. ICE 只负责"找到一条可用的媒体路径",不保证质量。
  6. SRTP 只负责"加密与完整性",不改变传输语义。

一个常见误解是认为 SIP 能控制媒体路径。实际上媒体走哪条路完全由 SDP 中的地址与端口决定,SIP 代理默认不参与媒体。这也是"信令通了但没声音"的根本原因之一。

4.3 端口与传输选择

协议 默认端口 传输
SIP 5060 UDP、TCP
SIP over TLS 5061 TCP、TLS
SIPS 5061 TCP、TLS
RTP 动态,通常 10000 至 20000 或 40000 以上 UDP
RTCP RTP 端口加 1 UDP
STUN/TURN 3478 UDP、TCP
TURN over TLS 5349 TCP、TLS
H.323 呼叫信令 1720 TCP
H.323 RAS 1719 UDP
MGCP 2427 UDP
Megaco/H.248 2944 UDP、TCP
SCCP 2000 TCP
IAX2 4569 UDP
RTP-MIDI 等扩展 动态 UDP

传输选择原则:

  • UDP 适合信令与媒体:无队头阻塞,重传由应用层决定。
  • TCP 适合大消息与需要可靠传输的场景:SIP 大消息、WebSocket 信令、配置下发。
  • TLS 用于信令加密与身份验证。
  • DTLS 用于 UDP 上的加密,WebRTC 的媒体密钥交换依赖它。
  • SCTP 在电信设备中使用,提供多宿主与消息边界,公网部署较少。

4.4 一次典型呼叫的协议交互全景

以两个 SIP 终端经代理服务器互通为例:

  1. 终端 A 向注册服务器发送 REGISTER,携带认证信息,绑定 AOR 与 Contact 地址。
  2. 终端 B 同样完成注册。
  3. A 发起 INVITE,携带 SDP offer,列出支持的编码与媒体地址。
  4. 代理服务器查询位置服务,找到 B 的 Contact,转发 INVITE。
  5. B 返回 100 Trying,表示已收到。
  6. B 振铃,返回 180 Ringing。
  7. B 摘机,返回 200 OK,携带 SDP answer。
  8. A 收到 200 OK,发送 ACK 确认。
  9. 双方按协商结果互发 RTP,周期性交换 RTCP。
  10. 通话结束,A 发送 BYE。
  11. B 返回 200 OK,会话结束。
  12. 双方各自发送 RTCP BYE,媒体停止。

整个过程中,SIP 事务与对话的状态机、超时重传、认证、路由决策都在后台运行。后续章节逐项展开。

第 5 章 SIP 信令协议

5.1 定位与设计哲学

SIP(Session Initiation Protocol)由 RFC 3261 定义,属于应用层信令协议,职责是创建、修改、终止多媒体会话。

其设计特点:

  1. 文本化。消息基于文本,与 HTTP 类似,便于人工阅读与抓包分析。
  2. 事务与对话分离。事务负责一次请求响应的可靠传递,对话负责长期会话状态。
  3. 与传输无关。可运行在 UDP、TCP、TLS、SCTP、WebSocket 之上。
  4. 能力协商外置。媒体能力由 SDP 描述,SIP 本身不关心编解码。
  5. 代理与终端对等。终端可以是 UAC 或 UAS,服务器可以是代理、重定向或注册服务器。

5.2 逻辑实体

实体 英文 职责
用户代理客户端 UAC 发起请求
用户代理服务端 UAS 接收请求并响应
代理服务器 Proxy Server 转发请求,可做路由与策略
重定向服务器 Redirect Server 返回目标地址,不转发
注册服务器 Registrar 接收注册,维护位置绑定
位置服务器 Location Server 存储 AOR 与 Contact 映射
背靠背用户代理 B2BUA 拆成两段独立对话,可做媒体控制与业务编排

B2BUA 是工程上最重要的实体。它同时扮演 UAS 与 UAC,把一通呼叫拆成两段。IP PBX、SBC、媒体服务器、呼叫中心平台基本都是 B2BUA。

B2BUA 的代价:

  • 信令路径被完全切断,端到端特性(如某些头域的透传、端到端加密)受限。
  • 需要维护两套对话状态,资源消耗更高。
  • 便于实现媒体控制、录音、转码、业务逻辑。

5.3 消息结构

SIP 消息分为请求与响应两类,结构统一为三部分。

起始行
头部字段(若干行)
空行
消息体(可选,通常为 SDP)

5.3.1 请求起始行

INVITE sip:bob@example.com SIP/2.0

由方法名、请求 URI、协议版本三部分组成。

5.3.2 响应起始行

SIP/2.0 200 OK

由协议版本、状态码、原因短语三部分组成。

5.3.3 完整示例:INVITE

INVITE sip:bob@example.com SIP/2.0
Via: SIP/2.0/UDP 192.168.1.10:5060;branch=z9hG4bK776asdhds;rport
Max-Forwards: 70
From: "Alice" <sip:alice@example.com>;tag=1928301774
To: "Bob" <sip:bob@example.com>
Call-ID: a84b4c76e66710@192.168.1.10
CSeq: 314159 INVITE
Contact: <sip:alice@192.168.1.10:5060>
Content-Type: application/sdp
Content-Length: 142

v=0
o=alice 2890844526 2890844526 IN IP4 192.168.1.10
s=-
c=IN IP4 192.168.1.10
t=0 0
m=audio 49170 RTP/AVP 0 8 101
a=rtpmap:0 PCMU/8000
a=rtpmap:8 PCMA/8000
a=rtpmap:101 telephone-event/8000
a=fmtp:101 0-16
a=sendrecv

5.4 方法

方法 用途 备注
INVITE 发起会话,也可用于修改会话 会话修改称为 re-INVITE
ACK 确认最终响应 仅用于 INVITE 事务
BYE 结束会话 由对话内任一方发送
CANCEL 取消尚未完成的 INVITE 不能取消已成功的呼叫
REGISTER 注册绑定 绑定 AOR 与 Contact
OPTIONS 查询能力与保活 常用于 NAT 保活与链路探测
INFO 传递会话内信息 DTMF、计费信息、应用数据,标准化程度弱
PRACK 临时响应确认 配合 100rel,保证可靠性
SUBSCRIBE 订阅事件 状态呈现、BLF、MWI
NOTIFY 事件通知 与 SUBSCRIBE 配对
REFER 请求对方发起新请求 呼叫转移的主要实现方式
MESSAGE 即时消息 文本消息
PUBLISH 发布事件状态 与 SUBSCRIBE 配合
UPDATE 会话参数更新 在最终响应前修改会话,不改变对话状态

5.5 响应状态码

类别 范围 含义 典型场景
1xx 100 至 199 临时响应 100 Trying、180 Ringing、183 Session Progress
2xx 200 至 299 成功 200 OK
3xx 300 至 399 重定向 301 Moved、302 Moved Temporarily
4xx 400 至 499 客户端错误 401 Unauthorized、403 Forbidden、404 Not Found、408 Timeout、480 Temporarily Unavailable、486 Busy Here、487 Request Terminated
5xx 500 至 599 服务端错误 500 Server Internal Error、503 Service Unavailable、504 Server Time-out
6xx 600 至 699 全局失败 600 Busy Everywhere、603 Decline、604 Does Not Exist Anywhere

排障中高频出现的原因码:

  • 401:需要认证,终端未携带或携带错误的凭证。
  • 403:策略拒绝,常见于路由不允许、号码限制、IP 白名单。
  • 404:被叫号码不存在或路由失败。
  • 408:请求超时,通常是可达性问题或对端无响应。
  • 480:被叫暂时不可用,可能未注册或全部终端离线。
  • 486:被叫忙。
  • 487:请求被取消,通常伴随 CANCEL。
  • 488:媒体协商失败,常见于编码无交集。
  • 503:服务不可用,可能是过载或维护。

5.6 关键头部字段

头域 作用 要点
Via 记录请求经过的路径 每个代理追加一个;branch 参数标识事务
Max-Forwards 限制跳数 每经过一跳减 1,为 0 时返回 483
Route 强制路由 与 Record-Route 配合,决定后续请求路径
Record-Route 要求后续请求经过本节点 代理插入,确保对话内请求按路径走
From 发起方标识 含 tag,标识对话
To 接收方标识 初始无 tag,UAS 响应时添加 tag
Call-ID 全局唯一会话标识 同一对话内不变
CSeq 命令序号 方法名加递增序号,用于排序与去重
Contact 直接可达地址 注册与邀请中用于后续请求直达
Content-Type 消息体类型 application/sdp、application/dtmf-relay 等
Content-Length 消息体长度 UDP 下必须准确,否则解析错位
WWW-Authenticate 服务端认证挑战 配合 401
Authorization 客户端认证响应 配合 401
Expires 注册有效期 也可用 Contact 的 expires 参数
Session-Expires 会话定时器 配合会话保活,防止状态悬挂
Supported、Require 扩展能力协商 100rel、timer、replaces 等
P-Asserted-Identity 可信主叫身份 运营商网络中用于传递真实号码
Diversion 呼叫转移历史 记录转移链
History-Info 路由历史 标准化的转移与重定向记录

5.7 事务

事务是一次请求及其所有响应的集合。理解事务是理解 SIP 可靠性的关键。

5.7.1 事务标识

事务由三个要素确定:

  1. Via 头中的 branch 参数(必须以 z9hG4bK 开头)。
  2. 请求方法(ACK 与 CANCEL 除外,它们匹配原 INVITE 事务)。
  3. 发送方地址。

5.7.2 客户端事务状态机(非 INVITE)

Calling -> Trying -> Proceeding -> Completed -> Terminated
  • Calling:已发送请求,等待响应。
  • Trying:收到 1xx。
  • Proceeding:收到非最终响应后的等待。
  • Completed:收到最终响应。
  • Terminated:事务结束。

UDP 下采用指数退避重传,初始 T1 为 500 ms,每次翻倍,上限 T2 为 4 s,总时长 Timer F 为 32 s。

5.7.3 INVITE 客户端事务

INVITE 事务有特殊处理:收到 2xx 后不由事务层确认,而由对话层的 ACK 处理。收到非 2xx 最终响应时,由事务层生成 ACK 并重传。

  • Timer A:INVITE 重传间隔,初始 T1。
  • Timer B:INVITE 事务超时,64 乘以 T1。
  • Timer D:非 2xx 后等待 ACK 重传的时间,UDP 下至少 32 s。

5.7.4 服务端事务

服务端事务需要处理重传请求的去重:收到重复请求时,重发上一次的响应,而不是重复执行业务逻辑。这是防止重复扣费、重复振铃的关键机制。

5.8 对话

对话由 Call-ID、From tag、To tag 三元组标识。

对话状态:

  1. 早期对话:收到 1xx 带 To tag 后建立。
  2. 已确认对话:收到 2xx 并发送 ACK 后建立。
  3. 终止:收到 BYE 或对话超时。

对话内的请求路由依赖 Route 集合。该集合由初始请求路径上的 Record-Route 头按逆序构造。代理不插入 Record-Route 时,后续请求可能绕过它。

5.9 注册机制

注册解决"人在哪里"的问题。

REGISTER sip:example.com SIP/2.0
Via: SIP/2.0/UDP 192.168.1.10:5060;branch=z9hG4bK123
Max-Forwards: 70
From: <sip:alice@example.com>;tag=abc
To: <sip:alice@example.com>
Call-ID: reg-12345
CSeq: 1 REGISTER
Contact: <sip:alice@192.168.1.10:5060>;expires=3600
Content-Length: 0

要点:

  1. AOR(Address of Record)是被注册的身份,例如 sip:alice@example.com。
  2. Contact 是实际可达地址,包含 IP、端口与传输方式。
  3. 一个 AOR 可以绑定多个 Contact,实现多终端同时振铃(forking)。
  4. expires 为 0 表示注销。
  5. 注册需要定期刷新,通常为有效期的一半或更短。
  6. 注册风暴是常见的容量问题:大量终端同时重启会导致瞬时信令拥塞。

NAT 环境下的注册问题:终端上报的 Contact 是私网地址,服务器无法回连。解决方案包括:

  • 使用 rport 与 received 参数,让服务器按实际来源地址回填。
  • 终端配置为对外公布的地址。
  • 通过 SBC 做 Contact 改写。

5.10 路由与代理行为

代理服务器处理请求的基本步骤:

  1. 检查 Max-Forwards,为 0 则返回 483。
  2. 认证与授权。
  3. 决定是否处理本地用户(lookup)。
  4. 若目标是本地用户,查询注册绑定,可能产生多个分支(forking)。
  5. 若目标是外部域,按 DNS NAPTR、SRV、A 记录解析下一跳。
  6. 添加 Via 与 Record-Route,转发请求。
  7. 收集响应,选择最佳响应回送上游。

分支策略(forking):

  • 并行分支:同时向多个 Contact 发 INVITE,先应答者接通,其余发送 CANCEL。
  • 串行分支:按优先级依次尝试,超时后尝试下一个。
  • 顺序与超时配置直接影响振铃时间与用户感知。

5.11 认证

SIP 使用 HTTP Digest 认证(RFC 2617 与 RFC 7616)。

流程:

  1. UAC 发送无凭证请求。
  2. UAS 返回 401 或 407,携带 WWW-Authenticate 或 Proxy-Authenticate 挑战,包含 realm、nonce、algorithm、qop。
  3. UAC 计算摘要并重发请求,携带 Authorization 或 Proxy-Authorization。
  4. UAS 校验通过后继续处理。

摘要计算:

HA1 = MD5(username:realm:password)
HA2 = MD5(method:digest-uri)
response = MD5(HA1:nonce:nc:cnonce:qop:HA2)

安全评估:

  • Digest 不传输明文密码,但离线可被字典攻击,弱密码风险高。
  • 必须配合 TLS 使用,否则凭证与消息可被嗅探。
  • 现代部署倾向于在 TLS 之上再做 Digest,或改用证书认证。

5.12 会话修改:re-INVITE 与 UPDATE

会话进行中需要修改参数时:

  • re-INVITE:在已确认对话内发送新的 INVITE,携带新的 SDP,对方返回 200 OK 与 answer,再 ACK。可修改编码、媒体地址、方向属性。
  • UPDATE:在早期对话阶段修改会话,不需要重新建立对话状态。用于最终响应前调整媒体参数。
  • PRACK:与 100rel 配合,对 183 等临时响应做可靠确认,确保早期媒体参数不丢失。

常见用途:呼叫保持(re-INVITE 把方向改为 sendonly 或 inactive)、通话中切换编码、媒体服务器接入、录音开启。

5.13 会话定时器

RFC 4028 定义会话定时器,用于检测对话是否失联。

  • 双方在 INVITE 中通过 Session-Expires 与 Min-SE 协商刷新周期。
  • 对话内定期发送 re-INVITE 或 UPDATE 刷新。
  • 超时未刷新则主动结束对话,避免状态悬挂与资源泄漏。

SBC 与运营商网络通常强制启用,检查该头域是否被正确透传是排障要点。

5.14 呼叫转移与 REFER

REFER 让接收方去发起一个新请求。

典型流程:

  1. A 与 B 通话中,B 希望转给 C。
  2. B 向 A 发送 REFER,Refer-To 指向 C。
  3. A 接受,返回 202 Accepted。
  4. A 向 C 发起 INVITE,建立新对话。
  5. A 通过 NOTIFY 向 B 报告转移进度(sipfrag)。

实现差异:

  • 盲转移:REFER 立即指向目标,不等目标应答。
  • 咨询转移:先呼叫目标,确认后再转。
  • 部分设备不支持 REFER,需要服务器侧模拟(B2BUA 重新发起呼叫)。

5.15 常见呼叫流程

5.15.1 成功呼叫

A                     Proxy                    B
|-- INVITE ----------->|                        |
|<-- 100 Trying -------|                        |
|                      |-- INVITE ------------->|
|                      |<-- 100 Trying --------|
|                      |<-- 180 Ringing -------|
|<-- 180 Ringing ------|                        |
|                      |<-- 200 OK (SDP) ------|
|<-- 200 OK (SDP) -----|                        |
|-- ACK -------------->|                        |
|                      |-- ACK ---------------->|
|<============ RTP ============================>|

5.15.2 被叫忙

A                     Proxy                    B
|-- INVITE ----------->|-- INVITE ------------->|
|<---------------------|<-- 486 Busy Here -----|
|<-- 486 Busy Here ----|                        |
|-- ACK -------------->|-- ACK ---------------->|

