[Media] 影音傳輸-傳輸方式與通訊協定
以下內容完全為整理自 30 天之即時網路影音開發攻略(小白本) by 我是小馬克 @ iThome 的筆記，無原創內容。
影音資料的傳輸
方法一：將檔案直接透過網路丟給對方
- 透過 AirDrop 直接把檔案丟到別人的電腦
- 先上傳到雲端空間，產生連結後給他人下載
- 缺點：全部下載完才能開始聽或看影片
方法二：以串流的方式傳送給對方
- 將資料切成一段一段傳出去，使用者可以一邊下載一邊觀看
- 不會花費使用者的儲存空間，串流的檔案會儲存在使用者的緩衝記憶體中，播完後即捨棄
- 傳統的影音檔由表頭和表身組成，通常需要在所有資料都傳輸完成後，才可以根據表頭知道這個影音的編碼為何，解碼完後才可以開始觀看。
- 串流的影音則需要先透過伺服器轉成「流容器」，流容器的一個檔案中包含多塊的表頭和表身，每次傳輸的資料都同時包含了表頭和表身，因此可以一邊傳送檔案一邊觀看影音。
方法三：即時影音傳輸（直播、視訊通話）
基本的原理和串流傳輸相同，但同時需要使用「推流傳輸協議」，例如 RTMP（Real Time Messaging Protocol —即時訊息協定），影音錄製這端會一小段一小段的上傳，使用者也是一小段一小段的取得。
常見的網路傳輸協定（Communications Protocol）
**通訊協定（Communications Protocol）**簡單來說就是溝通的雙方約好要「如何進行溝通」的規定。
特點整理
| 協議 | 傳輸層選擇 | 聲音編碼 | 影像編碼 | 延遲性 |
|---|---|---|---|---|
| RTSP | RTP、TCP、UDP | RTP 可支援的都行 | RTP 可支援的東行 | 低 |
| RTMP | TCP | AAC、MP3 | H.26X 系列 | 低 |
| HLS | TCP (因為它是用 HTTP ) | AAC、MP3 | H.26X 系列 | 高 |
| HTTP-FLV | TCP (因為它是用 HTTP ) | AAC、MP3 | H.26X 系列 | 低 |
| MEPG-DASH | TCP (因為它是用 HTTP ) | 沒啥限制，不過 AAC 用比較多 | H.26X、VPX 系列 | 高 |
支援度
| 協議 | 支援度 web html5 | 支援度 ios | 支援度 mac | 支援度 android |
|---|---|---|---|---|
| RTSP | 不支援，需使用套件。 | 不支援，需使用套件。 | 不支援，需使用套件。 | 不支援，需使用套件。 |
| RTMP | html5 不支援，需使用套件。 | 不支援，需使用套件。 | 不支援，需使用套件。 | 不支援，需使用套件。 |
| HLS | 支援 | 支援 | 支援 | 支援 |
| HTTP-FLV | 支援 (flv.js) | 不支援，需使用套件。 | 不支援，需使用套件。 | 不支援，需使用套件。 |
| MPEG-DASH | 支援 (dash.js) | 不支援，需使用套件。 | 不支援，需使用套件。 | 不支援，需使用套件。 |
30-18 之影音傳輸協議總整理 by 我是小馬克 @ iThome
TCP/IP 通訊協定
TCP/IP 是一組協定套組，主要是為了讓電腦可以在網路上進行端點和端點間的溝通，TCP/IP 總共可以分成四個層級，每個層級又有各自的協定來完成某些事情。更詳細的說明可以參考 [[網際網路] TCP/IP 階層模型基礎](/Users/pjchen/Projects/Notes/source/_posts/Internet-MIS-IS/[Internet] TCP_IP 階層模型基礎.md) @ 筆記
TCP/UDP 協定：一般檔案傳輸
屬於傳輸層的協定，更詳細的說明可以參考 [[網際網路] TCP/IP 階層模型基礎](/Users/pjchen/Projects/Notes/source/_posts/Internet-MIS-IS/[Internet] TCP_IP 階層模型基礎.md) @ 筆記
RTP/RTCP 協定：傳輸串流媒體
因為在 UDP 協定中只定義了來源端和目的端的 port，但是並沒有定義需要使用的解碼方式，因此出現了即時傳輸協定（RTP, Real-time Transport Protocol）。
RTP 和 TCP/UDP 協定一樣屬於傳輸層，其重點在於端點到端點間的串流媒體傳輸，定義了傳輸串流媒體的封包標準（參數標準），它本身就可以算是一種流容器，但只適用於無損編碼，目前廣泛用於網路電視和網路會議。
RTP 通常是搭配 TCP/UDP 使用，封包會像是這樣子：
RTP 表頭 + UDP/TCP 表頭 + 表身(就是資料)
