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:
- 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。
- 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。
- 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:
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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:
- 如何找到对方。需要号码体系、注册机制、位置查询、路由决策。
- 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。
- 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。
- 如何传送媒体。需要封装格式、时间戳、序列号、丢包恢复、加密。
- 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。
- 接入层:物理链路、PoE 供电、VLAN、无线覆盖、终端注册。
- 传输层:IP 路由、NAT、防火墙策略、带宽与 QoS。
- 信令层:SIP 或其他信令的注册、呼叫建立、路由、认证。
- 媒体层:RTP 流的建立、编码协商、抖动缓冲、加密。
- 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:
- 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。
- 时间冗余。人说话时存在静默、停顿、重复的音节结构。
- 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。
- 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:
- 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。
- 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。
- 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:
- RTCP 报告的丢包率、抖动、往返时延。
- RTP 序列号缺口统计。
- 抖动缓冲深度与溢出次数。
- 编码协商结果与实际码率。
- 单向音频检测(基于能量与 RTP 收包比对)。
- 呼叫建立时延(INVITE 到 200 OK 再到 ACK 的时间)。
- 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:
- 网络层:带宽不足、拥塞、丢包、抖动、路由绕行、MTU 分片。
- 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。
- 配置层:编解码不匹配、ptime 不一致、VAD 误配、抖动缓冲参数不当。
- 架构层:过多转码、过多 SBC 跳数、媒体路径绕行(三角路由)。
- 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。
- SIP 只负责"找到人、协商能力、建立与拆除会话",不承载媒体。
- 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。
- RTP 只负责"把媒体按时间顺序送达",不做重传、不做拥塞控制。
- RTCP 只负责"反馈质量",提供丢包、抖动、RTT 等统计。
- ICE 只负责"找到一条可用的媒体路径",不保证质量。
- 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:
- 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。
- 终端 B 同样完成注册。
- A 发起 INVITE,携带 SDP offer,列出支持的编码与媒体地址。
- 代理服务器查询位置服务,找到 B 的 Contact,转发 INVITE。
- B 返回 100 Trying,表示已收到。
- B 振铃,返回 180 Ringing。
- B 摘机,返回 200 OK,携带 SDP answer。
- A 收到 200 OK,发送 ACK 确认。
- 双方按协商结果互发 RTP,周期性交换 RTCP。
- 通话结束,A 发送 BYE。
- B 返回 200 OK,会话结束。
- 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:
- 文本化。消息基于文本,与 HTTP 类似,便于人工阅读与抓包分析。
- 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。
- 与传输无关。可运行在 UDP、TCP、TLS、SCTP、WebSocket 之上。
- 能力协商外置。媒体能力由 SDP 描述,SIP 本身不关心编解码。
- 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:
- Via 头中的 branch 参数(必须以 z9hG4bK 开头)。
- 请求方法(ACK 与 CANCEL 除外,它们匹配原 INVITE 事务)。
- 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:
- 早期对话:收到 1xx 带 To tag 后建立。
- 已确认对话:收到 2xx 并发送 ACK 后建立。
- 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:
- AOR(Address of Record)是被注册的身份,例如 sip:alice@example.com。
- Contact 是实际可达地址,包含 IP、端口与传输方式。
- 一个 AOR 可以绑定多个 Contact,实现多终端同时振铃(forking)。
- expires 为 0 表示注销。
- 注册需要定期刷新,通常为有效期的一半或更短。
- 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:
- 检查 Max-Forwards,为 0 则返回 483。
- 认证与授权。
- 决定是否处理本地用户(lookup)。