5.15.3 主叫取消

A                     Proxy                    B
|-- INVITE ----------->|-- INVITE ------------->|
|<-- 180 Ringing ------|<-- 180 Ringing -------|
|-- CANCEL ----------->|-- CANCEL ------------->|
|<-- 200 OK (CANCEL) --|<-- 200 OK (CANCEL) ---|
|<-- 487 Request Term.-|<-- 487 Request Term. --|
|-- ACK -------------->|-- ACK ---------------->|

要点:CANCEL 必须对原 INVITE 产生 487,并对 CANCEL 本身返回 200 OK。ACK 用于确认 487。

5.15.4 认证挑战

A                                    Server
|-- REGISTER (无凭证) --------------->|
|<-- 401 Unauthorized ---------------|
|-- REGISTER (带 Authorization) ----->|
|<-- 200 OK -------------------------|

5.15.5 早期媒体与振铃回铃

运营商侧常见 183 Session Progress 携带 SDP,用于播放彩铃或运营商提示音。这要求主叫在收到 183 后就建立单向媒体接收。

若设备忽略 183 的 SDP,会出现"回铃音不响"或"提示音听不到"的现象。

5.15.6 三方通话与会议

  • 本地混音:终端自身混音,SIP 层只需多方对话管理。
  • 服务器混音:媒体服务器作为混音资源,各方与它建立对话。
  • SIP 会议桥:通过 Conference 事件包(RFC 4575)管理成员。

5.16 SIP 与 NAT

NAT 是 SIP 部署中最大的现实障碍。

问题来源:

  1. SIP 消息中的 IP 出现在 Via、Contact、SDP 的 c 行与 m 行中,NAT 无法改写应用层内容。
  2. 媒体端口在 SDP 中声明,NAT 映射后外部不可达。
  3. 保持时间短,NAT 映射会过期。

解决方案演进:

  1. STUN:终端探测自己的公网映射地址,主动写入 SIP 与 SDP。
  2. TURN:媒体经中继服务器转发,保证可达,代价是带宽与时延。
  3. ICE:综合候选地址探测,选择最优路径。
  4. SBC:在边界处统一改写信令与媒体,强制媒体锚定。
  5. SIP ALG:由防火墙或路由器做应用层网关改写,实践效果常不佳,容易破坏加密与分片。

企业部署的经验结论:尽量用 SBC 或媒体中继统一处理,不要依赖终端侧猜测与 ALG。

5.17 SIP over WebSocket

WebRTC 场景中,SIP 可以承载在 WebSocket 上(RFC 7118),形成 SIP over WSS。

  • 优势:复用浏览器的连接与 TLS,穿透代理。
  • 变化:消息边界由 WebSocket 帧提供,不再需要 Content-Length 严格对齐;连接保活由 WebSocket Ping/Pong 承担。
  • 注意:与 UDP 的传输特性不同,重传逻辑可简化,但仍需遵守事务语义。

5.18 SIP 安全加固清单

  1. 强制 TLS 用于注册与呼叫,禁用明文 UDP 对外暴露。
  2. 关闭不需要的方法,例如对外关闭 OPTIONS 之外的探测方法、限制 MESSAGE。
  3. 启用频率限制,防止注册风暴与扫描。
  4. 号码与路由白名单,阻断国际长途滥用。
  5. 拓扑隐藏,Via 与 Record-Route 中不暴露内部地址。
  6. 认证与密码策略,禁止空密码与默认密码。
  7. 媒体加密,SRTP 与 DTLS-SRTP。
  8. 日志与审计,记录注册、呼叫、异常原因码。
  9. 边界防护,SBC 前置,隐藏核心服务器。
  10. 定期漏洞扫描与固件更新。

第 6 章 SDP 会话描述协议

6.1 定位

SDP(Session Description Protocol,RFC 4566,后由 RFC 8866 更新)不是传输协议,而是一种文本格式,用于描述多媒体会话的参数。它被 SIP、RTSP、SAP、WebRTC 等协议携带。

SDP 描述的是"能力与地址",不描述"如何传输"。传输由 RTP 等协议完成。

6.2 结构

SDP 由若干行组成,每行格式为:

<类型>=<值>

行序有严格规定:会话级字段在前,媒体级字段在后。每个媒体段以 m= 行开始。

6.2.1 会话级字段

字段 必需 含义
v= 是 协议版本,固定为 0
o= 是 发起者与会话标识:用户名、会话 ID、版本、网络类型、地址类型、地址
s= 是 会话名称,SIP 中通常为 -
i= 否 会话信息
u= 否 描述 URI
e= 否 邮箱
p= 否 电话
c= 视情况 连接信息,媒体级未指定时继承
b= 否 带宽
t= 是 时间描述,SIP 中固定为 0 0
r= 否 重复时间
z= 否 时区调整
k= 否 加密密钥,已废弃
a= 否 属性,可多个
m= 是 媒体描述,可多个

6.2.2 媒体级字段

字段 含义
m= 媒体类型、端口、传输协议、载荷类型列表
c= 连接地址
b= 带宽
a= 属性

6.3 m= 行详解

m=audio 49170 RTP/AVP 0 8 101

四段含义:

  1. 媒体类型:audio、video、text、application、message。
  2. 传输端口:媒体接收端口。为 0 表示该媒体流被禁用。
  3. 传输协议:RTP/AVP(RTP over UDP)、RTP/SAVP(SRTP)、RTP/SAVPF(SRTP with feedback,WebRTC 常用)、UDP/TLS/RTP/SAVPF(DTLS-SRTP)。
  4. 载荷类型列表:静态与动态 PT 的编号列表,顺序代表优先级。

6.4 载荷类型

6.4.1 静态载荷类型

PT 编码 采样率 说明
0 PCMU 8000 G.711 μ-law
3 GSM 8000 —
4 G723 8000 —
8 PCMA 8000 G.711 A-law
9 G722 8000(实际 16000) 注意此处标注的 8000 是历史遗留
13 CN 8000 舒适噪声
18 G729 8000 —

G.722 的采样率标注为 8000 属于历史原因,实际时钟率为 16000 Hz。部分实现据此计算时间戳增量,容易出错。

6.4.2 动态载荷类型

96 至 127 为动态范围,必须在 SDP 中用 rtpmap 显式声明。

a=rtpmap:96 opus/48000/2
a=fmtp:96 maxplaybackrate=48000;stereo=1;sprop-stereo=0;useinbandfec=1

6.5 关键属性

属性 含义 典型值
a=rtpmap 载荷类型映射 96 opus/48000/2
a=fmtp 编码器参数 profile-level-id、useinbandfec、packetization-mode
a=ptime 打包周期 20
a=maxptime 最大打包周期 40
a=sendrecv 双向收发 默认
a=sendonly 只发不收 静音、广播
a=recvonly 只收不发 监听、录音
a=inactive 既不收也不发 保持
a=rtcp RTCP 端口 49171
a=rtcp-mux RTP 与 RTCP 复用同一端口 WebRTC 常用
a=ice-ufrag ICE 用户名片段 —
a=ice-pwd ICE 密码 —
a=ice-options ICE 选项 trickle
a=candidate ICE 候选地址 —
a=fingerprint DTLS 证书指纹 sha-256 ...
a=setup DTLS 角色 actpass、active、passive
a=group 媒体流分组 BUNDLE
a=mid 媒体标识 audio、video、0
a=msid 媒体流标识 用于 WebRTC
a=ssrc 同步源标识 —
a=rtcp-fb RTCP 反馈能力 nack、nack pli、goog-remb、transport-cc
a=extmap RTP 头扩展映射 音频电平、绝对时间
a=fmtp 编码参数 —

6.6 Offer/Answer 模型

RFC 3264 定义协商规则,这是 SIP 与 WebRTC 媒体协商的核心。

6.6.1 基本流程

  1. 发起方生成 offer,列出所有支持的媒体类型、编码、地址。
  2. 接收方生成 answer,从 offer 中选择一个子集。
  3. 双方按 answer 的结果发送媒体。

6.6.2 规则

  1. answer 中的媒体流数量必须与 offer 一致,顺序也必须一致。
  2. answer 中的每个 m= 行只能选择一个编码(或一个编码加 telephone-event)。
  3. 若 answer 拒绝某个媒体流,应将其端口置为 0。
  4. answer 中不能出现 offer 未列出的编码。
  5. 对称性要求:接收方应在 answer 中声明自己接收媒体的地址。

6.6.3 三次交换

实际通话中通常发生三次 SDP 交换:

  1. 初始 offer/answer:确定基本参数。
  2. PRACK 相关:若使用 100rel,183 中的 SDP 需要在 PRACK 之前确认。
  3. re-INVITE 或 UPDATE:修改参数。

6.7 典型 SDP 示例

6.7.1 基础音频

v=0
o=alice 2890844526 2890844526 IN IP4 10.0.0.10
s=-
c=IN IP4 10.0.0.10
t=0 0
m=audio 49170 RTP/AVP 0 8 101
a=rtpmap:0 PCMU/8000
a=rtpmap:8 PCMA/8000
a=rtpmap:101 telephone-event/8000
a=fmtp:101 0-16
a=ptime:20
a=sendrecv

6.7.2 带 SRTP 的音频

v=0
o=bob 123456 123456 IN IP4 10.0.0.20
s=-
c=IN IP4 10.0.0.20
t=0 0
m=audio 50000 RTP/SAVP 0 8 101
a=rtpmap:0 PCMU/8000
a=rtpmap:8 PCMA/8000
a=rtpmap:101 telephone-event/8000
a=crypto:1 AES_CM_128_HMAC_SHA1_80 inline:UJhbmRvbWtleWJhc2U2NDAwMDAwMDAwMDAwMDAwMDAwMDAwMDA=
a=sendrecv

6.7.3 WebRTC 音频

v=0
o=- 4611731400430051336 2 IN IP4 127.0.0.1
s=-
t=0 0
a=group:BUNDLE 0
a=msid-semantic: WMS stream1
m=audio 9 UDP/TLS/RTP/SAVPF 111 63 9 0 8 13 110
c=IN IP4 0.0.0.0
a=rtcp:9 IN IP4 0.0.0.0
a=ice-ufrag:8hhY
a=ice-pwd:asd88fgpdd777uzjYhagZg
a=ice-options:trickle
a=fingerprint:sha-256 3B:1E:...:A9
a=setup:actpass
a=mid:0
a=extmap:1 urn:ietf:params:rtp-hdrext:ssrc-audio-level
a=sendrecv
a=rtcp-mux
a=rtpmap:111 opus/48000/2
a=fmtp:111 minptime=10;useinbandfec=1
a=rtpmap:63 red/48000/2
a=rtpmap:9 G722/8000
a=rtpmap:0 PCMU/8000
a=rtpmap:8 PCMA/8000
a=rtpmap:13 CN/8000
a=rtpmap:110 telephone-event/48000
a=ssrc:12345678 cname:abc

要点说明:

  • c=IN IP4 0.0.0.0 表示地址由 ICE 候选决定,不依赖传统连接地址。
  • 端口 9 是历史占位值,实际端口由 ICE 协商。
  • BUNDLE 表示多个媒体流复用同一传输,减少端口与 NAT 穿透复杂度。
  • DTLS 指纹用于验证媒体加密的对端身份。
  • setup:actpass 表示发起方可以主动也可以被动。

6.8 编码参数 fmtp 常见取值

编码 参数 说明
Opus minptime 最小打包周期
Opus useinbandfec 启用带内 FEC
Opus stereo 立体声
Opus maxaveragebitrate 最大平均码率
G.729 annexb 是否启用 Annex B(VAD 与 CNG)
H.264 packetization-mode 打包模式 0 或 1
H.264 profile-level-id 档次与级别
telephone-event 0-16 支持的 DTMF 事件编码
RED — 冗余编码,用于抗丢包

6.9 SDP 相关的典型故障

  1. 编码无交集。offer 与 answer 的编码列表没有公共项,返回 488。
  2. 地址不可达。c= 行写的是私网地址,对端无法发送媒体。
  3. 端口为 0。媒体被拒绝或被单向禁用,表现为单通。
  4. 方向属性不一致。一方 sendonly 而另一方 recvonly,实际只单向传输。
  5. G.722 时钟率误用。时间戳增量按 8000 计算导致播放速度错误。
  6. telephone-event 采样率不匹配。Opus 场景应为 48000,错误配为 8000 会导致按键识别失败。
  7. rtcp-mux 一方支持一方不支持。导致 RTCP 端口错位。
  8. ICE 候选缺失或指纹不匹配。媒体建立失败。
  9. ptime 与 maxptime 冲突。部分设备会拒绝。
  10. SDP 过大超过 UDP MTU。分片或截断,导致解析失败。

第 7 章 RTP 与 RTCP 媒体传输

7.1 RTP 的定位

RTP(Real-time Transport Protocol,RFC 3550)为实时媒体提供端到端的传输功能:

  • 载荷类型标识:说明承载的是什么编码。
  • 序列号:检测丢包与乱序。
  • 时间戳:恢复播放时序、实现音视频同步。
  • 同步源标识:区分多路媒体流。

RTP 不提供:

  • 可靠性保证,不重传。
  • 流量控制与拥塞控制。
  • 有序交付保证。
  • 时延保证。

这些必须由上层(RTCP 反馈、应用层拥塞控制、抖动缓冲)完成。

7.2 RTP 包结构

 0                   1                   2                   3
 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|V=2|P|X|  CC   |M|     PT      |       sequence number         |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|                           timestamp                           |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|           synchronization source (SSRC) identifier            |
+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+=+
|            contributing source (CSRC) identifiers             |
|                             ....                              |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

字段说明:

字段 位数 含义
V 2 版本,固定为 2
P 1 填充标志,末字节给出填充长度
X 1 扩展头标志
CC 4 CSRC 数量
M 1 标记位,音频常用于标记静音后的第一个包或话音起始
PT 7 载荷类型
sequence number 16 序列号,每包递增 1,回绕后从 0 继续
timestamp 32 采样时钟计数,按采样率递增
SSRC 32 同步源标识,随机生成
CSRC 32 乘 CC 混音源列表,混音器使用

7.3 序列号与时间戳

7.3.1 序列号

  • 初始值随机,防止明文推测与攻击。
  • 每发送一个 RTP 包递增 1,与媒体内容无关。
  • 接收端用序列号计算丢包:期望序列号与实际收到序列号的差值。
  • 序列号回绕处理必须使用模 2 的 16 次方运算。

7.3.2 时间戳

  • 以采样率为时钟单位递增。G.711 每 20 ms 增加 160。
  • 同一帧内的多个包共享相同时间戳(视频分片)。
  • 静音期(DTX)不发送包,但时间戳仍按真实时间推进,接收端据此判断静默长度。
  • 音视频同步依赖 RTCP SR 中的 NTP 时间与 RTP 时间戳的对应关系。

7.3.3 常见时间戳错误

  1. 时钟率配置错误,例如 G.722 按 8000 计算,导致音频播放速度错误。
  2. 静音期时间戳未推进,导致恢复后播放错位。
  3. 转码时未重写时间戳基准,导致音视频不同步。
  4. 混音器未正确对齐各路的输入时间戳,导致拼接处出现断裂。

7.4 载荷格式

RTP 载荷的具体格式由编码标准与 RFC 定义,不同编码不同。

编码 载荷格式规范 要点
G.711 RFC 3551 每包整数个 20 ms 帧,无额外头
G.722 RFC 3551 每包含一个或多个 20 ms 帧
G.729 RFC 3551 每包含整数个 10 ms 帧
AMR RFC 4867 含 CMR 与 ToC 表,支持多帧
Opus RFC 6716 每包一帧,帧长可 2.5 至 60 ms
telephone-event RFC 4733 含事件号、音量、持续时间
RED RFC 2198 冗余编码,携带历史帧
Comfort Noise RFC 3389 静音期噪声描述

7.4.1 DTMF 传输

DTMF(双音多频,按键音)在 VoIP 中有三种传送方式:

  1. 带内(inband):把按键音作为音频编码后传输。可靠性差,受编码失真影响,G.729 下常识别失败。
  2. RFC 2833 与 RFC 4733(out-of-band):用独立载荷类型传输事件,是主流方式。
  3. SIP INFO:用 SIP 消息传送按键。兼容性好但时延较大,部分设备只支持这一种。