詳細的封包組成在這 30-12 之 RTP/RTCP 傳輸協議 @ iThome by 我是小馬克
因此會有（目前 RTP 多是搭配 UDP 使用）：
- RTP over UDP：效率較好但品質較差
- RTP over TCP：效率較差但品質較好
其中在 RTP 的標頭中會包含：
| bit | field | describe |
|---|---|---|
| 2 | V (Version) | 用來說明使用的 RTP 版本 (default 為 2)。 |
| 1 | P (Padding) | 為 1 的話，就會在最後面的 payload 後面加填充位置。 |
| 1 | X (Extension) | 為 1 的話，就代表存在 header 的擴展。 |
| 4 | CC (CSRC count) | 用來記錄 CSRC 的數量。(csrc 後面會說)。 |
| 1 | M (Marker) | 配置文件定義。 |
| 7 | PT (payload type) | 就是說明你要傳輸的語音視頻的編碼是啥 (ex. H.264, PCM)。 |
| 16 | Sequence Number | 每發送一個封包就 + 1 ，接受端可以用它來判斷封包順序。 |
| 32 | Timestamp | 時間戳，用來記錄採樣第一個 bit 資料(音視頻)的時間。 |
| 32 | SSRC (Synchronization source) | 記錄封包的發送方，它只是隨機的從 md5 隨機演算法中選取，然後在同一個視頻會議中，不會有相同的 ssrc 值。 |
| (0~15) X 32 | CSRC (Contributing source) | 記錄這所有參於方的來源之 ssrc。 |
同步來源（SSRC, Synchronization source)：也就是建立媒體的來源，即使同一個 IP 位址但不同的輸入裝置（例如麥克風），仍然會有不同的 SSRC 值CSRC (Contributing source)：存放了組成這個 RTP 流的所有 SSRC，也就是由多個輸入裝置（麥克風、攝影機）所組成
因為 RTP 本身並不保證串流中間有沒有封包遺失，而只是負責傳送，因此為了確保 RTP 的**服務品質（Qos, Quality of Service）**而有了 RTCP (RTP Control Protocol)。
其中的標頭如下：
| bit | field | describe |
|---|---|---|
| 2 | Version | RTP 的版本號，預設為 2 。 |
| 3 | P (padding) | 在最後的位置增加空間，大部份都是給加密使用的地方。 |
| 8 | RC | 接受方報告的數量。 |
| 16 | Packet Type | 用來判斷這個封包是那一種 RTCP 類型。 |
Packet Type 又可以分為：
| code | type | describe |
|---|---|---|
| 200 | SR（Sender Report） | 發送方的報告 |
| 201 | RR（Receiver Report） | 接受方的報告 |
| 202 | SDES（Source Description Items） | 來源端 |
| 203 | BYE | 結束 |
| 204 | APP（Application） | 特定應用 |
在 RTCP 協議中：
- 「接收方」每收到一個 RTP 封包時就會產生 RR 報告（包含 SSRC 和流失率）
- 「發送方」每傳出一個 RTP 封包時則會發出 SR 讓接收方知道發送方的資訊。
- 標頭中的 SDES（Source Description Items） 則會給出會議參與者 的描述，包含參與者的規範名稱（CNAME, Canonical NAME），也就是機器的別名，與會者只需要使用別名就可以找到發送者。
RTSP 協定：操作串流媒體
**即時串流協定（RTSP, Real Time Streaming Protocol）是設計來讓客戶端（Client）與伺服器端（Server）針對串流媒體進行溝通，以此控制串流媒體伺服器的協定，像是快轉或暫停影片，在 RTSP 中定義了控制串流媒體的方法和參數，當伺服器接收到這些動作後，就會以此傳輸影片給使用者。目前很多東西仍不支援這種協定，它多用在隨選視訊（VOD, video on demand）**和視訊會議。
RTSP 用於伺服器和客戶端間的溝通實例可以回到原本的文章 30-13 之 RTSP 傳輸協議 觀看。
RTSP 只處理串流的控制，並不會去管用什麼方式傳輸，但一般來說會使用 RTP over UDP 或 UDP 來傳輸。