- 若目标是本地用户,查询注册绑定,可能产生多个分支(forking)。
- 若目标是外部域,按 DNS NAPTR、SRV、A 记录解析下一跳。
- 添加 Via 与 Record-Route,转发请求。
- 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:
- UAC 发送无凭证请求。
- UAS 返回 401 或 407,携带 WWW-Authenticate 或 Proxy-Authenticate 挑战,包含 realm、nonce、algorithm、qop。
- UAC 计算摘要并重发请求,携带 Authorization 或 Proxy-Authorization。
- 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:
- A 与 B 通话中,B 希望转给 C。
- B 向 A 发送 REFER,Refer-To 指向 C。
- A 接受,返回 202 Accepted。
- A 向 C 发起 INVITE,建立新对话。
- 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:
- 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。
- 媒体端口在 SDP 中声明,NAT 映射后外部不可达。
- 保持时间短,NAT 映射会过期。
解决方案演进:
- STUN:终端探测自己的公网映射地址,主动写入 SIP 与 SDP。
- TURN:媒体经中继服务器转发,保证可达,代价是带宽与时延。
- ICE:综合候选地址探测,选择最优路径。
- SBC:在边界处统一改写信令与媒体,强制媒体锚定。
- 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
- 强制 TLS 用于注册与呼叫,禁用明文 UDP 对外暴露。
- 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。
- 启用频率限制,防止注册风暴与扫描。
- 号码与路由白名单,阻断国际长途滥用。
- 拓扑隐藏,Via 与 Record-Route 中不暴露内部地址。
- 认证与密码策略,禁止空密码与默认密码。
- 媒体加密,SRTP 与 DTLS-SRTP。
- 日志与审计,记录注册、呼叫、异常原因码。
- 边界防护,SBC 前置,隐藏核心服务器。
- 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:
- 媒体类型:audio、video、text、application、message。
- 传输端口:媒体接收端口。为 0 表示该媒体流被禁用。
- 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)。
- 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
- 发起方生成 offer,列出所有支持的媒体类型、编码、地址。
- 接收方生成 answer,从 offer 中选择一个子集。
- 双方按 answer 的结果发送媒体。
6.6.2 规则
- answer 中的媒体流数量必须与 offer 一致,顺序也必须一致。
- answer 中的每个 m= 行只能选择一个编码(或一个编码加 telephone-event)。
- 若 answer 拒绝某个媒体流,应将其端口置为 0。
- answer 中不能出现 offer 未列出的编码。
- 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:
- 初始 offer/answer:确定基本参数。
- PRACK 相关:若使用 100rel,183 中的 SDP 需要在 PRACK 之前确认。
- 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
- 编码无交集。offer 与 answer 的编码列表没有公共项,返回 488。
- 地址不可达。c= 行写的是私网地址,对端无法发送媒体。
- 端口为 0。媒体被拒绝或被单向禁用,表现为单通。
- 方向属性不一致。一方 sendonly 而另一方 recvonly,实际只单向传输。
- G.722 时钟率误用。时间戳增量按 8000 计算导致播放速度错误。
- 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。
- rtcp-mux 一方支持一方不支持。导致 RTCP 端口错位。
- ICE 候选缺失或指纹不匹配。媒体建立失败。
- ptime 与 maxptime 冲突。部分设备会拒绝。
- 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
- 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。
- 静音期时间戳未推进,导致恢复后播放错位。
- 转码时未重写时间戳基准,导致音视频不同步。
- 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:
- 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。
- RFC 2833 与 RFC 4733(out-of-band):用独立载荷类型传输事件,是主流方式。
- 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:
- 单字节头:适用于 1 至 16 字节的小扩展。
- 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:
- NAT 穿透:让双方通过代理的公网地址互通。
- 媒体锚定:SBC 强制媒体经过自身,便于策略、录音、加密转换。
- 端口管理:集中管理媒体端口范围,简化防火墙配置。
- 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:
- 窃听:在共享网络或无线链路上抓取 RTP,直接解码还原语音。
- 注入:伪造 RTP 包插入对话,或插入伪造的 DTMF 触发业务。
- 重放:录制合法媒体包后重放,攻击录音或计费系统。
- 信令篡改:修改 SIP 消息中的号码、SDP 地址。
- 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:
- 双方交换 SDP,获得对方证书指纹。
- 建立 DTLS 握手,验证证书,提取 SRTP 密钥材料。