RFC 4733 的载荷包含事件号、结束标志、音量、持续时间。发送方通常在每个包中重复携带该事件,直到按键结束,以保证丢包时仍能识别。

排障要点:IVR 按键无效时,先确认 SDP 中是否协商了 telephone-event,再确认采样率是否与主编码一致,最后检查是否被 SBC 丢弃。

7.5 RTCP

RTCP 与 RTP 配合,提供质量反馈与会话控制。

7.5.1 报文类型

类型 编号 作用
SR 200 发送者报告,含发送统计与 NTP 时间戳
RR 201 接收者报告,含丢包、抖动、RTT
SDES 202 源描述,含 CNAME 等
BYE 203 会话结束
APP 204 应用自定义
RTPFB 205 传输层反馈,如 NACK、TWCC
PSFB 206 载荷特定反馈,如 PLI、FIR、REMB
XR 207 扩展报告,含更多统计

7.5.2 发送者报告 SR

关键字段:

  • NTP 时间戳:绝对时间,用于音视频同步与时钟对齐。
  • RTP 时间戳:与 NTP 时间对应,构成映射关系。
  • 发送包数、发送字节数:用于计算码率与丢包比例。

音视频同步原理:接收端从音频 SR 与视频 SR 中分别得到 NTP 与 RTP 时间戳的对应关系,把两路的时间戳映射到同一绝对时间轴,再决定播放时刻。

7.5.3 接收者报告 RR

关键字段:

  • 丢包率:自上次报告以来的丢包比例,用 8 位定点表示。
  • 累计丢包数:24 位计数。
  • 到达间隔抖动:按 RFC 3550 公式计算。
  • 最后 SR 时间与延迟:用于计算 RTT。

RTT 计算:

RTT = 当前时刻 - 最后收到 SR 的 NTP 时间 - 该 SR 在接收端的停留延迟

7.5.4 RTCP 带宽与发送间隔

  • RTCP 带宽通常为会话带宽的 5%。
  • 发送间隔按参与者数量动态调整,避免大规模会议中反馈风暴。
  • 最小间隔通常为 5 s,可配置。

7.5.5 RTCP 扩展报告 XR

RFC 3611 定义,包含更多统计块:

  • VoIP 度量块:抖动缓冲配置、丢包率、信号电平。
  • 丢包块:按时间分片统计。
  • 延迟块:往返时延分布。
  • 呼叫质量块:MOS 估计值。

XR 是专业监控系统的数据源。

7.6 RTCP 反馈机制

现代 RTP 使用反馈消息实现抗丢包与拥塞控制。这些在 RFC 4585(扩展 RTP 配置)与 RFC 8888 中定义。

7.6.1 NACK(否定确认)

  • 类型:RTPFB,FMT 1。
  • 作用:接收端告知发送端哪些包丢失,请求重传。
  • 实现:接收端维护丢失包列表,按 PID 与 BLP 位图编码;发送端从缓存重传。
  • 适用:丢包率较低、RTT 较小的场景。
  • 局限:RTT 大时重传来不及,反而增加带宽浪费。

7.6.2 PLI(图像丢失指示)

  • 类型:PSFB,FMT 1。
  • 作用:请求发送端立即产生一个关键帧。
  • 适用:视频。音频不使用。

7.6.3 FIR(完整帧内请求)

  • 类型:PSFB,FMT 4。
  • 作用:与 PLI 类似,但带有序列号,可精确控制。
  • 现状:逐步被 PLI 替代,部分实现仍使用。

7.6.4 REMB(接收端估计最大码率)

  • 类型:PSFB,FMT 15。
  • 作用:接收端把估算的可用带宽告知发送端,发送端据此降码率。
  • 适用:视频。Google 提出,广泛用于 WebRTC。

7.6.5 TWCC(传输层拥塞控制)

  • 类型:RTPFB,FMT 15。
  • 作用:接收端报告每个包的到达时间,发送端据此计算延迟梯度,判断拥塞趋势。
  • 优势:比丢包更早发现拥塞,可在丢包发生前降码率。
  • 适用:WebRTC 的 GCC 拥塞控制算法。

7.6.6 反馈能力协商

在 SDP 中用 a=rtcp-fb 声明:

a=rtcp-fb:96 nack
a=rtcp-fb:96 nack pli
a=rtcp-fb:96 goog-remb
a=rtcp-fb:96 transport-cc

双方取交集,才可启用对应反馈。

7.7 RTP 头扩展

RFC 8285 定义两种扩展格式:

  1. 单字节头:适用于 1 至 16 字节的小扩展。
  2. 双字节头:适用于更长扩展。

常见扩展:

URI 用途
urn:ietf:params:rtp-hdrext:ssrc-audio-level 音频电平,用于音量指示与说话人检测
urn:ietf:params:rtp-hdrext:abs-send-time 绝对发送时间,用于拥塞控制
urn:ietf:params:rtp-hdrext:toffset 传输时间偏移
urn:ietf:params:rtp-hdrext:mid 媒体标识,配合 BUNDLE
urn:ietf:params:rtp-hdrext:rtp-stream-id 流标识,用于 simulcast
urn:3gpp:video-orientation 视频方向

扩展必须在 SDP 中用 a=extmap 声明编号,否则接收端无法解析。

7.8 RTP 代理与中继

RTP 代理(RTP Proxy)在媒体路径中转发 RTP 包,常见用途:

  1. NAT 穿透:让双方通过代理的公网地址互通。
  2. 媒体锚定:SBC 强制媒体经过自身,便于策略、录音、加密转换。
  3. 端口管理:集中管理媒体端口范围,简化防火墙配置。
  4. 拓扑隐藏:不暴露终端真实地址。

转发模式的代价:

  • 增加一跳时延。
  • 增加带宽成本,尤其是跨地域部署。
  • 单点故障风险,需要高可用。

优化手段:媒体旁路(media bypass)。在确认双方可直连时,让 SDP 直连,不经过代理。判断条件包括双方地址族、NAT 类型、是否同一网段。旁路可显著降低代理负载。

常见的旁路判断错误:双方都在 NAT 后但仍判定为可直连,结果单向音频。因此旁路策略需要谨慎,通常按网段白名单而非通用推断。

7.9 RTP 时间与时钟

7.9.1 时钟源

  • 终端通常使用系统时钟作为媒体时钟,按采样率计数。
  • 系统时钟漂移会导致长通话中时间戳与实际时间偏离,表现为抖动统计异常或音视频缓慢失步。
  • 解决:使用 NTP 校准系统时钟;或在应用层做时钟补偿。

7.9.2 时钟漂移的检测

接收端可以比较 RTP 时间戳推进速率与本地时钟推进速率,若偏差持续增大,说明发送端时钟偏快或偏慢。WebRTC 中通过 RTCP 与绝对发送时间扩展可以检测并补偿。

7.9.3 静音期与时间戳

DTX 期间不发包,但时间戳必须继续推进到真实时间。若实现错误地冻结时间戳,接收端在语音恢复时会把长时间静默压缩,导致播放错乱。

7.10 组播与大规模分发

RTP 支持组播,适合大规模单向分发,例如广播、培训直播。

  • 优点:服务器只需发送一份,网络负责复制。
  • 缺点:需要组播路由支持,跨域困难,缺乏拥塞控制。
  • 实践:企业内网可用组播做广播;互联网场景基本被基于 CDN 的单播分发取代。

7.11 RTP 常见故障与定位

现象 可能原因 定位手段
完全无声,双向 媒体端口未开放、SDP 地址不可达 抓包确认是否有 RTP 到达
单向有声 一方 SDP 地址错误、NAT 单向、方向属性错误 分别抓两端
断续、机械音 丢包、抖动超缓冲、PLC 过度 查看序列号缺口与 RTCP 丢包率
声音变调、速度快 时钟率配置错误 检查 rtpmap 与时间戳增量
有回声 AEC 失效、声学路径、网络回声 判断是本地回声还是远端回声
按键无效 telephone-event 未协商、被 SBC 丢弃 检查 SDP 与 RTP 中的 PT
通话一段时间后断 会话定时器超时、NAT 映射过期 检查 re-INVITE 与保活
音视频不同步 SR 缺失、时间戳基准不一致 检查 RTCP SR 与 NTP

第 8 章 SRTP 与媒体安全

8.1 威胁模型

VoIP 媒体面临的威胁:

  1. 窃听:在共享网络或无线链路上抓取 RTP,直接解码还原语音。
  2. 注入:伪造 RTP 包插入对话,或插入伪造的 DTMF 触发业务。
  3. 重放:录制合法媒体包后重放,攻击录音或计费系统。
  4. 信令篡改:修改 SIP 消息中的号码、SDP 地址。
  5. 身份伪造:冒充主叫,实施诈骗。

8.2 SRTP 与 SRTCP

SRTP(RFC 3711)在 RTP 之上提供:

  • 加密:默认 AES-CTR 或 AES-f8 对载荷加密。
  • 完整性:HMAC-SHA1 认证标签,默认 80 位。
  • 重放保护:维护接收窗口,拒绝重复序列号。

SRTCP 对 RTCP 报文做同样的保护,但完整性覆盖范围不同,且 SRTCP 使用独立的密钥与索引。

8.2.1 密钥派生

主密钥(master key)与主盐(master salt)通过 KDF 派生会话密钥:

  • 加密密钥
  • 认证密钥
  • 盐

不同方向(发送与接收)使用独立密钥,避免反射攻击。

8.2.2 加密套件

套件 加密 认证标签长度
AES_CM_128_HMAC_SHA1_80 AES-128-CTR 80 位
AES_CM_128_HMAC_SHA1_32 AES-128-CTR 32 位
AES_192_CM_HMAC_SHA1_80 AES-192-CTR 80 位
AES_256_CM_HMAC_SHA1_80 AES-256-CTR 80 位
AEAD_AES_128_GCM AES-GCM 128 位

AEAD 套件(RFC 7714)同时提供加密与完整性,性能更好,是推荐选项。

8.3 密钥协商方式

8.3.1 SDES(SDP Security Descriptions,RFC 4568)

在 SDP 中以明文携带密钥:

a=crypto:1 AES_CM_128_HMAC_SHA1_80 inline:base64编码的密钥与盐
  • 优点:实现简单,兼容性好,设备支持广泛。
  • 缺点:密钥在信令中明文传输,必须配合 SIP TLS 使用,否则等同无效。
  • 风险:中间人可读取密钥;信令日志泄露即密钥泄露。

8.3.2 DTLS-SRTP(RFC 5764)

通过 DTLS 握手协商密钥,SDP 中只携带证书指纹:

a=fingerprint:sha-256 3B:1E:...:A9
a=setup:actpass

流程:

  1. 双方交换 SDP,获得对方证书指纹。
  2. 建立 DTLS 握手,验证证书,提取 SRTP 密钥材料。
  3. 使用派生密钥加密媒体。
  • 优点:密钥不在 SDP 中出现,支持端到端安全(在信令可信任的前提下)。
  • 缺点:实现复杂,握手增加建立时延。
  • 现状:WebRTC 强制使用,SIP 场景逐步普及。

8.3.3 MIKEY

RFC 3830 定义,用于某些运营商与终端场景,部署较少。

8.4 端到端加密的现实边界

在存在 B2BUA、SBC、媒体服务器的架构中,真正的端到端加密很难实现,因为:

  1. 媒体服务器需要解密才能混音、录音、转写。
  2. SBC 需要解密才能做策略与转码。
  3. 密钥在每一跳重新协商,端到端语义被破坏。

因此实践中多为"逐跳加密":

  • 终端到 SBC 加密。
  • SBC 到媒体服务器加密或明文。
  • SBC 到运营商加密或明文。

要做到端到端,只能限制媒体不经任何中间节点,这与会话控制、录音合规要求冲突。

8.5 信令安全

措施 说明
SIP TLS 加密信令,保护凭证与 SDP
证书校验 防止中间人,需正确配置信任链与主机名校验
强认证 避免弱密码与默认密码
拓扑隐藏 移除内部 IP 与设备标识
速率限制 防止注册暴力破解与扫描
方法白名单 拒绝不需要的方法
内容过滤 限制 SDP 中的异常地址与超大消息

8.6 常见安全事件

  1. 国际长途盗打。攻击者破解注册凭证后向高费率号码发起呼叫。防御手段包括强密码、地理与号码策略、并发限制、异常呼叫告警。
  2. 注册扫描与暴力破解。表现为大量 401 与失败注册。防御手段包括 fail2ban 类封禁、验证码、IP 白名单。
  3. 信令洪水。大量 INVITE 打满服务器。防御手段包括 SBC 限流、CPS 限制、黑白名单。
  4. 媒体注入。伪造 RTP 插入语音。防御手段包括 SRTP、端口随机化、来源校验。
  5. 配置泄露。设备配置文件被下载,含密码。防御手段包括 HTTPS 下发、文件加密、访问控制。
  6. 固件后门。部分低价终端存在硬编码账号。防御手段包括采购审查、固件升级、网络隔离。

第 9 章 NAT 穿透:STUN、TURN、ICE

9.1 为什么需要穿透

NAT 设备在私网与公网之间做地址转换,维护映射表。VoIP 的困难在于:

  1. 信令层携带 IP 地址,NAT 无法改写应用层内容。
  2. 媒体端口需双向可达,但 NAT 默认只允许由内向外建立的映射接收回包。
  3. 不同 NAT 类型行为不同,部分类型无法通过简单手段穿透。

9.2 NAT 类型

类型 行为 穿透难度
全锥型 Full Cone 内部地址映射到固定公网端口,任何外部地址都可发送 易
受限锥型 Restricted Cone 仅允许内部曾发送过的目标 IP 回包 较易
端口受限锥型 Port Restricted Cone 仅允许内部曾发送过的目标 IP 与端口回包 中等
对称型 Symmetric 每个目标地址端口组合使用不同映射 难

对称型 NAT 是穿透失败的主要原因。两端均为对称型时,基本必须依赖中继。

9.3 STUN

STUN(Session Traversal Utilities for NAT,RFC 5389,更新为 RFC 8489)用于发现自身的公网映射地址。

流程:

  1. 客户端向 STUN 服务器发送 Binding Request。
  2. 服务器返回 Binding Response,其中 XOR-MAPPED-ADDRESS 为客户端在服务器看来到的地址。
  3. 客户端据此得知自己的公网地址与端口。

用途:

  • 写入 SDP 的 c 行与 m 行。
  • ICE 候选收集。
  • 保持 NAT 映射(周期性发送)。

局限:

  • 只发现地址,不保证可达。
  • 对对称型 NAT 无效,因为映射随目标变化。
  • 需要服务器部署在公网。

STUN 消息结构:

  • 头部:类型、长度、魔术 Cookie、事务 ID。
  • 属性:XOR-MAPPED-ADDRESS、MAPPED-ADDRESS、CHANGE-REQUEST、RESPONSE-ORIGIN、SOFTWARE、MESSAGE-INTEGRITY、FINGERPRINT。

9.4 TURN

TURN(Traversal Using Relays around NAT,RFC 5766,更新为 RFC 8656)提供中继。

流程:

  1. 客户端向 TURN 服务器申请分配(Allocate),获得中继地址。
  2. 客户端把中继地址写入 SDP,作为自己的媒体地址。
  3. 对端把媒体发到中继地址,TURN 服务器转发给客户端。
  4. 客户端通过 Send 与 Data 指示与对端通信。

关键机制:

  • 权限(Permission):客户端必须显式授权某个对端 IP,才允许该对端发来数据,防止被当作开放中继。
  • 通道(Channel):为高频媒体流建立通道,减少头部开销。
  • 生命周期:分配有时限,需要刷新。
  • 认证:长期凭证机制,用户名、密码与 realm。

代价:

  • 带宽成本由中继承担。
  • 增加时延。
  • 成为关键路径,需要高可用与容量规划。

9.5 ICE

ICE(Interactive Connectivity Establishment,RFC 8445)是综合框架。

9.5.1 候选类型

类型 来源 优先级
host 本地网卡地址 最高
srflx 经 STUN 发现的公网映射 次高
prflx 从对端报文中发现的映射 动态
relay 经 TURN 分配的中继地址 最低

9.5.2 流程

  1. 收集候选:枚举本地地址,查询 STUN,申请 TURN。
  2. 交换候选:通过信令发送候选列表。可一次性发送,也可 trickle 逐步发送。
  3. 连通性检查:双方对每对候选发送 STUN Binding Request,按优先级顺序。
  4. 选择提名:找到可用路径后,控制方提名一对候选。
  5. 建立媒体:使用选定的候选对。

9.5.3 优先级计算

priority = (2^24) * type_preference + (2^8) * local_preference + (256 - component_id)