RTMP 協定：Adobe 專為 flash 設計
**即時訊息協定（RTMP, Real-Time Messaging Protocol）**是 Adobe 所開發，設計來讓 Flash 與媒體串流伺服器進行溝通。
HLS 協定：透過 HTTP 傳輸串流媒體
HLS (HTTP Live Streaming) 由蘋果公司提出，在此之前大部分的媒體串流傳輸都是由 Adobe 的 RTMP 所掌控，其最重要的功能是讓 client 和 server 可以透過 HTTP 進行媒體串流的傳輸，在這個協定中會將媒體切成許多的小檔案，client 則透過一個一個發 http 請求去下載。
HTTP Live Streaming Overview @ Apple Developer
協定內容
在 HLS 協定中，會將影音轉成兩種檔案：
.m3u8：這是一個索引檔，裡面記錄了一段影音，被分割成哪些檔案存放.ts：這是實際的影音檔，而且也是流容器，因此可以一邊播放一邊下載
傳輸方式
若 client 想要聽這一段聲音，他會先向 server 發送 .m3u8 的檔案請求，如此 Server 會回傳 .m3u8 的檔案，client 則會遵循 HLS 協定去取得 .m3u8 中所定義的 .ts 檔。
.m3u8 檔案的內容會像這樣：
#EXTM3U
#EXT-X-VERSION:3
#EXT-X-TARGETDURATION:5
#ID3-EQUIV-TDTG:2016-11-26T02:40:23
#EXT-X-MEDIA-SEQUENCE:376
#EXT-X-TWITCH-ELAPSED-SYSTEM-SECS:1511.137
#EXT-X-TWITCH-ELAPSED-SECS:1508.980
#EXT-X-TWITCH-TOTAL-SECS:1535.137
#EXTINF:4.000,
index-0000000377-6zCW.ts
#EXTINF:4.000,
index-0000000378-vHZS.ts
#EXTINF:4.000,
index-0000000379-Gkgv.ts
#EXTINF:4.000,
index-0000000380-PNoG.ts
#EXTINF:4.000,
index-0000000381-h58g.ts
#EXTINF:4.000,
index-0000000382-W88t.ts
其中比較重要的是 EXTINF 的部分，這裡表示總共有 6 支 .ts 檔，每個 .ts 檔有 4 秒，因此這部影音一共有 24 秒。
HLS 的缺點：延遲問題
HLS 有比較嚴重的延遲問題，如果是點播已存在的影音檔案沒有太大的問題，但若是即時通訊與直播的話，直撥主講話後可能要 10 秒後聽眾才聽得到，但相對的畫面不會卡頓。
調整片段的數量與長度
每個 .ts 檔的長度是可以調整的，如果把每個片段都切成很小的長度，如此延遲的時間會少非常多，但伺服器的負擔卻會加重，非常不建議使用。因此要做直播或很在意延遲的話，應直接放棄 HLS。
支援的編碼格式：H.264, AAC, MP3
HLS 支援影像編碼為 H.264、聲音編碼為 AAC 和 MP3。
HTTP-FLV 協定：減少 HLS 延遲的情況
由於 HLS 有比較嚴重的延遲問題，HTTP-FLV 則試著用 HTTP 完成低延遲的媒體串流傳輸，它在 HTML5 的支援度佳，且延遲性較 HLS 優，是目前直播主流用的通訊協定。透過 HTTP-FLV 協定，直播主這端會用任何形式（例如 RMTP）將影音傳送到 server，server 會將此影音轉成 FLV 容器，而 client 則透過 HTTP 來請求這個影音，server 則使用「HTTP 流式傳輸」的方式將影音一段一段丟給 client。
目前支援的影像編碼包含 H.264、聲音編碼包含 AAC, MP3，使用的 則是 .flv 流容器。
HTTP 流式傳輸
在 HTTP 流式傳輸的情況下，當 client 發送 HTTP 請求後，server 會先回傳許多的 TCP 小封包，當判斷是最後一包時，就會回傳 HTTP response，裡面包含有 TCP 中最後一段資料。這種做法會在 HTTP 的 response header 中加上，如此 HTTP response 就會變成一段一段：
Transfer-Encoding: chunked
Node.js 的 http 本身如果不執行
res.end()這一段，它就會自動的幫你在 response header 中加 chunked。
MPEG-DASH 協定：HLS 的替代版
keywords: .mpd, .ts, .mp4