- 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:
- 媒体服务器需要解密才能混音、录音、转写。
- SBC 需要解密才能做策略与转码。
- 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
- 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。
- 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。
- 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。
- 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。
- 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。
- 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:
- 信令层携带 IP 地址,NAT 无法改写应用层内容。
- 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。
- 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:
- 客户端向 STUN 服务器发送 Binding Request。
- 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。
- 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:
- 客户端向 TURN 服务器申请分配(Allocate),获得中继地址。
- 客户端把中继地址写入 SDP,作为自己的媒体地址。
- 对端把媒体发到中继地址,TURN 服务器转发给客户端。
- 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
- 收集候选:枚举本地地址,查询 STUN,申请 TURN。
- 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。
- 连通性检查:双方对每对候选发送 STUN Binding Request,按优先级顺序。
- 选择提名:找到可用路径后,控制方提名一对候选。
- 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
- STUN 服务器部署在公网,数量与地理位置按用户分布决定。
- 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。
- ICE 与 SBC 配合,SBC 可作为媒体锚点并提供 relay 能力。
- 企业内网优先直连,跨网段与跨 NAT 走中继。
- 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
- 终端向网守发送 RRQ 注册。
- 呼叫前向网守发送 ARQ 请求准入。
- 网守返回 ACF 与目标地址。
- 建立 Q.931 呼叫信令连接,发送 Setup。
- 被叫返回 Call Proceeding、Alerting、Connect。
- 建立 H.245 控制通道,交换能力集,打开逻辑通道。
- 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:
- 二进制与文本两种编码,二进制基于 ASN.1。
- 上下文(Context)概念,支持多方关联。
- 更丰富的包与事件描述符。
- 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:
- 信令与媒体复用同一 UDP 端口 4569,穿透 NAT 容易。
- 二进制协议,开销小。
- 支持中继与带宽节省模式(trunking),多个通道复用一个包。
- 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:
- NAPTR 查询:根据域名与协议(SIP+D2U、SIP+D2T、SIPS+D2T)获得服务记录。
- SRV 查询:获得主机与端口,带权重与优先级。
- 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:
- 取 E.164 号码,去掉非数字字符。
- 反转数字顺序,以点分隔。
- 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
- 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。
- DNS 缓存时间(TTL)影响故障切换速度,建议较短。
- 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。
- 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:
- 话机自动进入语音 VLAN。
- 话机的 PC 端口保持数据 VLAN 透传。
- 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:
- TLS 证书有效期校验依赖正确时间。
- 日志与录音时间戳需要一致,便于审计与检索。
- RTCP SR 的 NTP 时间用于音视频同步。
- 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:
- 终端接入认证(部分话机支持 802.1X 与 RADIUS)。
- 呼叫计费:SIP 服务器或 SBC 把呼叫起始与结束时发送 Accounting-Request。
- 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:
- 用户身份与密码统一。
- 电话簿与联系人查询。
- 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:
- 自动下发配置。
- 远程升级固件。
- 远程诊断与重启。
- 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:
- sip:alice@example.com
- sip:alice@example.com;transport=tcp
- sip:1001@10.0.0.1:5060