类型优先级通常为 host 126、srflx 100、prflx 110、relay 0。实际取值由实现决定。

9.5.4 Trickle ICE

  • 传统 ICE 需等候选全部收集完成再发送,建立时延较长。
  • Trickle ICE(RFC 8838)允许候选就绪即发送,显著缩短建立时间。
  • SDP 中用 a=ice-options:trickle 声明,并使用 end-of-candidates 标记结束。

9.5.5 ICE 重启

网络切换(例如 Wi-Fi 转蜂窝)后,原候选失效,需要 ICE 重启:重新收集候选、重新检查、重新提名。SDP 中表现为新的 ufrag 与 pwd。

9.6 部署建议

  1. STUN 服务器部署在公网,数量与地理位置按用户分布决定。
  2. TURN 服务器靠近用户,带宽按并发中继通话数估算,通常 10% 至 30% 的会话会走中继。
  3. ICE 与 SBC 配合,SBC 可作为媒体锚点并提供 relay 能力。
  4. 企业内网优先直连,跨网段与跨 NAT 走中继。
  5. 监控中继比例,比例过高说明网络拓扑或 NAT 配置有问题。

第 10 章 其他信令体系

SIP 是当前主流,但历史设备与特定场景仍广泛存在其他信令。理解它们的模型差异,是维护混合系统的前提。

10.1 H.323

10.1.1 体系构成

H.323 是 ITU-T 的一整套建议书,不是单一协议。核心组成:

协议 作用
H.245 能力协商与媒体控制,相当于 SIP 中的 SDP 交换加会话控制
Q.931 呼叫信令,源自 ISDN
RAS 注册、许可、状态,网关与网守之间
H.225 呼叫信令与 RAS 的封装
H.235 安全框架
H.239 双流,用于会议中的内容共享

实体:

  • 终端(Terminal)
  • 网关(Gateway)
  • 网守(Gatekeeper):地址解析、准入控制、带宽管理、计费
  • 多点控制单元(MCU):会议混流

10.1.2 呼叫流程

  1. 终端向网守发送 RRQ 注册。
  2. 呼叫前向网守发送 ARQ 请求准入。
  3. 网守返回 ACF 与目标地址。
  4. 建立 Q.931 呼叫信令连接,发送 Setup。
  5. 被叫返回 Call Proceeding、Alerting、Connect。
  6. 建立 H.245 控制通道,交换能力集,打开逻辑通道。
  7. 媒体在逻辑通道上以 RTP 传输。

10.1.3 与 SIP 的对比

维度 H.323 SIP
设计来源 电信体系,ISDN 演进 互联网体系,HTTP 借鉴
编码 二进制 ASN.1 PER 文本
能力协商 H.245 独立通道 SDP 内嵌于信令
建立时延 较长,多阶段 较短
复杂度 高,协议族庞大 相对简单
现状 存量设备、部分视频会议 主流

10.1.4 互通要点

SIP 与 H.323 互通需要信令网关,负责:

  • 呼叫建立流程映射。
  • 能力集与 SDP 的双向转换。
  • 地址与号码映射。
  • 补充业务语义对齐(如呼叫转移、保持)。

互通中常见问题:H.245 隧道模式与分离模式选择、Fast Start 与 Slow Start 差异、DTMF 传输方式不匹配。

10.2 MGCP

MGCP(Media Gateway Control Protocol,RFC 3435)采用"呼叫代理控制媒体网关"的分离架构。

10.2.1 模型

  • 呼叫代理(Call Agent)或称媒体网关控制器(MGC):掌握呼叫状态与业务逻辑。
  • 媒体网关(MG):执行媒体处理,如编码转换、回声消除、DTMF 检测。
  • 端点(Endpoint):网关上的资源,用名称标识,如 aaln/1。

网关是"哑"的,所有决策由控制器下达。

10.2.2 命令

命令 方向 作用
CreateConnection 控制器到网关 创建连接
ModifyConnection 控制器到网关 修改连接参数
DeleteConnection 双向 删除连接
NotificationRequest 控制器到网关 请求上报事件
Notify 网关到控制器 上报事件
AuditEndpoint 控制器到网关 查询端点状态
AuditConnection 控制器到网关 查询连接状态
RestartInProgress 网关到控制器 上报重启或状态变化

10.2.3 特点

  • 文本协议,类似 SIP,可读性好。
  • 基于 UDP,默认端口 2427。
  • 适合集中控制大量模拟端口与中继端口。
  • 缺点是控制器成为单点,扩展性受限。

10.3 Megaco 与 H.248

Megaco(RFC 3525)与 H.248 是同一协议的两个名称,IETF 与 ITU-T 联合制定。

与 MGCP 的差异:

  1. 二进制与文本两种编码,二进制基于 ASN.1。
  2. 上下文(Context)概念,支持多方关联。
  3. 更丰富的包与事件描述符。
  4. 更强的可扩展性,适合大型网关与运营商网络。

核心概念:

  • 终结点(Termination):媒体资源。
  • 上下文(Context):一组终结点的关联,空上下文用于单方连接。
  • 描述符(Descriptor):属性集合,如媒体描述、事件描述、信号描述。

应用场景:运营商级接入网关、中继网关、IMS 中的 MRFP 控制。

10.4 SCCP

SCCP(Skinny Client Control Protocol)是 Cisco 私有协议,用于 IP 电话与 CallManager 之间。

特点:

  • 二进制,基于 TCP,默认端口 2000。
  • 消息类型固定,字段紧凑。
  • 终端逻辑极简,大部分功能由 CallManager 提供。
  • 与 SIP 相比,终端侧实现成本低,但可扩展性差、厂商锁定。

典型消息:Register、StationRegister、CallState、StartMediaTransmission、StopMediaTransmission、KeypadButton。

10.5 IAX2

IAX2(Inter-Asterisk eXchange version 2,RFC 5456)由 Asterisk 社区提出。

特点:

  1. 信令与媒体复用同一 UDP 端口 4569,穿透 NAT 容易。
  2. 二进制协议,开销小。
  3. 支持中继与带宽节省模式(trunking),多个通道复用一个包。
  4. 主要生态围绕 Asterisk 与 FreePBX。

适用:分支互联、NAT 环境、Asterisk 生态内部。

局限:标准化程度低,跨厂商支持有限,逐步被 SIP 取代。

10.6 XMPP 与 Jingle

XMPP 是即时消息协议,Jingle(XEP-0166)为其扩展,用于建立多媒体会话。

  • 模型:基于 XML 的流,天然支持在线状态与消息。
  • 媒体协商:Jingle 定义自己的 SDP 类似结构。
  • 传输:可用 RTP、ICE、Raw UDP。
  • 应用:早期 Google Talk、部分开源会议系统。

现状:在 VoIP 领域占比很小,主要作为统一通信中的补充。

10.7 信令体系选型要点

场景 建议
新建企业语音 SIP
与运营商 SIP Trunk 对接 SIP
存量 H.323 视频会议 保留并通过网关互通
大量模拟端口接入 MGCP 或 H.248 网关
Cisco 终端存量 SCCP 或升级为 SIP 固件
Asterisk 分支互联 SIP 为主,IAX2 可用于特殊穿透
浏览器接入 SIP over WebSocket 或 WebRTC 原生信令

第 11 章 辅助支撑协议

VoIP 系统能否稳定运行,往往取决于这些"外围"协议是否配置正确。

11.1 DNS

DNS 在 SIP 中承担服务发现职责,是跨域呼叫的第一跳。

11.1.1 解析顺序

RFC 3263 规定:

  1. NAPTR 查询:根据域名与协议(SIP+D2U、SIP+D2T、SIPS+D2T)获得服务记录。
  2. SRV 查询:获得主机与端口,带权重与优先级。
  3. A 或 AAAA 查询:获得 IP 地址。

示例记录:

_sip._udp.example.com.   SRV  10 60 5060 sip1.example.com.
_sip._tcp.example.com.   SRV  10 60 5060 sip1.example.com.
_sips._tcp.example.com.  SRV  10 60 5061 sip1.example.com.
example.com.             NAPTR 10 100 "S" "SIPS+D2T" "" _sips._tcp.example.com.

字段含义:优先级、权重、端口、目标。

11.1.2 ENUM

ENUM(RFC 6116)把电话号码映射为 DNS 域名,用于号码到 URI 的解析。

转换规则:

  1. 取 E.164 号码,去掉非数字字符。
  2. 反转数字顺序,以点分隔。
  3. 加上 e164.arpa 后缀。

例如 +86 21 1234 5678 转换为:

8.7.6.5.4.3.2.1.1.2.6.8.e164.arpa

查询 NAPTR 记录可得对应的 SIP URI。

现状:公共 ENUM 部署有限,企业内网可用私有 ENUM 做号码路由。

11.1.3 DNS 的工程要点

  1. SRV 记录的权重用于负载均衡,但多数客户端实现简单,效果有限。
  2. DNS 缓存时间(TTL)影响故障切换速度,建议较短。
  3. 双栈环境下 A 与 AAAA 的选择可能导致不可达,需确认中间设备支持 IPv6。
  4. DNS 故障是"全部呼叫失败"的常见原因,排查时先验证解析。

11.2 DHCP

DHCP 用于终端自动获取网络配置,是 IP 话机零配置的基础。

VoIP 相关选项:

选项 用途
66 TFTP 服务器地址
67 配置文件名称
43 厂商私有选项,用于下发注册服务器、VLAN 等
120 SIP 服务器地址(RFC 3361)
42 NTP 服务器地址
160 配置服务器地址(部分厂商)
132 VLAN 标识(部分厂商)

11.2.1 LLDP 与 VLAN

终端通过 LLDP-MED 从交换机获取语音 VLAN 信息,实现:

  1. 话机自动进入语音 VLAN。
  2. 话机的 PC 端口保持数据 VLAN 透传。
  3. 语音流量与数据流量隔离,便于 QoS 与安全策略。

典型部署:交换机端口配置为 trunk,语音 VLAN 打标签,数据 VLAN 不打标签(native VLAN)。话机识别语音 VLAN 标签,PC 端口透传不打标签的数据流量。

配错时现象:话机拿到数据网段地址,注册失败或语音质量差。

11.3 NTP

时间同步对 VoIP 的影响:

  1. TLS 证书有效期校验依赖正确时间。
  2. 日志与录音时间戳需要一致,便于审计与检索。
  3. RTCP SR 的 NTP 时间用于音视频同步。
  4. 计费与话单准确性。

建议:

  • 部署内部 NTP 服务器,终端指向内部源。
  • 保持时间偏差在 1 s 内,最好在 100 ms 内。
  • 避免终端直接访问公网 NTP,减少外部依赖与攻击面。

11.4 RADIUS

RADIUS 用于认证、授权、计费(AAA)。

在 VoIP 中的用途:

  1. 终端接入认证(部分话机支持 802.1X 与 RADIUS)。
  2. 呼叫计费:SIP 服务器或 SBC 把呼叫起始与结束时发送 Accounting-Request。
  3. 用户认证:与后端目录对接。

计费属性示例:

  • Acct-Status-Type:Start、Stop、Interim-Update
  • Acct-Session-Id:会话标识
  • Calling-Station-Id:主叫
  • Called-Station-Id:被叫
  • Acct-Session-Time:通话时长

11.5 LDAP 与目录集成

LDAP 用于:

  1. 用户身份与密码统一。
  2. 电话簿与联系人查询。
  3. 组织架构映射到分机分配。

工程要点:

  • 目录中的电话号码字段需与 PBX 分机规划一致。
  • 密码同步策略要明确,避免双份密码。
  • 查询性能影响话机电话簿加载速度,需限制返回条数与字段。

11.6 TR-069 与自动配置

TR-069(CPE WAN Management Protocol)是运营商级设备管理协议。

组成:

  • ACS(Auto Configuration Server):管理服务器。
  • CPE:终端设备。
  • 数据模型:参数树,涵盖网络、语音、账号等配置。

能力:

  1. 自动下发配置。
  2. 远程升级固件。
  3. 远程诊断与重启。
  4. 参数上报与告警。

替代方案:厂商私有配置服务器,通过 HTTP 或 TFTP 下发 XML 或文本配置。中小企业多用后者,成本低。

11.7 SNMP

SNMP 用于设备监控与告警。

VoIP 相关 MIB:

  • 接口统计:流量、错误、丢包。
  • 语音相关 MIB:呼叫统计、网关状态、中继占用。
  • 主机资源:CPU、内存、温度。

工程要点:SNMP v3 用于安全环境;轮询频率与指标数量需控制,避免管理流量过高。

11.8 HTTP 与 REST

现代系统普遍提供 HTTP 接口:

  • 配置下发:终端拉取配置文件。
  • 业务 API:点击拨号、挂断、录音控制、会议管理。
  • 事件回调:呼叫状态推送、录音完成通知。
  • 监控查询:实时指标、历史话单。

设计要点:

  • 认证与授权,避免接口裸奔。
  • 幂等性,避免重复点击产生重复呼叫。
  • 回调重试与去重机制。

11.9 其他相关协议

协议 用途
SSH 设备运维
Syslog 日志集中
LLDP-MED 语音 VLAN 与设备发现
802.1X 端口接入认证
PTP 高精度时钟,用于录音对齐与专业音频
gRPC 现代微服务间通信,部分云原生 VoIP 平台使用
WebSocket 实时信令与事件推送

第 12 章 编号、路由与号码体系

12.1 E.164 号码

E.164 是国际公共电话号码规范:

  • 最长 15 位数字。
  • 结构:国家码 + 国内有效号码。
  • 不含国际前缀符号,实际拨号时用 + 表示。

示例:+86 21 1234 5678。

在 SIP 中使用 tel URI:

tel:+862112345678

12.2 SIP URI

格式:

sip:user:password@host:port;uri-parameters?headers

常用形式:

与 tel URI 的差异:

  • tel URI 表示电话号码,语义与 PSTN 一致。
  • SIP URI 表示可达地址,可携带用户名、域、传输参数。

12.3 企业内部编号规划

典型规划:

号段 用途
1000 至 1999 普通员工分机
2000 至 2999 部门与共享分机
3000 至 3999 会议室
8000 至 8999 服务与功能码
9 外线接入前缀
0 话务台

设计原则:

  1. 长度统一,便于记忆与拨号规则编写。
  2. 号段预留,避免扩容时冲突。
  3. 功能码与外线前缀避免与分机号冲突。
  4. 跨站点编号保持全局唯一,或使用站点前缀区分。

12.4 拨号计划

拨号计划(Dial Plan)决定"什么号码在什么条件下被送往哪里"。

匹配要素:

  • 号码模式:精确匹配、前缀匹配、正则匹配、长度匹配。
  • 主叫身份:分机、部门、权限等级。
  • 时间:工作时间、节假日。
  • 位置:站点、网段。
  • 被叫类型:内线、本地、国内长途、国际。

典型规则示例(伪代码):

1000-1999        -> 内部分机,直接路由
9 + 本地号码     -> 本地中继
9 + 0 + 长途     -> 长途中继,需权限
9 + 00 + 国际    -> 国际中继,需高级权限
0                -> 话务台
*8               -> 呼叫保持

工程要点:

  1. 规则顺序决定匹配结果,先精确后模糊。
  2. 超时与最短位数要设置合理,避免拨号后长时间等待。
  3. 权限控制必须与规则绑定,否则形同虚设。
  4. 变更需版本管理与回滚方案。

12.5 呼叫路由模式

模式 说明 适用
最短路径 优先直连,避免绕行 多站点互联
主备路由 主链路失败切备链路 中继冗余
按时间路由 工作时间走内部,非工作时间走值班 客服
按比例分配 多中继按比例分流 成本优化
按地域 就近接入 全球部署
按技能 呼叫中心技能组 客服中心
最低成本路由 按费率选择运营商 运营商与大型企业

12.6 中继与 DID

  • DID(Direct Inward Dialing):外部号码直接映射到内部分机,无需经过话务台。
  • DOD(Direct Outward Dialing):内部分机直接拨外线。
  • 中继(Trunk):系统与外部网络之间的逻辑通道。

中继类型:

类型 说明
SIP Trunk 基于 SIP 的 IP 中继,当前主流
PRI ISDN 基群速率接口,30B+D 或 23B+D
BRI ISDN 基本速率接口,2B+D
FXO 模拟外线接口
FXS 模拟分机接口
SS7 运营商内部信令,企业侧少见

12.7 号码变换

号码变换在以下环节发生:

  1. 终端侧:拨号规则本地处理。
  2. PBX:主叫与被叫号码改写、前缀增删。
  3. SBC:按策略做号码规范化、隐私屏蔽。
  4. 运营商:按协议要求做号码格式适配。

常见变换:

  • 加国际前缀:国内号码转 +86 格式。
  • 去前缀:内部拨 9 后去掉 9。
  • 主叫改写:统一显示公司总机。
  • 号码隐藏:隐藏真实主叫。
  • 号码补全:补足位数以匹配对端要求。

排障要点:号码变换是多环节叠加的,出现"对方看到错误号码"时,需要逐跳检查变换规则。


第 13 章 补充业务与业务逻辑

13.1 业务实现位置

补充业务可以在三个位置实现:

  1. 终端本地:话机自身实现,如本地呼叫转移、免打扰。
  2. PBX 服务器:集中实现,配置统一下发。
  3. 运营商网络:由运营商提供,通过 SIP 或中继信令触发。

同一业务在不同位置实现时行为可能不一致,这是企业环境中"同一功能不同表现"的常见原因。

13.2 常见业务清单

业务 说明 实现要点
呼叫转移 无条件、遇忙、无应答 REFER 或服务器侧 B2BUA
呼叫等待 通话中接收第二路来电 多对话管理
呼叫保持 暂停当前通话 re-INVITE 改方向,配合音乐
三方通话 主叫合并两路 本地混音或媒体服务器
会议 多方接入 媒体服务器混音
免打扰 拒绝来电 路由到语音信箱或忙音
呼入限制 按号码或时段拒绝 路由规则
主叫号码显示 显示来电号码与名称 目录查询
主叫号码隐藏 不显示真实号码 号码改写
语音信箱 未接来电留言 媒体服务器录制
留言指示灯 MWI 提示有新留言 SUBSCRIBE 与 NOTIFY
闹钟提醒 定时提醒 服务器定时任务
广播 向多终端播放 组播或并发呼叫
代接 代接他人来电 定向代接与组代接
通话录音 全程录音 媒体分流
计费与话单 记录通话 CDR 生成
紧急呼叫 报警号码 优先级、位置上报
黑白名单 拦截号码 路由前置检查

13.3 呼叫转移的实现差异

三种常见实现:

  1. 终端侧转移:话机使用 REFER,让对端直接呼叫目标。转移后原话机释放,信令路径最短。
  2. 服务器侧转移:PBX 收到 REFER 后自己发起新呼叫。便于计费与录音,但增加服务器负载。
  3. 运营商侧转移:通过中继信令触发,转移在运营商网络完成,占用企业外线资源。

差异影响:

  • 计费归属不同。
  • 录音是否覆盖转移后的通话不同。
  • 转移链信息是否完整不同。
  • 跨系统互操作失败率高。

13.4 呼叫保持与音乐

标准做法:

  1. 一方发送 re-INVITE,SDP 方向改为 sendonly 或 inactive。
  2. 对方返回 200 OK,媒体暂停。
  3. 服务器向被保持方播放音乐(MOH)。

常见问题:

  • 保持后恢复失败,因 re-INVITE 超时或 SDP 未正确恢复。
  • 音乐源单声道且电平过高,听感刺耳。
  • 保持期间 RTP 停止,NAT 映射过期,恢复时单向音频。

13.5 会议的实现层次

层次 说明 适用规模
终端本地混音 话机合并多路 3 方,小规模
服务器混音 媒体服务器解码、混音、编码 数十方
选择性转发 服务器只转发活跃说话人 大规模
组播分发 单向广播 超大规模单向

混音的工程要点:

  1. 每路解码后做电平归一化,避免音量差异过大。
  2. 活跃说话人检测,抑制背景噪声累积。
  3. 混音后重新编码,涉及转码开销,容量按转码路数计算。
  4. N 方混音的 CPU 消耗不是线性增长,需实测。

13.6 录音架构

方式 说明 优缺点
终端录音 话机本地录制 容量小,易被篡改
服务器侧分流 媒体服务器复制 RTP 流 集中管理,需处理加密
端口镜像 网络层复制流量 无侵扰,但需处理大量数据
SBC 录音 边界设备录制 覆盖外部通话,内部通话可能遗漏

要点:

  • 加密媒体需要先解密才能录制,需在合规框架内处理。
  • 录音时间戳必须与 NTP 对齐。
  • 存储与检索按法规要求保留期限。
  • 双声道录制(主叫与被叫分开)便于后续转写与质检。

第三部分 设备与系统组件

第 14 章 终端设备

14.1 终端分类

类型 说明 典型场景
IP 话机 硬件终端,带手柄与按键 办公桌、前台
软终端 运行在 PC 或手机上的应用 移动办公、远程
会议话机 全向麦克风,适合会议室 小型会议室
视频终端 带摄像头的编解码设备 大型会议室
ATA 模拟电话适配器,把模拟话机接入 IP 存量模拟话机改造
无线终端 DECT 或 Wi-Fi 话机 仓储、零售、医院
浏览器终端 基于 WebRTC,无需安装 网页客服、访客
专用终端 调度台、话务台、防爆话机 行业场景

14.2 IP 话机的内部构成

  1. 处理器与内存:决定可支持的编解码数量与并发能力。
  2. 音频子系统:麦克风、扬声器、手柄、耳机接口,配合 AEC、NS、AGC。
  3. 网络接口:通常两个以太网口,一个上行接交换机,一个下行接 PC。
  4. PoE 模块:支持 802.3af 或 802.3at 供电。
  5. 显示与按键:LCD 或彩屏,可编程按键。
  6. 扩展模块:侧边扩展台、扩展按键面板。
  7. 安全模块:支持 TLS 的加密存储,用于保存凭证。
  8. 固件:提供 SIP 栈、配置客户端、Web 服务器。

14.3 终端配置方式

方式 说明 适用
手动配置 通过话机按键或 Web 页面配置 少量终端
DHCP 选项 下发配置服务器地址 批量
自动发现 通过 DHCP、LLDP、多播探测查找配置服务器 批量
配置文件 从 TFTP、HTTP、HTTPS 拉取 批量
TR-069 由 ACS 下发 运营商
零配置 结合 MAC 地址与序列号自动绑定 大规模部署

优先级顺序通常是:手动配置优先于自动下发,但部分厂商相反。部署前必须确认优先级,否则会出现"改了配置又被覆盖"。

14.4 终端关键参数

参数 说明 常见错误
注册服务器 SIP 服务器地址与端口 域名解析失败
账号与密码 认证凭证 密码含特殊字符导致解析失败
传输方式 UDP、TCP、TLS 与服务器不一致
编码优先级 编解码列表 顺序导致协商到低质量编码
ptime 打包周期 与服务器不一致
DTMF 方式 RFC 4733、INFO、带内 与 IVR 不匹配
本地端口 SIP 与 RTP 端口范围 与防火墙策略冲突
NAT 设置 STUN、SIP 服务器回填 双 NAT 下失效
时间服务器 NTP 未配置导致证书校验失败
固件版本 — 版本不一致导致行为差异

14.5 终端供电

PoE 是主要供电方式。

标准 最大功率 说明
802.3af 15.4 W 普通话机
802.3at 30 W 视频话机、会议终端
802.3bt 60 至 90 W 大型会议设备

要点:

  1. PoE 预算需按交换机端口累加,超出预算会导致端口不上电。
  2. 长距离网线会导致压降,超过 80 m 时需实测。
  3. 断电场景需要 UPS 或 PoE 交换机接 UPS,保证紧急呼叫可用。
  4. 部分话机的 PC 端口不提供 PoE 直通,需要确认。

14.6 终端音频设计

  1. 手柄与免提的 AEC 参数不同,需要分别调优。
  2. 会议话机的麦克风阵列需要波束成形,覆盖半径与房间声学相关。
  3. 耳机接口的阻抗与增益影响听感。
  4. 扬声器音量与 AEC 收敛相互影响,过大会导致非线性失真。

14.7 固件与兼容性

终端行为差异常来自固件:

  1. SDP 生成差异,例如是否携带 ptime、是否包含 telephone-event。
  2. 注册刷新策略差异,部分终端在断电重启后立即注册,造成注册风暴。
  3. 对 183 与 PRACK 的支持差异。
  4. 对 REFER 与 re-INVITE 的处理差异。
  5. DTMF 默认方式差异。

工程做法:建立终端型号与固件版本的兼容性矩阵,记录已知问题与推荐版本。


第 15 章 网关类设备

15.1 网关的作用

网关解决"异构网络之间如何互通"的问题,核心工作包括:

  1. 信令转换:SIP 与 ISDN、SS7、模拟信令之间的映射。
  2. 媒体转换:编码转换、采样率转换、回声消除。
  3. 号码处理:格式适配、前缀增删。
  4. 时钟同步:PSTN 侧需要网络时钟。

15.2 中继网关

连接 IP 网络与 PSTN 中继。

端口类型:

  • E1/T1:数字中继,E1 为 30B+D,T1 为 23B+D。
  • 模拟中继(FXO):连接运营商模拟外线。
  • SIP 中继:纯 IP 对接,严格说不需要网关,但常由 SBC 承担。

关键能力:

  1. 信令映射:ISDN PRI 与 SIP 的呼叫流程转换。
  2. 编码转换:G.711 与运营商侧编码的适配。
  3. 回声消除:PSTN 侧四线到二线转换会产生回声,必须处理。
  4. 时钟:E1 需要从运营商侧提取时钟,避免滑码。
  5. 号码变换:主叫与被叫格式适配。

15.3 接入网关

把模拟终端接入 IP 网络。

  • FXS 端口:连接模拟话机,提供馈电、振铃、拨号音。
  • FXO 端口:连接模拟外线。
  • 典型容量:4、8、16、24、32 端口。

应用场景:

  1. 存量模拟话机改造,避免整体更换。
  2. 传真机接入。
  3. 电梯、门禁、报警等专用设备接入。
  4. 分支机构的少量模拟线路。

15.4 信令网关

在传统 SS7 与 IP 信令之间转换,通常用于运营商互联。

  • 处理 ISUP 与 SIP 的映射。
  • 需要处理号码、计费、补充业务语义差异。
  • 企业侧少见,多由运营商或大型呼叫中心使用。

15.5 传真与 Modem 的特殊处理

传真对时延、丢包、时钟极其敏感,VoIP 承载有三种方式:

  1. 透传(Pass-through):用 G.711 无压缩传送传真信号,关闭 VAD 与 PLC。最可靠,但带宽固定。
  2. T.38:把传真信号解调后用 T.38 协议传送,抗丢包较好,但实现差异大,互通问题多。
  3. 传真转邮件:传真到达服务器后转为邮件,规避实时传输问题。

工程要点:

  • 传真必须禁用 VAD 与静音抑制。
  • 必须禁用 PLC 与 FEC 的音频处理,避免破坏信号。
  • T.38 需要 SBC 与网关同时支持,且参数一致(纠错模式、速率)。
  • 传真失败率高时,优先尝试 G.711 透传验证链路。

15.6 网关容量与性能

指标 说明
并发通道数 同时进行的通话数
CPS 每秒呼叫建立数
转码路数 需要编码转换的通道数
信令事务率 每秒处理的 SIP 事务
回声消除通道数 支持的 AEC 实例数

容量规划要点:转码是最耗资源的操作。全 G.711 直通时容量最高,一旦涉及转码,容量大幅下降。

15.7 网关的高可用

  1. 双机热备:主备网关共享配置与会话状态。
  2. 双归属:终端配置主备两个网关地址。
  3. 中继冗余:多条中继,主备切换。
  4. 故障检测:通过 OPTIONS 探测、注册状态、心跳。
  5. 切换时间:需实测,通常要求秒级。

第 16 章 服务器侧组件

16.1 注册服务器与位置服务器

  • 注册服务器接收 REGISTER,维护 AOR 到 Contact 的映射。
  • 位置服务器存储该映射,供代理查询。

实现要点:

  1. 绑定过期清理机制。
  2. 多终端绑定与分支策略。
  3. 注册状态变更的事件通知(用于 BLF)。
  4. 高并发注册的处理能力,避免注册风暴拖垮系统。

16.2 代理服务器

代理服务器转发 SIP 请求,是信令路径的核心。

职责:

  1. 路由决策:根据请求 URI、DNS、注册数据决定下一跳。
  2. 认证与授权。
  3. 分支(forking)与响应聚合。
  4. 头部处理:Via、Record-Route、Max-Forwards。
  5. 负载均衡:多个后端之间分流。
  6. 协议适配:不同厂商的兼容性处理。

性能指标:

  • 每秒新建呼叫数(CPS)。
  • 并发对话数。
  • 每秒事务数。
  • 内存占用与状态表大小。

16.3 重定向服务器

不转发请求,只返回 3xx 响应,让主叫自行联系目标。

  • 优点:服务器负载低,媒体路径最短。
  • 缺点:主叫需要支持重定向,部分终端处理不佳。
  • 适用:简单的地址解析场景。

16.4 媒体服务器

媒体服务器是 VoIP 系统中最重的组件,承担所有需要处理媒体内容的业务。

16.4.1 功能

功能 说明
放音 播放提示音、IVR 语音、彩铃
录音 录制通话或留言
混音 多方会议
转码 不同编码之间转换
DTMF 检测与生成 IVR 按键识别
TTS 文本转语音
ASR 语音识别
视频处理 转码、混流、布局
媒体分流 旁路录音、监听
回声消除 服务器侧处理
传真 T.38 收发

16.4.2 架构

典型分层:

  1. 信令层:接收 SIP 呼叫,建立媒体会话。
  2. 媒体控制层:编排资源,如会议成员、播放列表。
  3. 媒体处理层:解码、混音、编码。
  4. 存储层:录音文件、提示音文件。

16.4.3 容量模型

媒体服务器的容量取决于最重的操作:

  • 纯放音:容量最高。
  • 录音:受磁盘 IO 限制。
  • 转码:CPU 密集,容量显著下降。
  • 混音:N 方混音需要 N 路解码加 1 路编码,CPU 消耗高。
  • 视频混流:最重,通常用硬件加速。

规划方法:按业务类型分别测算,取最坏组合。例如 100 路会议,每路 6 方,则解码路数为 600,编码路数为 100。

16.4.4 部署要点

  1. 媒体服务器应靠近终端,减少时延。
  2. 录音存储独立,避免与媒体处理争抢 IO。
  3. 使用 SSD 或高性能存储。
  4. 网络接口建议 10 G 起步,大规模部署需多网卡绑定。
  5. 与信令服务器分离部署,避免相互影响。

16.5 应用服务器

应用服务器承载业务逻辑:

  1. IVR 流程编排。
  2. 呼叫中心路由与排队。
  3. 语音信箱。
  4. 会议预约与管理。
  5. 点击拨号与 CRM 集成。
  6. 智能语音机器人。
  7. 质检与转写。

与媒体服务器的关系:应用服务器决定"做什么",媒体服务器执行"怎么做"。两者通过控制接口(如 SIP、HTTP、WebSocket、专用协议)交互。

16.6 IP PBX

IP PBX 是企业语音的核心,集成了注册、代理、媒体、业务。

功能组成:

  1. 分机管理。
  2. 中继管理。
  3. 拨号计划。
  4. 补充业务。
  5. 语音信箱。
  6. 会议。
  7. 录音。
  8. 话单。
  9. 终端配置下发。
  10. 权限与在场状态。

部署形态:

形态 说明 适用
硬件设备 一体机 中小企业
软件自建 部署在虚拟机或物理机 中大型企业
云 PBX 厂商托管 多分支、弹性需求
混合 本地保留中继,云端提供业务 合规要求高的场景

16.7 呼叫中心平台

相比 PBX,呼叫中心增加了:

  1. ACD(自动呼叫分配):按技能、优先级、空闲状态分配坐席。
  2. 排队与等待音。
  3. 坐席状态管理:就绪、忙碌、小休、事后处理。
  4. 弹屏与 CRM 集成。
  5. 质检与录音管理。
  6. 报表与实时看板。
  7. 外呼任务与预测式外呼。
  8. 全渠道接入:电话、在线客服、社交媒体。

16.8 CTI 与集成

CTI(Computer Telephony Integration)把电话系统与业务系统连接。

常见集成方式:

方式 说明
事件推送 呼叫事件推送到业务系统,触发弹屏
API 调用 业务系统调用接口发起呼叫、挂断
屏幕弹出 来电时自动打开客户资料
点击拨号 在 CRM 中点击号码直接呼叫
通话数据同步 通话记录写入 CRM