由於 HLS 是由蘋果所主導，並不算國際通用協定，一切必須聽從蘋果的指示，因此在許多大廠的合作下即產生了「動態自適應流（DASH, Dynamic Adaptive Streaming over HTTP）」。它的作法和概念與 HLS 幾乎一樣，都是將影音切成許多小檔後，請 client 發 http 一個一個下載，它支持任何的編碼格式，例如， H.26X 或 VPX。目前主要由 Youtube 和 Facebook 使用。
DASH 會產生副檔名為 .mpd 的索引檔，裡面記錄了這段影音一共由哪些小檔案所組成，client 則根據這個檔案來得知要抓取哪些檔案。DASH 可以將原本的影音檔切成多段 .ts 或 .mp4 的流容器，並且支援動態碼率，因此可以根據使用者的狀態提供不同解析度的影音（例如 1080p, 720p）。
mpd 索引檔
這是一份類似 XML 的檔案，裡面會包含這些資訊：
Period：一部影音可以有多個 Period，用來表示不同的場景或曲目，或用來穿插廣告，這中間描述該 Period 的時間。AdaptationSet：用來說明這個媒體流的資訊。ContentComponent：說明此媒體留屬於影片（video）或聲音（audio）Representation：用來表示不同的螢幕大小或碼率，DASH 可以根據使用的狀態抓取不同解析度的影音，例如，1080p或720pSegmentBase：實際的檔案
.mpd 的內容會像這樣
<MPD xmlns="urn:mpeg:DASH:schema:MPD:2011" mediaPresentationDuration="PT0H3M1.63S" minBufferTime="PT1.5S" profiles="urn:mpeg:dash:profile:isoff-on-demand:2011" type="static">
<Period duration="PT0H3M1.63S" start="PT0S">
<AdaptationSet>
<ContentComponent contentType="video" id="1" />
<Representation bandwidth="4190760" codecs="avc1.640028" height="1080" id="1" mimeType="video/mp4" width="1920">
<BaseURL>car-20120827-89.mp4</BaseURL>
<SegmentBase indexRange="674-1149">
<Initialization range="0-673" />
</SegmentBase>
</Representation>
</AdaptationSet>
<AdaptationSet>
<ContentComponent contentType="audio" id="2" />
<Representation bandwidth="127236" codecs="mp4a.40.2" id="6" mimeType="audio/mp4" numChannels="2" sampleRate="44100">
<BaseURL>car-20120827-8c.mp4</BaseURL>
<SegmentBase indexRange="592-851">
<Initialization range="0-591" />
</SegmentBase>
</Representation>
</AdaptationSet>
</Period>
</MPD>
參考資源
- 30 天之即時網路影音開發攻略(小白本) by 我是小馬克 @ iThome
- 30-10 之通訊協議的基本常識：說明 TCP/IP 通訊協定
- 30-11 之 TCP 與 UDP 協議：說明 UDP 和 TCP 中的建立連線（三次交握）和斷線（四次揮手）
- 30-12 之 RTP/RTCP 傳輸協議：說明為什麼需要 RTP/RTCP 即其封包內容
- 30-13 之 RTSP 傳輸協議：透過 RTSP 傳輸協議來控制串流媒體的動作。
- 30-14 之 RTMP 傳輸協議：RTMP 為 Adobe 設計來透過 flash 與伺服器進行溝通的方式。
- 30-15 之 HLS 傳輸協議：HLS 協議會使用
.m3u8的索引和.ts的檔案傳輸，適合影音串流播放，但延遲性高，不適合用於直播。 - 30-16 之 HTTP-FLV 傳輸協議：透過 HTTP-FLV 傳輸協定來減少 HLS 在傳輸時的延遲問題，適合用於影音串流直播。
- 30-17 之 MPEG-DASH 傳輸協議：算是 HLS 的國際標準版，但仍沒有 HLS 這麼普及。
- 30-18 之影音傳輸協議總整理