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:
- 长度统一,便于记忆与拨号规则编写。
- 号段预留,避免扩容时冲突。
- 功能码与外线前缀避免与分机号冲突。
- 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:
- 规则顺序决定匹配结果,先精确后模糊。
- 超时与最短位数要设置合理,避免拨号后长时间等待。
- 权限控制必须与规则绑定,否则形同虚设。
- 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:
- 终端侧:拨号规则本地处理。
- PBX:主叫与被叫号码改写、前缀增删。
- SBC:按策略做号码规范化、隐私屏蔽。
- 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:
- 终端本地:话机自身实现,如本地呼叫转移、免打扰。
- PBX 服务器:集中实现,配置统一下发。
- 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:
- 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。
- 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。
- 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:
- 一方发送 re-INVITE,SDP 方向改为 sendonly 或 inactive。
- 对方返回 200 OK,媒体暂停。
- 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:
- 每路解码后做电平归一化,避免音量差异过大。
- 活跃说话人检测,抑制背景噪声累积。
- 混音后重新编码,涉及转码开销,容量按转码路数计算。
- 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
- 处理器与内存:决定可支持的编解码数量与并发能力。
- 音频子系统:麦克风、扬声器、手柄、耳机接口,配合 AEC、NS、AGC。
- 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。
- PoE 模块:支持 802.3af 或 802.3at 供电。
- 显示与按键:LCD 或彩屏,可编程按键。
- 扩展模块:侧边扩展台、扩展按键面板。
- 安全模块:支持 TLS 的加密存储,用于保存凭证。
- 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:
- PoE 预算需按交换机端口累加,超出预算会导致端口不上电。
- 长距离网线会导致压降,超过 80 m 时需实测。
- 断电场景需要 UPS 或 PoE 交换机接 UPS,保证紧急呼叫可用。
- 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
- 手柄与免提的 AEC 参数不同,需要分别调优。
- 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。
- 耳机接口的阻抗与增益影响听感。
- 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:
- SDP 生成差异,例如是否携带 ptime、是否包含 telephone-event。
- 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。
- 对 183 与 PRACK 的支持差异。
- 对 REFER 与 re-INVITE 的处理差异。
- 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:
- 信令转换:SIP 与 ISDN、SS7、模拟信令之间的映射。
- 媒体转换:编码转换、采样率转换、回声消除。
- 号码处理:格式适配、前缀增删。
- 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:
- 信令映射:ISDN PRI 与 SIP 的呼叫流程转换。
- 编码转换:G.711 与运营商侧编码的适配。
- 回声消除:PSTN 侧四线到二线转换会产生回声,必须处理。
- 时钟:E1 需要从运营商侧提取时钟,避免滑码。
- 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:
- 存量模拟话机改造,避免整体更换。
- 传真机接入。
- 电梯、门禁、报警等专用设备接入。
- 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:
- 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。
- 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。
- 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
- 双机热备:主备网关共享配置与会话状态。
- 双归属:终端配置主备两个网关地址。
- 中继冗余:多条中继,主备切换。
- 故障检测:通过 OPTIONS 探测、注册状态、心跳。
- 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:
- 绑定过期清理机制。
- 多终端绑定与分支策略。
- 注册状态变更的事件通知(用于 BLF)。
- 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:
- 路由决策:根据请求 URI、DNS、注册数据决定下一跳。
- 认证与授权。
- 分支(forking)与响应聚合。
- 头部处理:Via、Record-Route、Max-Forwards。
- 负载均衡:多个后端之间分流。
- 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:
- 信令层:接收 SIP 呼叫,建立媒体会话。
- 媒体控制层:编排资源,如会议成员、播放列表。
- 媒体处理层:解码、混音、编码。
- 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
- 媒体服务器应靠近终端,减少时延。
- 录音存储独立,避免与媒体处理争抢 IO。
- 使用 SSD 或高性能存储。
- 网络接口建议 10 G 起步,大规模部署需多网卡绑定。