集成要点:

  1. 事件顺序与幂等性。
  2. 坐席工号与分机绑定关系。
  3. 断线重连与事件补偿。
  4. 敏感数据脱敏。

16.9 计费与话单

CDR(Call Detail Record)包含:

  • 呼叫标识
  • 主叫与被叫
  • 开始时间与结束时间
  • 通话时长
  • 挂断原因
  • 中继与路由
  • 录音文件路径

计费模式:

  1. 按分钟计费,通常向上取整。
  2. 按秒计费。
  3. 包月与套餐。
  4. 分级费率:本地、长途、国际、特殊号码。

常见问题:

  1. 时长为 0 的话单:未接通但产生了 INVITE。
  2. 重复话单:重传导致,需要去重。
  3. 时间不准:依赖 NTP。
  4. 号码错误:号码变换导致记录与实际不符。

16.10 录音与质检系统

功能:

  1. 录音存储与索引。
  2. 按条件检索:时间、坐席、号码、关键词。
  3. 在线播放与下载。
  4. 转写与关键词提取。
  5. 质检评分与人工复核。
  6. 合规审计日志。

技术要点:

  • 双声道存储便于区分说话人。
  • 音频格式建议无损或高码率压缩,便于转写。
  • 存储生命周期管理,冷热分层。

16.11 网管与监控平台

监控对象:

  1. 服务器资源:CPU、内存、磁盘、网络。
  2. 服务状态:进程、端口、SIP 注册数。
  3. 呼叫指标:CPS、并发、成功率、失败原因分布。
  4. 媒体质量:丢包、抖动、MOS。
  5. 中继状态:占用率、可用通道。
  6. 终端状态:在线数、注册失败数、固件版本分布。

告警设计:

  • 阈值告警与趋势告警结合。
  • 告警收敛,避免风暴。
  • 分级与值班策略。

16.12 配置与自动部署服务

  1. 终端配置模板管理。
  2. 按 MAC 或序列号绑定。
  3. 固件仓库与升级任务。
  4. 配置版本控制与回滚。
  5. 批量变更与灰度发布。

第 17 章 网络设备与 QoS 能力

17.1 交换机

17.1.1 语音相关能力

能力 说明
PoE 供电 802.3af/at/bt,需计算功率预算
VLAN 语音与数据隔离
LLDP-MED 自动下发语音 VLAN
QoS 优先级标记与队列调度
端口镜像 抓包排障
风暴控制 防止广播风暴影响语音
802.1X 接入认证

17.1.2 VLAN 设计

推荐方案:

  1. 语音 VLAN 独立,例如 VLAN 100。
  2. 数据 VLAN 独立,例如 VLAN 10。
  3. 交换机端口配置为 trunk,语音 VLAN tagged,数据 VLAN untagged。
  4. 话机配置语音 VLAN ID 与优先级。
  5. 话机的 PC 端口透传 untagged 数据流量。

优点:

  • 语音流量与数据流量隔离,广播与组播不影响语音。
  • QoS 策略可按 VLAN 统一施加。
  • 安全策略可按 VLAN 区分。

17.1.3 QoS 配置

关键动作:

  1. 分类:识别语音流量,按 VLAN、DSCP、端口。
  2. 标记:设置 DSCP。
  3. 排队:语音进入优先队列。
  4. 调度:优先队列优先发送。
  5. 限速:对非语音流量做限制,保护语音带宽。

17.2 DSCP 标记建议

流量类型 DSCP 十进制 说明
语音承载 EF 46 最高优先级
语音信令 CS3 24 高于普通数据
视频 AF41 34 视频会议
交互数据 AF31 26 关键业务
普通数据 DF 0 尽力而为
背景流量 CS1 8 备份、下载

要点:

  1. 端到端一致性:终端、交换机、路由器、运营商链路都要保留标记。
  2. 跨域时需要信任边界,避免外部伪造高优先级。
  3. 无线侧需要 WMM 与 DSCP 的映射。

17.3 路由器

语音相关能力:

  1. 队列调度与拥塞管理。
  2. 流量整形,避免突发打满上行。
  3. 策略路由,语音走专线。
  4. VPN:IPsec 或 SD-WAN,需评估时延与加密开销。
  5. 双出口与故障切换。

常见问题:上行带宽不足导致语音丢包。ADSL 与部分宽带上行很小,多路并发语音即拥塞。

17.4 防火墙

VoIP 穿越防火墙的挑战:

  1. 信令端口固定,但媒体端口动态。
  2. SIP 消息中携带 IP,需要 ALG 或 SBC 处理。
  3. 状态检测对 UDP 的超时时间短,导致通话中断。

策略设计:

  1. 信令:允许终端到服务器的 5060/5061。
  2. 媒体:开放服务器侧的固定端口范围,终端侧使用动态端口。
  3. 会话保持:调整 UDP 超时时间,或依赖 OPTIONS 保活。
  4. 关闭 SIP ALG:多数场景下 ALG 弊大于利。
  5. 部署 SBC 在 DMZ,作为唯一对外信令与媒体入口。

17.5 SIP ALG 的问题

SIP ALG 是防火墙或路由器内置的 SIP 改写功能,常见问题:

  1. 改写了 SDP 但未同步改写其他字段,导致地址不一致。
  2. 对加密信令无效。
  3. 对分片消息处理错误。
  4. 重复改写,与 SBC 冲突。
  5. 厂商实现差异大,行为不可预测。

结论:企业网络中通常建议关闭 ALG,改用 SBC。

17.6 负载均衡

用于服务器集群前的流量分发。

方式 说明 适用
DNS SRV 按优先级与权重分配 SIP 服务器集群
四层负载均衡 按 IP 与端口转发 信令入口
七层负载均衡 解析 SIP,按 Call-ID 或用户分配 需要会话保持
媒体负载均衡 按媒体资源使用率分配 媒体服务器集群

SIP 的负载均衡难点:

  1. 注册状态需要在集群内共享。
  2. 对话内请求必须回到同一节点(除非状态共享)。
  3. 媒体服务器需要按资源分配,而不是简单轮询。

17.7 无线网络

Wi-Fi 承载语音的特殊问题:

  1. 漫游切换导致短暂丢包。
  2. 信道争用导致抖动。
  3. 省电模式导致时延增加。
  4. 覆盖盲区导致断线。

优化措施:

  1. 专用 SSID 与 VLAN。
  2. 启用 WMM,语音走优先队列。
  3. 关闭低速率,减少空口占用。
  4. 合理部署 AP,保证覆盖与容量。
  5. 限制单 AP 的语音终端数量。
  6. 启用 802.11k/v/r 优化漫游。

17.8 SD-WAN 与专线

  • 专线:时延与丢包可控,适合语音。
  • 互联网:成本低,质量波动大,需要 FEC 与前向纠错。
  • SD-WAN:多链路聚合与智能选路,可按应用识别语音并优先转发。
  • VPN 开销:IPsec 加密增加处理时延,需评估设备性能。

第 18 章 会话边界控制器

18.1 定位

SBC(Session Border Controller)部署在信任边界,是 VoIP 网络最重要的安全与互通设备。

核心价值:

  1. 隔离内外网络,隐藏核心拓扑。
  2. 统一处理 NAT 与防火墙穿越。
  3. 协议规范化,解决厂商差异。
  4. 安全防护与访问控制。
  5. 媒体锚定与控制。
  6. 多租户与运营商对接。

18.2 功能分解

18.2.1 信令处理

  • 头部规范化:补齐缺失字段、修正格式错误。
  • 拓扑隐藏:移除内部 IP、Via、Server 标识。
  • 协议适配:SIP 与 H.323、SIP 与 SIP 的不同方言。
  • 事务与对话管理:作为 B2BUA 拆分会话。
  • 重传与超时处理。

18.2.2 媒体处理

  • 媒体锚定:强制 RTP 经过 SBC。
  • 转码:不同编码之间转换。
  • SRTP 与 RTP 之间的转换。
  • DTMF 方式转换:带内、RFC 4733、INFO。
  • 传真:T.38 与 G.711 透传转换。
  • 媒体旁路:条件满足时放行直连。

18.2.3 安全功能

  • 拓扑隐藏与隐私保护。
  • 注册与呼叫的频率限制。
  • 黑白名单与地理封锁。
  • 防扫描与防暴力破解。
  • 信令与媒体加密。
  • 异常流量检测。
  • 协议合规校验,拒绝畸形消息。

18.2.4 业务与策略

  • 号码规范化与改写。
  • 路由策略与中继选择。
  • 计费与话单。
  • 录音触发。
  • QoS 标记。

18.3 部署位置

位置 作用
企业出口 保护内部 PBX,统一对接运营商
DMZ 对外提供服务,隔离内外
数据中心入口 多租户隔离
运营商互联点 对接多个运营商中继
云端 云 PBX 的边界

18.4 容量规划

指标 说明
并发会话数 同时通话数
CPS 每秒新建会话
转码路数 CPU 密集
加密路数 SRTP 加解密开销
吞吐带宽 媒体总带宽
注册用户数 状态表规模

规划原则:

  1. 转码与加密会显著降低容量,需按实际业务组合测算。
  2. 媒体旁路比例影响实际负载。
  3. 高可用部署时,单节点容量需覆盖故障切换后的全部负载。

18.5 高可用设计

  1. 主备模式:状态同步,故障切换。
  2. 双活模式:DNS 或负载均衡分流,需处理会话保持。
  3. 地理冗余:跨机房部署,应对机房级故障。
  4. 切换检测:基于心跳、OPTIONS 探测、注册状态。
  5. 切换影响:已建立的会话可能中断,需评估业务容忍度。

18.6 常见 SBC 相关故障

现象 原因
注册成功但呼叫失败 路由策略或号码变换错误
单通 媒体锚定未生效,或一侧 SDP 地址错误
按键无效 DTMF 方式转换失败
通话 15 分钟后断 UDP 会话超时或会话定时器未刷新
传真失败 T.38 参数不一致
部分终端无法注册 协议规范化过度,丢弃了必需字段
加密通话失败 证书链或加密套件不匹配

第四部分 部署与实践

第 19 章 部署架构模式

19.1 单站点集中式

结构:一台(或一组)PBX 部署在总部,所有分支终端注册到总部,呼叫与媒体经总部转发。

优点:

  • 管理集中,配置统一。
  • 功能一致,升级简单。
  • 内线通话免费,跨站点也走内网。

缺点:

  • 分支依赖总部与分支之间的链路。
  • 媒体路径绕行,分支之间通话要经过总部,增加时延。
  • 总部设备故障影响全部站点。

适用:中小规模企业、分支网络质量良好。

19.2 多站点分布式

结构:每个站点部署本地 PBX 或 SBC,站点之间通过 SIP 中继互联,本地出局。

优点:

  • 本地通话不依赖广域网。
  • 出局就近,时延低。
  • 单站点故障不影响其他站点。

缺点:

  • 配置分散,一致性难保证。
  • 跨站点功能(如统一拨号计划、集中录音)复杂。
  • 运维成本高。

适用:大型企业、跨国组织。

19.3 混合架构

典型组合:

  1. 总部集中部署核心 PBX 与媒体服务器。
  2. 分支部署 SBC 或轻量网关,负责本地接入与出局。
  3. 集中管理平台统一下发配置。
  4. 录音与质检集中在总部。

这是实践中最常见的形态,平衡了集中管理与本地可靠性。

19.4 云 PBX

结构:PBX 功能由云端提供,企业侧只保留终端与网络。

优点:

  • 免运维,弹性扩容。
  • 多分支天然统一。
  • 新功能上线快。

缺点:

  • 依赖互联网质量。
  • 合规与数据驻留问题。
  • 与本地系统集成复杂。
  • 长期成本可能高于自建。

关键设计:

  1. 本地保留 SBC 或 SD-WAN,保证语音优先。
  2. 关键业务保留 PSTN 落地,避免全云依赖。
  3. 明确 SLA 与故障响应。

19.5 云原生架构

现代平台采用微服务与容器化:

  1. 信令服务无状态化,状态外置到数据库或缓存。
  2. 媒体服务按资源调度,支持弹性伸缩。
  3. 服务发现与负载均衡。
  4. 消息队列解耦呼叫事件与业务处理。
  5. 可观测性:日志、指标、追踪三件套。

挑战:

  • 媒体服务对网络与 CPU 敏感,容器化需注意。
  • 状态一致性,尤其是注册与对话状态。
  • 跨节点媒体转发增加时延。

19.6 高可用设计模式

模式 说明 切换时间 成本
主备 备机待命,状态同步 秒级 中
双活 同时提供服务,按流量分流 近零 高
集群 多节点共享状态 近零 高
地理冗余 跨机房 分钟级 很高

要点:

  1. 状态同步是难点,注册状态、对话状态、媒体资源状态都需要考虑。
  2. 切换后已建立的通话是否保留,取决于状态同步的完整性。
  3. DNS 与客户端重试机制影响实际切换速度。
  4. 定期演练,验证切换真实可用。

19.7 媒体路径设计

三种模式:

  1. 直连(direct):终端之间直接传 RTP。时延最低,但 NAT 与安全难控。
  2. 锚定(anchored):媒体经过 SBC 或媒体服务器。可控性强,成本高。
  3. 旁路(bypass):默认锚定,条件满足时改为直连。

选择依据:

  • 是否需要录音、加密转换、转码。
  • 网络是否可控。
  • 时延要求。
  • 带宽成本。

第 20 章 网络设计与容量规划

20.1 带宽规划方法

步骤:

  1. 统计并发通话数。通常按用户数的 10% 至 30% 估算峰值,呼叫中心按坐席数加排队量估算。
  2. 确定编码。跨广域网用压缩编码,局域网用 G.711 或 Opus。
  3. 计算单路带宽,含协议开销。
  4. 乘以并发数,得到媒体总带宽。
  5. 加上信令、录音、监控、办公数据流量。
  6. 留出 30% 余量。
  7. 按链路方向分别计算,上行常是瓶颈。

示例:500 人企业,峰值并发 120 路,使用 G.711。

单路:95 kbit/s
媒体:95 × 120 = 11.4 Mbit/s
信令与开销:约 1 Mbit/s
合计:约 12.4 Mbit/s
加 30% 余量:约 16 Mbit/s

若使用 G.729,则约 6.5 Mbit/s。差异主要来自编码,说明广域网链路应优先考虑压缩编码。

20.2 时延预算

端到端时延按段分配:

段 预算
终端处理 30 ms
编码与打包 30 ms
接入网 10 ms
广域网 50 ms
核心与服务器 20 ms
抖动缓冲 40 ms
解码与播放 20 ms
合计 200 ms

跨国链路需重新分配,广域网段可能占 100 ms 以上,此时应压缩其他环节,例如减少 SBC 跳数、缩短抖动缓冲。

20.3 QoS 端到端设计

四步:

  1. 标记:终端打 DSCP EF,信令打 CS3。
  2. 信任:接入交换机信任终端的标记,或自行重标记。
  3. 排队:每一跳都配置优先队列。
  4. 保留带宽:在拥塞链路上为语音保留带宽。

常见断点:

  • 无线侧未启用 WMM。
  • 广域网运营商不尊重 DSCP。
  • VPN 隧道封装后标记丢失。
  • 跨域时被重新标记为 0。

验证方法:抓包查看 DSCP 字段是否端到端一致。

20.4 MTU 与分片

  • 语音包通常较小,不易触及 MTU。
  • SDP 与 SIP 消息可能较大,UDP 下超过 MTU 会分片,分片丢失导致整包不可用。
  • 建议:SIP 大消息改用 TCP;启用 Path MTU 发现;避免在 SDP 中携带过多候选。

20.5 网络分段与安全域

区域 说明 访问策略
终端区 话机与软终端 仅可访问信令与媒体服务器
服务器区 PBX、媒体、SBC 限制管理访问
DMZ 对外 SBC 仅开放必要端口
管理区 运维终端 独立 VLAN 与跳板
中继区 与运营商互联 仅允许运营商地址

20.6 容量规划的关键指标

  1. 并发通话数。
  2. 每秒呼叫数(CPS)。
  3. 注册用户数。
  4. 会议并发方数。
  5. 录音并发路数与存储容量。
  6. 转码路数。
  7. 信令事务率。
  8. 数据库写入速率(话单)。

20.7 存储规划

录音存储估算:

单路每小时存储 = 码率 × 3600 / 8

以 G.711 为例,64 kbit/s:

64 × 3600 / 8 = 28.8 MB/小时

双声道翻倍,约 57.6 MB/小时。100 坐席每天 6 小时通话,保留 90 天:

100 × 6 × 57.6 MB × 90 ≈ 3.1 TB

再考虑索引、备份与冗余,实际容量需乘 1.5 至 2。

20.8 编号与地址规划

  • 分机号段按部门划分,预留扩容空间。
  • IP 地址按区域与设备类型划分。
  • 媒体端口范围统一规划,便于防火墙策略。
  • 多站点避免地址重叠。

第 21 章 开源组件选型

21.1 Asterisk

定位:完整的 PBX 与媒体服务器,功能齐全。

特点:

  • 内置 B2BUA、媒体处理、IVR、会议、录音、队列。
  • 拨号计划用配置文件或实时数据库定义。
  • 生态成熟,插件与文档丰富。
  • 单机并发能力中等,适合中小规模。

适用:中小企业 PBX、IVR、简单呼叫中心。

局限:架构较老,大规模集群与云原生支持弱。

21.2 FreeSWITCH

定位:软交换与媒体服务器,性能优于 Asterisk。

特点:

  • 模块化设计,信令与媒体分离清晰。
  • 支持 SIP、WebRTC、H.323 等多种协议。
  • 内置会议、录音、TTS、ASR 接口。
  • 支持通过 ESL 做外部控制。
  • 单机并发能力较强。

适用:中大型呼叫中心、媒体服务器、SBC 功能。

21.3 Kamailio

定位:SIP 代理与注册服务器,不做媒体。

特点:

  • 高性能,单机可处理数万注册与高 CPS。
  • 配置脚本化,灵活但学习曲线陡。
  • 常与媒体服务器(FreeSWITCH、RTPengine)组合。
  • 适合做注册、路由、负载均衡、SBC 信令面。

适用:大规模 SIP 平台、运营商级部署。

21.4 OpenSIPS

定位:与 Kamailio 同源,SIP 代理与注册服务器。

特点:

  • 性能优秀,脚本化配置。
  • 内置丰富的路由与统计模块。
  • 社区活跃,商业支持可用。

适用:与 Kamailio 类似,选型取决于团队经验与生态。

21.5 RTPengine

定位:媒体中继与转码。

特点:

  • 与 Kamailio、OpenSIPS 配合,处理媒体锚定。
  • 支持 SRTP、转码、DTMF 转换。
  • 高性能,支持大规模并发。
  • 支持媒体旁路与 ICE。

21.6 coturn

定位:STUN 与 TURN 服务器。

特点:

  • 支持 STUN、TURN、ICE。
  • 支持 TCP、UDP、TLS。
  • 常与 WebRTC 配合。

21.7 Janus 与 LiveKit

  • Janus:WebRTC 网关,插件化,支持 SIP 互通、会议、流媒体。
  • LiveKit:现代 WebRTC 平台,支持大规模实时音视频,API 友好。

适用:WebRTC 会议、实时互动、AI 语音接入。

21.8 FreePBX 与 FusionPBX

  • FreePBX:Asterisk 的图形化管理平台,功能完整,适合企业自建。
  • FusionPBX:FreeSWITCH 的图形化管理平台,多租户支持较好。

21.9 组合架构示例

典型大规模平台:

终端 / WebRTC
    |
    v
Kamailio(注册、路由、认证)
    |
    +--> RTPengine(媒体中继、转码)
    |
    +--> FreeSWITCH(IVR、会议、录音、队列)
    |
    +--> 应用服务(业务 API、CDR、监控)

职责划分:

  • Kamailio 只做信令,不碰媒体,保证高吞吐。
  • RTPengine 处理媒体路径,按需转码。
  • FreeSWITCH 处理需要媒体处理的业务。
  • 应用服务承载业务逻辑与数据。

21.10 选型决策表

需求 推荐
中小企业 PBX,快速上线 FreePBX 或 FusionPBX
需要深度定制拨号逻辑 Asterisk
高并发呼叫中心 FreeSWITCH 加 Kamailio
大规模 SIP 注册与路由 Kamailio 或 OpenSIPS
WebRTC 会议 Janus 或 LiveKit
仅需 NAT 穿透 coturn
需要 SIP 与 WebRTC 互通 Janus 或 FreeSWITCH

第 22 章 从零搭建一套最小可用系统

22.1 目标与前提

目标:两台终端互相通话,并通过中继拨打外部号码。

前提:

  1. 一台 Linux 服务器,具备公网或内网固定地址。
  2. 两台 SIP 终端或软终端。
  3. 可选:一条 SIP Trunk 账号。

22.2 步骤一:网络与系统准备

  1. 配置静态 IP。
  2. 配置 NTP,保证时间准确。
  3. 配置防火墙,开放信令与媒体端口。
  4. 关闭 SIP ALG(如经过路由器)。
  5. 确认 DNS 可用。

22.3 步骤二:安装软交换

以 FreeSWITCH 为例的思路:

  1. 安装软件包与依赖。
  2. 配置 SIP profile,设置监听地址与端口。
  3. 创建两个分机账号,设置密码。
  4. 配置拨号计划,实现分机互拨。
  5. 启动服务,检查端口监听。

以 Asterisk 为例的思路:

  1. 安装。
  2. 配置 sip.conf 或 pjsip.conf,创建分机。
  3. 配置 extensions.conf,编写拨号规则。
  4. 启动并检查日志。

22.4 步骤三:终端注册

  1. 在终端上配置服务器地址、端口、账号、密码。
  2. 观察终端状态是否显示已注册。
  3. 在服务器侧查看注册状态。
  4. 若失败,按顺序检查:网络可达、端口开放、账号密码、认证方式、域名解析。

22.5 步骤四:内线通话验证

  1. 分机 A 拨分机 B。
  2. 观察是否振铃、是否接通、是否双向有声。
  3. 抓包验证:INVITE、200 OK、ACK、RTP 双向。
  4. 若单通,检查 SDP 地址与 NAT。

22.6 步骤五:接入中继

  1. 配置中继账号与服务器地址。
  2. 配置出局路由,把外部号码送到中继。
  3. 配置入局路由,把外部来电送到分机。
  4. 配置号码变换,符合运营商要求。
  5. 测试呼出与呼入。
  6. 检查主叫号码显示是否正确。

22.7 步骤六:基础业务配置

  1. 语音信箱。
  2. 呼叫转移。
  3. 会议桥。
  4. 录音。
  5. 话单输出。

22.8 步骤七:质量与安全加固

  1. 启用 TLS 与 SRTP。
  2. 关闭不需要的方法。
  3. 设置注册与呼叫频率限制。
  4. 配置强密码。
  5. 配置日志与监控。
  6. 备份配置。

22.9 最小可用系统的验收清单

  • 终端可稳定注册,断线可自动重连。
  • 内线互拨双向有声,按键可用。
  • 外线呼出与呼入正常。
  • 主叫号码显示正确。
  • 通话 30 分钟以上不断线。
  • 录音可正常生成与回放。
  • 服务器重启后服务自动恢复。
  • 有基础监控与告警。

第 23 章 抓包分析与故障排查

23.1 排查方法论

推荐顺序:

  1. 界定范围:单用户、单站点、单型号、全网。范围决定方向。
  2. 分层验证:物理与接入、IP 可达、信令、媒体、应用。
  3. 二分定位:在路径中间点抓包,判断问题在前段还是后段。
  4. 对比验证:与正常案例对比,找出差异项。
  5. 复现与验证修复:确认根因,避免只处理现象。

避免的跳跃式判断:

  • 看到"没有声音"就重启终端。
  • 看到"注册失败"就重置密码。
  • 未抓包就断定是网络问题。

23.2 抓包点选择

位置 作用
终端侧 确认终端实际发出与收到的内容
接入交换机 判断终端到网络之间是否正常
服务器侧 确认服务器收到与发出的内容
防火墙内外 判断策略与 NAT 是否改写
SBC 前后 判断锚定与协议规范化影响

关键原则:在问题路径的两端同时抓包,对比差异。只在一点抓包,无法区分"未发出"与"未收到"。

23.3 Wireshark 常用显示过滤器

信令:

sip
sip.Method == "INVITE"
sip.Method == "REGISTER"
sip.Status-Code == 401
sip.Call-ID == "a84b4c76e66710@192.168.1.10"
sip.From contains "1001"
sip.Request-Line contains "sip:1002"

媒体:

rtp
rtp.ssrc == 0x12345678
rtcp
rtcp.pt == 200

地址与端口:

ip.addr == 10.0.0.10 && udp.port == 5060
ip.addr == 10.0.0.10 && udp.port >= 10000 && udp.port <= 20000

DSCP:

ip.dsfield.dscp == 46

组合示例:

sip || rtp || rtcp
ip.addr == 10.0.0.10 && !arp && !icmp

23.4 Wireshark 实用功能

  1. 统计 → 会话:查看 RTP 流与会话。
  2. 电话 → VoIP Calls:自动识别 SIP 呼叫,可查看流程图与质量指标。
  3. 电话 → RTP → 流分析:查看丢包、抖动、序列号缺口。
  4. 电话 → RTP → 播放流:直接听取媒体内容,验证编码与音质。
  5. 专家信息:快速发现畸形报文与重传。
  6. 跟随 UDP 流:查看完整的 RTP 包序列。

23.5 抓包文件分析流程

  1. 打开文件,先用专家信息看异常。
  2. 用 sip 过滤器查看信令交互顺序。
  3. 找到目标 Call-ID,过滤出完整对话。
  4. 查看 INVITE 与 200 OK 中的 SDP,确认编码与地址。
  5. 依据 SDP 中的地址与端口过滤 RTP。
  6. 统计 RTP 包数、序列号缺口、时间间隔。
  7. 如有需要,播放音频确认内容。
  8. 对比两端抓包,判断丢包发生在哪一段。

23.6 典型故障案例

23.6.1 注册失败

现象:终端显示未注册,服务器无记录。

排查步骤:

  1. 终端是否能解析服务器域名。
  2. 终端是否发出 REGISTER。抓包确认。
  3. 服务器是否收到。在服务器侧抓包。
  4. 若收到但返回 401,检查凭证。
  5. 若返回 403,检查 IP 白名单与策略。
  6. 若返回 404,检查账号是否存在。
  7. 若超时无响应,检查端口与防火墙。
  8. 若注册成功但很快失效,检查 expires 与刷新。

23.6.2 呼叫建立失败

现象:拨号后无反应、忙音或提示无法接通。

排查步骤:

  1. 确认被叫号码与路由规则匹配。
  2. 检查 INVITE 是否发出。
  3. 检查是否收到 100 Trying。
  4. 检查最终响应码:404 路由失败、480 未注册、486 忙、488 媒体协商失败。
  5. 若 488,检查双方编码列表是否有交集。
  6. 若 408 或超时,检查下一跳可达性。
  7. 检查 Max-Forwards 是否为 0。

23.6.3 单通

现象:一方能听到,另一方听不到。

排查步骤:

  1. 抓两端包,确认双向是否都有 RTP。
  2. 若一方未发包,检查该端 SDP 中的地址与端口。
  3. 检查 NAT 映射与 SBC 锚定。
  4. 检查方向属性 sendonly、recvonly 是否被错误设置。
  5. 检查防火墙是否只放行了一个方向。
  6. 检查是否一方只发了 RTCP 未发 RTP。

23.6.4 断续与杂音

现象:声音断续、机械音、爆音。

排查步骤:

  1. 统计 RTP 序列号缺口,计算丢包率。
  2. 查看包间隔分布,计算抖动。
  3. 检查是否突发丢包。
  4. 检查链路带宽是否打满。
  5. 检查 QoS 是否生效。
  6. 检查抖动缓冲配置。
  7. 检查是否经过多级转码。
  8. 检查无线信号与漫游。

23.6.5 回声

现象:听到自己的声音延迟返回。

排查步骤:

  1. 判断回声来源:本地终端、对端终端、PSTN 网关。
  2. 让一端使用耳机,若回声消失,说明是本地声学回声。
  3. 检查 AEC 是否启用,参数是否合适。
  4. 检查扬声器音量是否过大导致失真。
  5. 检查是否为网络侧回声(网关四线二线转换)。
  6. 检查时延,回声延迟超过 30 ms 才明显可辨。

23.6.6 通话中途断线

排查步骤:

  1. 检查会话定时器是否启用与刷新。
  2. 检查 NAT 映射超时时间。
  3. 检查防火墙 UDP 会话超时。
  4. 检查是否有 BYE 由一方主动发出。
  5. 检查服务器是否因资源不足主动释放。
  6. 检查中继侧是否有时长限制。

23.6.7 语音变调或速度快

排查步骤:

  1. 检查 rtpmap 中的采样率。
  2. 检查 RTP 时间戳增量是否与采样率匹配。
  3. 检查 G.722 是否被误按 8000 处理。
  4. 检查转码环节是否保持时钟一致。

23.6.8 按键无效

排查步骤:

  1. 检查 SDP 是否协商 telephone-event。
  2. 检查 PT 编号是否一致。
  3. 检查采样率是否与主编码匹配。
  4. 检查 SBC 是否过滤了该 PT。
  5. 检查 IVR 是否配置了正确的 DTMF 检测方式。
  6. 若使用 INFO,检查 Content-Type 与格式。

23.7 日志分析

日志层级:

  1. 终端日志:注册、呼叫、媒体统计。
  2. PBX 日志:路由决策、认证、错误码。
  3. SBC 日志:会话建立、协议改写、拒绝原因。
  4. 网关日志:中继事件、信令映射。
  5. 系统日志:资源、网络、进程。

要点:

  • 开启详细日志会影响性能,只在排障期间开启。
  • 日志需包含 Call-ID,便于串联各环节。
  • 时间必须同步,否则无法对齐。
  • 日志轮转与保留策略。

23.8 排查工具清单

工具 用途
Wireshark 抓包与协议分析
tcpdump 服务器侧抓包
sngrep SIP 呼叫流程可视化
sipp SIP 压力测试与场景模拟
ping、traceroute、mtr 网络可达与路径
iperf 带宽与丢包测试
nmap 端口开放检查
SIPp 场景脚本 复现特定呼叫流程
日志聚合平台 多节点日志检索

第 24 章 压力测试与监控

24.1 压测目标

  1. 确定单机容量上限。
  2. 验证高并发下的稳定性。
  3. 验证故障切换。
  4. 找出瓶颈组件。
  5. 为扩容提供依据。

24.2 压测指标

指标 说明
CPS 每秒新建呼叫数
并发通话 同时保持的通话数
呼叫成功率 成功建立比例
建立时延 INVITE 到 200 OK 的时间
媒体质量 丢包、抖动、MOS
资源占用 CPU、内存、网络、磁盘
错误码分布 失败原因

24.3 sipp 使用要点

sipp 是常用的 SIP 压测工具。

常用参数:

  • 目标地址与端口。
  • 并发呼叫数。
  • 呼叫速率(每秒呼叫数)。
  • 呼叫时长。
  • 场景文件(XML)。
  • 统计输出间隔。

典型场景文件包含:

  1. 发送 INVITE。
  2. 接收 100 Trying。
  3. 接收 180 Ringing。
  4. 接收 200 OK。
  5. 发送 ACK。
  6. 保持一段时间。
  7. 发送 BYE。
  8. 接收 200 OK。

进阶场景:

  • 带认证的注册与呼叫。
  • 媒体发送与接收(RTP echo)。
  • 异常响应处理。
  • 长通话与短通话混合。

24.4 压测设计原则

  1. 逐步加压,观察拐点,而不是直接打满。
  2. 分别测试不同业务:注册、呼叫、会议、录音、转码。
  3. 区分信令压力与媒体压力。
  4. 记录每个压力档位的资源占用与成功率。
  5. 压测环境尽量接近生产,包括网络时延与防火墙。
  6. 压测后检查是否有资源泄漏(内存、连接、文件句柄)。

24.5 常见瓶颈

瓶颈 表现 优化方向
CPU 转码、混音时打满 减少转码、增加节点、硬件加速
内存 状态表过大 优化状态存储、分片
网络带宽 链路打满 压缩编码、旁路、扩容
磁盘 IO 录音写入瓶颈 独立存储、SSD、异步写
文件句柄 高并发连接耗尽 调整系统参数
数据库 话单写入慢 批量写、分库分表
锁竞争 高并发下性能骤降 无状态化、分片

24.6 监控体系

分三层:

  1. 基础设施层:主机、网络、存储。
  2. 服务层:进程、端口、注册数、呼叫数。
  3. 业务层:接通率、通话质量、客户体验。

关键指标:

类别 指标
注册 在线终端数、注册成功率、注册耗时
呼叫 CPS、并发数、接通率、平均通话时长、失败原因分布
媒体 丢包率、抖动、RTT、MOS 分布
中继 通道占用率、呼损率
资源 CPU、内存、磁盘、网络、文件句柄
业务 队列等待时长、坐席利用率、放弃率

24.7 告警设计

  1. 分级:紧急、重要、一般、提示。
  2. 去重与收敛:同一根因只告警一次。
  3. 抑制:维护窗口内抑制。
  4. 升级:未处理则逐级通知。
  5. 恢复通知:明确告警解除。

典型告警规则:

  • 注册成功率低于 95% 持续 5 分钟。
  • 呼叫接通率低于 90% 持续 10 分钟。
  • 媒体丢包率高于 3% 持续 5 分钟。
  • 中继占用率高于 85% 持续 5 分钟。
  • 单节点 CPU 高于 80% 持续 10 分钟。
  • 媒体服务器进程异常退出。

24.8 质量监控的实现方式

  1. RTCP 采集:在 SBC 或媒体服务器侧解析 RTCP,汇总丢包、抖动、RTT。
  2. RTP 探针:旁路镜像流量,实时计算质量。
  3. 终端上报:部分终端支持质量数据上报。
  4. 主动探测:定期发起测试呼叫,测量端到端质量。
  5. MOS 估算:基于 E-model 或机器学习模型,从网络指标映射。

24.9 故障演练

  1. 主备切换:断开主节点,验证切换时间与通话影响。
  2. 中继故障:禁用主中继,验证备用路由。
  3. 网络抖动:注入时延与丢包,观察质量与自适应能力。
  4. 注册风暴:批量重启终端,观察服务器负载。
  5. 存储故障:模拟磁盘满,验证录音降级策略。
  6. DNS 故障:模拟解析失败,验证缓存与降级。

演练要点:记录实际切换时间、影响范围、恢复步骤,形成可执行的预案。


第五部分 演进与附录

第 25 章 新兴技术与演进方向

25.1 WebRTC

25.1.1 技术构成

WebRTC 是浏览器与移动应用的原生实时通信能力,包含三组 API 与一组协议:

  1. 媒体采集:getUserMedia,访问摄像头与麦克风。
  2. 媒体传输:RTCPeerConnection,负责编码、加密、传输、拥塞控制。
  3. 数据通道:RTCDataChannel,基于 SCTP 的双向数据。

协议栈:

  • 信令:不标准化,由应用自定义(SIP、WebSocket、HTTP 均可)。
  • 会话描述:SDP。
  • 连接建立:ICE、STUN、TURN。
  • 媒体安全:DTLS-SRTP。
  • 媒体传输:RTP/RTCP,配合 NACK、PLI、REMB、TWCC。
  • 编码:Opus(音频)、VP8、VP9、H.264、AV1(视频)。

25.1.2 与 SIP 系统的关系

两种集成方式:

  1. 网关方式:WebRTC 客户端使用自定义信令,通过 Janus 或媒体网关转换为 SIP,与既有 PBX 互通。
  2. 直连方式:浏览器直接以 SIP over WebSocket 注册到 PBX,PBX 原生支持 WebRTC。

工程要点:

  • 必须部署 TURN,否则部分网络无法连通。
  • 浏览器自动播放策略要求用户交互后才能播放音频。
  • 音频采集的 AEC 由浏览器处理,质量取决于设备与浏览器实现。
  • 需要 HTTPS,否则无法访问媒体设备。

25.2 VoLTE 与 VoNR

25.2.1 IMS 架构

IMS(IP Multimedia Subsystem)是运营商提供 IP 语音与多媒体业务的核心架构。

主要网元:

网元 作用
P-CSCF 代理呼叫会话控制,终端接入点
I-CSCF 查询入口,选择 S-CSCF
S-CSCF 服务控制,执行业务逻辑
HSS 用户数据与签约信息
TAS 电话业务应用服务器,提供补充业务
MRF 媒体资源功能,放音与会议
BGCF 与 MGCF 与 PSTN 互通

25.2.2 与传统 VoIP 的差异

  1. 认证基于 ISIM 与 AKA,不使用用户名密码。
  2. 信令强制加密与完整性保护。
  3. 媒体使用 AMR-WB 或 EVS,质量优于窄带。
  4. QoS 由网络侧保障,专用承载。
  5. 补充业务由 TAS 统一实现,跨网一致。

25.2.3 VoNR

5G 独立组网下,语音由 5G 核心网原生承载,称为 VoNR(Voice over NR)。相比 VoLTE:

  • 建立时延更低。
  • 编码质量更高(EVS 超宽带)。
  • 与网络切片、边缘计算结合。

25.3 AI 与语音

25.3.1 降噪与增强

基于深度学习的降噪模型可区分人声与噪声类型,效果优于传统谱减法,尤其在键盘声、风声、多人环境等场景。代价是算力与少量失真风险。

25.3.2 实时转写

把通话实时转为文字,用于:

  • 坐席辅助与知识推荐。
  • 会议记录。
  • 无障碍字幕。
  • 合规审查。

技术要点:流式 ASR、说话人分离、领域词表、低时延。

25.3.3 语音机器人

流程:

  1. ASR 识别用户语音。
  2. NLU 理解意图。
  3. 对话管理决定回复。
  4. TTS 合成语音。
  5. 通过媒体服务器接入电话网络。

关键指标:识别准确率、打断处理、响应时延、转人工衔接。

25.3.4 质检与洞察

  • 关键词与情绪识别。
  • 通话摘要自动生成。
  • 合规风险检测。
  • 客户意图与满意度预测。

25.3.5 语音合成

现代 TTS 已接近自然语音,可用于 IVR 播报、个性化提示、有声内容。要点是韵律与停顿的自然度,以及领域专有词的读音。

25.4 CPaaS

CPaaS(Communications Platform as a Service)把语音、短信、视频能力 API 化。

典型能力:

  • 号码租用与呼入呼出。
  • 会议与录制。
  • 消息与验证码。
  • 智能路由与 IVR。
  • 实时转写与质检。

企业使用 CPaaS 可以避免自建运营商关系与媒体基础设施,但需评估:

  • 单价与规模成本。
  • 数据驻留与合规。
  • 供应商锁定。
  • SLA 与故障责任边界。

25.5 云原生与边缘部署

趋势:

  1. 信令无状态化,状态外置。
  2. 媒体处理下沉到边缘节点,降低时延。
  3. 服务网格与可观测性标准化。
  4. 按需弹性,应对突发话务。

挑战:媒体服务的实时性与资源隔离,容器与虚拟化带来的额外开销。

25.6 安全演进

  1. 全链路加密成为默认,而非可选项。
  2. 零信任架构,终端与服务器双向认证。
  3. 基于身份的路由与策略,替代基于 IP 的信任。
  4. 异常检测与自动封禁,应对盗打与扫描。
  5. 供应链安全,终端固件与第三方组件审查。

25.7 协议演进方向

方向 说明
SIP 扩展 更多使用 TLS、WebSocket、OAuth
RTP 反馈 TWCC、NACK、FEC 组合成为默认
加密 DTLS-SRTP 与 AEAD 套件普及
编解码 Opus 与 EVS 成为主流,AV1 用于视频
信令简化 部分场景用 HTTP 与 WebSocket 替代 SIP
互通 SIP 与 WebRTC 的边界逐步标准化

第 26 章 附录

26.1 术语表

术语 全称 含义
ACD Automatic Call Distribution 自动呼叫分配
AEC Acoustic Echo Cancellation 声学回声消除
AGC Automatic Gain Control 自动增益控制
AOR Address of Record 注册身份地址
ASR Automatic Speech Recognition 语音识别
B2BUA Back-to-Back User Agent 背靠背用户代理
CDR Call Detail Record 呼叫详细记录
CNG Comfort Noise Generation 舒适噪声生成
CPS Calls Per Second 每秒呼叫数
CSRC Contributing Source 贡献源
CTI Computer Telephony Integration 计算机电话集成
DID Direct Inward Dialing 直接呼入
DTMF Dual-Tone Multi-Frequency 双音多频
DTX Discontinuous Transmission 不连续传输
ENUM Telephone Number Mapping 电话号码映射
FEC Forward Error Correction 前向纠错
ICE Interactive Connectivity Establishment 交互式连接建立
IMS IP Multimedia Subsystem IP 多媒体子系统
IVR Interactive Voice Response 交互式语音应答
Jitter — 抖动
MOS Mean Opinion Score 平均意见得分
MOH Music on Hold 保持音乐
MWI Message Waiting Indicator 留言指示灯
NAT Network Address Translation 网络地址转换
NS Noise Suppression 噪声抑制
PBX Private Branch Exchange 用户交换机
PCM Pulse Code Modulation 脉冲编码调制
PLC Packet Loss Concealment 丢包隐藏
PoE Power over Ethernet 以太网供电
PSTN Public Switched Telephone Network 公共交换电话网
QoS Quality of Service 服务质量
RTP Real-time Transport Protocol 实时传输协议
RTCP RTP Control Protocol RTP 控制协议
SBC Session Border Controller 会话边界控制器
SDP Session Description Protocol 会话描述协议
SIP Session Initiation Protocol 会话初始协议
SRTP Secure Real-time Transport Protocol 安全实时传输协议
SSRC Synchronization Source 同步源
STUN Session Traversal Utilities for NAT NAT 会话穿越工具
TTS Text-to-Speech 文本转语音
TURN Traversal Using Relays around NAT 中继穿越
UAC User Agent Client 用户代理客户端
UAS User Agent Server 用户代理服务端
VAD Voice Activity Detection 语音活动检测
VoIP Voice over IP IP 语音

26.2 端口速查表

协议 端口 传输 说明
SIP 5060 UDP、TCP 标准信令
SIP TLS 5061 TCP、TLS 加密信令
RTP 动态 UDP 通常成对分配,偶数端口
RTCP RTP 加 1 UDP 与 RTP 配对
STUN 3478 UDP、TCP NAT 探测
TURN 3478 UDP、TCP 中继
TURN TLS 5349 TCP、TLS 加密中继
H.323 RAS 1719 UDP 网守注册
H.323 呼叫 1720 TCP 呼叫信令
MGCP 2427 UDP 媒体网关控制
Megaco 2944 UDP、TCP 网关控制
SCCP 2000 TCP Cisco 终端控制
IAX2 4569 UDP Asterisk 信令与媒体
RTP-MIDI 5004 UDP 可选
TFTP 69 UDP 终端配置下载
NTP 123 UDP 时间同步
LDAP 389、636 TCP 目录服务
RADIUS 1812、1813 UDP 认证与计费
SNMP 161、162 UDP 监控与告警
Syslog 514 UDP、TCP 日志
TR-069 7547、443 TCP、HTTP 设备管理

26.3 RFC 索引

编号 主题
RFC 3261 SIP 基础协议
RFC 3262 100rel,临时响应可靠性
RFC 3263 SIP 的 DNS 定位
RFC 3264 SDP 的 Offer/Answer 模型
RFC 3311 UPDATE 方法
RFC 3515 REFER 方法
RFC 3550 RTP 与 RTCP
RFC 3551 音频与视频的 RTP 载荷格式
RFC 3611 RTCP 扩展报告
RFC 3711 SRTP
RFC 3960 早期媒体与振铃
RFC 4028 会话定时器
RFC 4566 SDP
RFC 4568 SDES,SDP 中的安全描述
RFC 4585 RTP 扩展反馈
RFC 4733 DTMF 事件
RFC 5389 STUN
RFC 5764 DTLS-SRTP
RFC 5766 TURN
RFC 6116 ENUM
RFC 6716 Opus
RFC 7118 SIP over WebSocket
RFC 7714 SRTP 的 AEAD 套件
RFC 8285 RTP 头扩展
RFC 8445 ICE
RFC 8489 STUN(新版)
RFC 8656 TURN(新版)
RFC 8838 Trickle ICE
RFC 8866 SDP(新版)
RFC 8888 RTCP 反馈的拥塞控制
ITU-T G.107 E-model
ITU-T G.114 单向传输时延
ITU-T G.711 PCM 语音编码
ITU-T G.722 宽带音频编码
ITU-T G.729 低码率音频编码
ITU-T P.862 PESQ
ITU-T P.863 POLQA

26.4 常用命令与操作

26.4.1 网络连通性

ping <host>
traceroute <host>
mtr <host>
telnet <host> 5060
nc -u -v <host> 5060
nmap -sU -p 5060,5061 <host>

26.4.2 抓包

tcpdump -i any -s 0 -w sip.pcap port 5060
tcpdump -i any -s 0 -w media.pcap portrange 10000-20000
tcpdump -i any -n -s 0 udp port 5060
tcpdump -i any -n udp and port 5060 -vv

26.4.3 DNS 验证

dig SRV _sip._udp.example.com
dig NAPTR example.com
dig A sip.example.com
nslookup -type=SRV _sip._tcp.example.com

26.4.4 带宽与质量

iperf3 -s
iperf3 -c <server> -u -b 10M -t 30
mtr --report --packet-loss <host>

26.4.5 常用排查思路

  1. 先 ping 通,再查端口,再查信令,最后查媒体。
  2. 两端抓包,比较差异。
  3. 用 G.711 排除编码因素。
  4. 用内线排除中继因素。
  5. 用同一网段排除网络因素。
  6. 用不同终端排除终端因素。

26.5 部署检查清单

26.5.1 网络层

  • 语音 VLAN 已配置,终端正确获取地址。
  • QoS 策略端到端生效,DSCP 未被清零。
  • 防火墙开放信令与媒体端口。
  • SIP ALG 已关闭。
  • NTP 已配置且时间准确。
  • DNS 解析正常,SRV 记录有效。
  • 带宽充足,上行不成瓶颈。

26.5.2 信令层

  • 终端注册稳定,刷新正常。
  • 认证方式与密码策略匹配。
  • 拨号计划覆盖全部号段与权限。
  • 号码变换规则验证正确。
  • 中继注册状态正常。
  • 会话定时器配置合理。
  • TLS 证书有效且信任链完整。

26.5.3 媒体层

  • 编码协商符合预期。
  • 双向 RTP 均可达。
  • DTMF 方式与 IVR 匹配。
  • SRTP 协商成功。
  • 抖动缓冲参数合理。
  • 录音分流正常。
  • 传真场景已关闭 VAD 与 PLC。

26.5.4 运维层

  • 监控指标齐全,告警规则有效。
  • 日志集中,保留周期符合要求。
  • 配置备份与恢复流程验证。
  • 高可用切换演练完成。
  • 容量规划有余量。
  • 安全策略与密码定期审查。

26.6 常见问题速查

现象 优先检查
无法注册 网络可达、端口、认证、域名解析
呼叫无响应 路由规则、下一跳可达、DNS
404 号码不存在、路由未匹配
403 策略拒绝、IP 白名单、号码限制
488 编码无交集
单通 SDP 地址、NAT、方向属性、防火墙
无声 RTP 是否到达、端口、编码
断续 丢包、抖动、带宽、QoS
回声 AEC、扬声器音量、网关侧回声
变调 采样率配置、时间戳
按键无效 telephone-event 协商、DTMF 方式
中途断线 会话定时器、NAT 超时、中继限制
传真失败 VAD、PLC、T.38 参数
通话质量差 转码、链路质量、无线覆盖

总结

VoIP 系统的复杂度来自三个层面:语音信号本身需要被压缩与重建,网络传输不保证时序与完整性,电信业务要求可靠、可审计、可互通。这三者叠加,使得任何一套可用的 VoIP 系统都必须同时具备编码处理、协议栈、网络设计、边界控制与运维监控五类能力。

从组件角度看,终端负责采集与播放,网关负责异构互通,服务器负责会话控制与媒体处理,SBC 负责边界与安全,网络设备负责承载与隔离。从协议角度看,SIP 与 SDP 解决"和谁通话、用什么参数",RTP 与 RTCP 解决"如何传送、质量如何",STUN、TURN、ICE 解决"路径是否可达",SRTP 与 TLS 解决"是否安全"。

工程实践中的多数问题,最终都可以归结为三个基本量的失控:时延超出交互容忍范围、抖动超出缓冲能力、丢包超出恢复能力。掌握这三个量的测量方法与影响因素,再配合分层排查与两端抓包对比,就能覆盖绝大多数故障场景。