- 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:
- IVR 流程编排。
- 呼叫中心路由与排队。
- 语音信箱。
- 会议预约与管理。
- 点击拨号与 CRM 集成。
- 智能语音机器人。
- 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:
- 分机管理。
- 中继管理。
- 拨号计划。
- 补充业务。
- 语音信箱。
- 会议。
- 录音。
- 话单。
- 终端配置下发。
- 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:
- ACD(自动呼叫分配):按技能、优先级、空闲状态分配坐席。
- 排队与等待音。
- 坐席状态管理:就绪、忙碌、小休、事后处理。
- 弹屏与 CRM 集成。
- 质检与录音管理。
- 报表与实时看板。
- 外呼任务与预测式外呼。
- 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:
- 事件顺序与幂等性。
- 坐席工号与分机绑定关系。
- 断线重连与事件补偿。
- 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:
- 按分钟计费,通常向上取整。
- 按秒计费。
- 包月与套餐。
- 分级费率:本地、长途、国际、特殊号码。
常见问题:
- 时长为 0 的话单:未接通但产生了 INVITE。
- 重复话单:重传导致,需要去重。
- 时间不准:依赖 NTP。
- 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:
- 录音存储与索引。
- 按条件检索:时间、坐席、号码、关键词。
- 在线播放与下载。
- 转写与关键词提取。
- 质检评分与人工复核。
- 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:
- 服务器资源:CPU、内存、磁盘、网络。
- 服务状态:进程、端口、SIP 注册数。
- 呼叫指标:CPS、并发、成功率、失败原因分布。
- 媒体质量:丢包、抖动、MOS。
- 中继状态:占用率、可用通道。
- 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
- 终端配置模板管理。
- 按 MAC 或序列号绑定。
- 固件仓库与升级任务。
- 配置版本控制与回滚。
- 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:
- 语音 VLAN 独立,例如 VLAN 100。
- 数据 VLAN 独立,例如 VLAN 10。
- 交换机端口配置为 trunk,语音 VLAN tagged,数据 VLAN untagged。
- 话机配置语音 VLAN ID 与优先级。
- 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:
- 分类:识别语音流量,按 VLAN、DSCP、端口。
- 标记:设置 DSCP。
- 排队:语音进入优先队列。
- 调度:优先队列优先发送。
- 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:
- 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。
- 跨域时需要信任边界,避免外部伪造高优先级。
- 无线侧需要 WMM 与 DSCP 的映射。
17.3 路由器
语音相关能力:
- 队列调度与拥塞管理。
- 流量整形,避免突发打满上行。
- 策略路由,语音走专线。
- VPN:IPsec 或 SD-WAN,需评估时延与加密开销。
- 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:
- 信令端口固定,但媒体端口动态。
- SIP 消息中携带 IP,需要 ALG 或 SBC 处理。
- 状态检测对 UDP 的超时时间短,导致通话中断。
策略设计:
- 信令:允许终端到服务器的 5060/5061。
- 媒体:开放服务器侧的固定端口范围,终端侧使用动态端口。
- 会话保持:调整 UDP 超时时间,或依赖 OPTIONS 保活。
- 关闭 SIP ALG:多数场景下 ALG 弊大于利。
- 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:
- 改写了 SDP 但未同步改写其他字段,导致地址不一致。
- 对加密信令无效。
- 对分片消息处理错误。
- 重复改写,与 SBC 冲突。
- 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:
- 注册状态需要在集群内共享。
- 对话内请求必须回到同一节点(除非状态共享)。
- 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:
- 漫游切换导致短暂丢包。
- 信道争用导致抖动。
- 省电模式导致时延增加。
- 覆盖盲区导致断线。
优化措施:
- 专用 SSID 与 VLAN。
- 启用 WMM,语音走优先队列。
- 关闭低速率,减少空口占用。
- 合理部署 AP,保证覆盖与容量。
- 限制单 AP 的语音终端数量。
- 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:
- 隔离内外网络,隐藏核心拓扑。
- 统一处理 NAT 与防火墙穿越。
- 协议规范化,解决厂商差异。
- 安全防护与访问控制。
- 媒体锚定与控制。
- 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:
- 转码与加密会显著降低容量,需按实际业务组合测算。
- 媒体旁路比例影响实际负载。
- 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
- 主备模式:状态同步,故障切换。
- 双活模式:DNS 或负载均衡分流,需处理会话保持。
- 地理冗余:跨机房部署,应对机房级故障。
- 切换检测:基于心跳、OPTIONS 探测、注册状态。
- 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:
- 总部集中部署核心 PBX 与媒体服务器。
- 分支部署 SBC 或轻量网关,负责本地接入与出局。
- 集中管理平台统一下发配置。
- 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:
- 本地保留 SBC 或 SD-WAN,保证语音优先。
- 关键业务保留 PSTN 落地,避免全云依赖。
- 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:
- 信令服务无状态化,状态外置到数据库或缓存。
- 媒体服务按资源调度,支持弹性伸缩。
- 服务发现与负载均衡。
- 消息队列解耦呼叫事件与业务处理。
- 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:
- 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。
- 切换后已建立的通话是否保留,取决于状态同步的完整性。
- DNS 与客户端重试机制影响实际切换速度。
- 定期演练,验证切换真实可用。
19.7 媒体路径设计
三种模式:
- 直连(direct):终端之间直接传 RTP。时延最低,但 NAT 与安全难控。
- 锚定(anchored):媒体经过 SBC 或媒体服务器。可控性强,成本高。
- 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:
- 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。
- 确定编码。跨广域网用压缩编码,局域网用 G.711 或 Opus。
- 计算单路带宽,含协议开销。
- 乘以并发数,得到媒体总带宽。
- 加上信令、录音、监控、办公数据流量。
- 留出 30% 余量。
- 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:
- 标记:终端打 DSCP EF,信令打 CS3。
- 信任:接入交换机信任终端的标记,或自行重标记。
- 排队:每一跳都配置优先队列。
- 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
- 并发通话数。
- 每秒呼叫数(CPS)。
- 注册用户数。
- 会议并发方数。
- 录音并发路数与存储容量。
- 转码路数。
- 信令事务率。
- 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:
- 一台 Linux 服务器,具备公网或内网固定地址。
- 两台 SIP 终端或软终端。
- 可选:一条 SIP Trunk 账号。
22.2 步骤一:网络与系统准备
- 配置静态 IP。
- 配置 NTP,保证时间准确。
- 配置防火墙,开放信令与媒体端口。
- 关闭 SIP ALG(如经过路由器)。
- 确认 DNS 可用。
22.3 步骤二:安装软交换
以 FreeSWITCH 为例的思路:
- 安装软件包与依赖。
- 配置 SIP profile,设置监听地址与端口。
- 创建两个分机账号,设置密码。
- 配置拨号计划,实现分机互拨。
- 启动服务,检查端口监听。
以 Asterisk 为例的思路:
- 安装。
- 配置 sip.conf 或 pjsip.conf,创建分机。
- 配置 extensions.conf,编写拨号规则。
- 启动并检查日志。
22.4 步骤三:终端注册
- 在终端上配置服务器地址、端口、账号、密码。
- 观察终端状态是否显示已注册。
- 在服务器侧查看注册状态。
- 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
- 分机 A 拨分机 B。
- 观察是否振铃、是否接通、是否双向有声。
- 抓包验证:INVITE、200 OK、ACK、RTP 双向。
- 若单通,检查 SDP 地址与 NAT。
22.6 步骤五:接入中继
- 配置中继账号与服务器地址。
- 配置出局路由,把外部号码送到中继。
- 配置入局路由,把外部来电送到分机。
- 配置号码变换,符合运营商要求。
- 测试呼出与呼入。
- 检查主叫号码显示是否正确。
22.7 步骤六:基础业务配置
- 语音信箱。
- 呼叫转移。
- 会议桥。
- 录音。
- 话单输出。
22.8 步骤七:质量与安全加固
- 启用 TLS 与 SRTP。
- 关闭不需要的方法。
- 设置注册与呼叫频率限制。
- 配置强密码。
- 配置日志与监控。
- 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:
- 界定范围:单用户、单站点、单型号、全网。范围决定方向。
- 分层验证:物理与接入、IP 可达、信令、媒体、应用。
- 二分定位:在路径中间点抓包,判断问题在前段还是后段。
- 对比验证:与正常案例对比,找出差异项。
- 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
- 统计 → 会话:查看 RTP 流与会话。
- 电话 → VoIP Calls:自动识别 SIP 呼叫,可查看流程图与质量指标。
- 电话 → RTP → 流分析:查看丢包、抖动、序列号缺口。
- 电话 → RTP → 播放流:直接听取媒体内容,验证编码与音质。
- 专家信息:快速发现畸形报文与重传。
- 跟随 UDP 流:查看完整的 RTP 包序列。
23.5 抓包文件分析流程
- 打开文件,先用专家信息看异常。
- 用 sip 过滤器查看信令交互顺序。
- 找到目标 Call-ID,过滤出完整对话。
- 查看 INVITE 与 200 OK 中的 SDP,确认编码与地址。
- 依据 SDP 中的地址与端口过滤 RTP。
- 统计 RTP 包数、序列号缺口、时间间隔。
- 如有需要,播放音频确认内容。
- 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:
- 终端是否能解析服务器域名。
- 终端是否发出 REGISTER。抓包确认。
- 服务器是否收到。在服务器侧抓包。
- 若收到但返回 401,检查凭证。
- 若返回 403,检查 IP 白名单与策略。
- 若返回 404,检查账号是否存在。
- 若超时无响应,检查端口与防火墙。
- 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:
- 确认被叫号码与路由规则匹配。
- 检查 INVITE 是否发出。
- 检查是否收到 100 Trying。
- 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。
- 若 488,检查双方编码列表是否有交集。
- 若 408 或超时,检查下一跳可达性。
- 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:
- 抓两端包,确认双向是否都有 RTP。
- 若一方未发包,检查该端 SDP 中的地址与端口。
- 检查 NAT 映射与 SBC 锚定。
- 检查方向属性 sendonly、recvonly 是否被错误设置。
- 检查防火墙是否只放行了一个方向。
- 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:
- 统计 RTP 序列号缺口,计算丢包率。
- 查看包间隔分布,计算抖动。
- 检查是否突发丢包。
- 检查链路带宽是否打满。
- 检查 QoS 是否生效。
- 检查抖动缓冲配置。
- 检查是否经过多级转码。
- 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:
- 判断回声来源:本地终端、对端终端、PSTN 网关。
- 让一端使用耳机,若回声消失,说明是本地声学回声。
- 检查 AEC 是否启用,参数是否合适。
- 检查扬声器音量是否过大导致失真。
- 检查是否为网络侧回声(网关四线二线转换)。
- 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:
- 检查会话定时器是否启用与刷新。
- 检查 NAT 映射超时时间。
- 检查防火墙 UDP 会话超时。
- 检查是否有 BYE 由一方主动发出。
- 检查服务器是否因资源不足主动释放。
- 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:
- 检查 rtpmap 中的采样率。
- 检查 RTP 时间戳增量是否与采样率匹配。
- 检查 G.722 是否被误按 8000 处理。
- 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:
- 检查 SDP 是否协商 telephone-event。
- 检查 PT 编号是否一致。
- 检查采样率是否与主编码匹配。
- 检查 SBC 是否过滤了该 PT。
- 检查 IVR 是否配置了正确的 DTMF 检测方式。
- 若使用 INFO,检查 Content-Type 与格式。
23.7 日志分析
日志层级:
- 终端日志:注册、呼叫、媒体统计。
- PBX 日志:路由决策、认证、错误码。
- SBC 日志:会话建立、协议改写、拒绝原因。
- 网关日志:中继事件、信令映射。
- 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
- 确定单机容量上限。
- 验证高并发下的稳定性。
- 验证故障切换。
- 找出瓶颈组件。
- 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:
- 发送 INVITE。
- 接收 100 Trying。
- 接收 180 Ringing。
- 接收 200 OK。
- 发送 ACK。
- 保持一段时间。
- 发送 BYE。
- 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
- 逐步加压,观察拐点,而不是直接打满。
- 分别测试不同业务:注册、呼叫、会议、录音、转码。
- 区分信令压力与媒体压力。
- 记录每个压力档位的资源占用与成功率。
- 压测环境尽量接近生产,包括网络时延与防火墙。
- 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:
- 基础设施层:主机、网络、存储。
- 服务层:进程、端口、注册数、呼叫数。
- 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
- 分级:紧急、重要、一般、提示。
- 去重与收敛:同一根因只告警一次。
- 抑制:维护窗口内抑制。
- 升级:未处理则逐级通知。
- 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
- RTCP 采集:在 SBC 或媒体服务器侧解析 RTCP,汇总丢包、抖动、RTT。
- RTP 探针:旁路镜像流量,实时计算质量。
- 终端上报:部分终端支持质量数据上报。
- 主动探测:定期发起测试呼叫,测量端到端质量。
- 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
- 主备切换:断开主节点,验证切换时间与通话影响。
- 中继故障:禁用主中继,验证备用路由。
- 网络抖动:注入时延与丢包,观察质量与自适应能力。
- 注册风暴:批量重启终端,观察服务器负载。
- 存储故障:模拟磁盘满,验证录音降级策略。
- 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:
- 媒体采集:getUserMedia,访问摄像头与麦克风。
- 媒体传输:RTCPeerConnection,负责编码、加密、传输、拥塞控制。
- 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:
- 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。
- 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
- 认证基于 ISIM 与 AKA,不使用用户名密码。
- 信令强制加密与完整性保护。
- 媒体使用 AMR-WB 或 EVS,质量优于窄带。
- QoS 由网络侧保障,专用承载。
- 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:
- ASR 识别用户语音。
- NLU 理解意图。
- 对话管理决定回复。
- TTS 合成语音。
- 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:
- 信令无状态化,状态外置。
- 媒体处理下沉到边缘节点,降低时延。
- 服务网格与可观测性标准化。
- 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
- 全链路加密成为默认,而非可选项。
- 零信任架构,终端与服务器双向认证。
- 基于身份的路由与策略,替代基于 IP 的信任。
- 异常检测与自动封禁,应对盗打与扫描。
- 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
- 先 ping 通,再查端口,再查信令,最后查媒体。
- 两端抓包,比较差异。
- 用 G.711 排除编码因素。
- 用内线排除中继因素。
- 用同一网段排除网络因素。
- 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。