基于聲網的音視訊SDK和FreeSWITCH開發WebRTC2SIP Gateway 方案和思路（一）

為什麼做這個?

今年初接到一個項目任務，客戶要求在自己的音視訊平台系統中內建webrtc功能(原系統是基于SIP協定開發的，已經穩定運作多年，有很多客戶)。在比對了多家RTC産品的效果後，他們對聲網音視訊DEMO效果後非常滿意，指定要求用聲網的SD-RTN傳輸網絡，全面改造用戶端軟體。據客戶實測，在某些國家和地區，同樣網絡環境下比微信要好很多，比如在東非和中國之間語音通話，延遲很小、聲音也更清晰。

話不多說，先列下客戶要求和目前産品的問題：

1.要求全面改造Android、IOS、Windows、MacOS、Web版5個平台的用戶端軟體，原來的用戶端分别是基于Pjsip、Linphone、Sipjs開發的；

2.要求在網絡環境差的地方，也能滿足清晰語音通話的要求（聲網專為此而生）；

3.最小侵入性，盡量不改變伺服器端的系統功能，實作客戶無感更新；

4.解決SIP協定經常碰到丢包、被過濾UDP等無法呼叫，或者呼叫聽不清的問題；

5.解決SIP伺服器經常被嘗試攻擊呼叫、惡意掃描注冊攻擊等行為，提高系統穩定性；

6.實作WebRTC協定和SIP協定的雙向互通，既要相容SIP呼叫，支援RTC用戶端送呼叫到SIP Server，也要支援SIP Server呼入到用戶端軟體（在聲網的音視訊實時傳輸網傳輸）。

其實剛接到需求的時候，大家一起讨論分析過，覺得這種項目看着有不少預算，但是要做的是全平台的用戶端，開發任務繁重，要考慮的細節也比較多，沒準是個坑，能不能達到客戶期望難說，多數同僚不建議做。然後在上司和客戶一起去happy一晚後，這活兒不知道怎麼就接了下來(⊙ˍ⊙)

老闆理由很簡單，這也不做那也不做，那我們可以做什麼？如果誰都能做，客戶還會找我們嗎？ 那就幹吧，馬上行動，各種查資料，翻閱聲網的技術開發文檔，并咨詢聲網的技術同學。2天後拿出了初步方案。

解決思路：

1、自己寫信令子產品，保持靈活性，簡單實作：開發TCP Server承擔信令伺服器；

2、核心是開發一個SIP2WebRTC/WebRTC2SIP協定轉換網關，維護一個狀态機;

3、開發音視訊編解碼處理器，解決聲網語音和SIP語音編碼互通；

4、開發一個狀态管理子產品，SessionManger，以維護用戶端的狀态IP+端口；

5、結合聲網的音視訊SDK，內建自己的信令子產品，實作和WebRTC2SIP 子產品通訊；

6、自定義常見的SIP呼叫信令，供各平台用戶端保持一緻。

常用的SIP 信令有：1注冊、2呼叫、3接聽、4挂斷、5拒接、6取消、7Hold、8DTMF、9使用者未反映、10使用者離線、11Transfer、12會議(我簡單介紹前面的6個)

我們暫且把這個系統命名為 WebRTC2SIP Connector 或者SIP2WebRTC Connector吧。至于為什麼這麼叫，我也不知道，可能叫XX Gateway的太多了，不這麼叫顯不出聲網的SD-RTN有多牛X，我是他爹，想叫什麼都可以。

理清思路後，我們需要确認幾個核心問題：

1、 以哪個平台的SDK為基礎開發這個WebRTC2SIP Connector 核心子產品？

2、 Agora SDK是否支援多并發呼叫？

3、 聲網的語音編碼格式和視訊編碼格式是什麼？采樣率多少？

4、 SIP客戶測有沒有什麼具體的編碼要求？客戶可接受固定一個語音編碼，我選擇PCMA

這裡特别感謝一下聲網，對我們這種小衆需求做出了快速響應，也感謝聲網技術支援同學Nemo，專門來到公司交流了幾個小時，并分享了一些技術資訊。

他建議我們：

1、 用Agora Windows SDK 或者 Linux SDK 開發協定轉換子產品；

2、 2個SDK都支援多并發呼叫；

3、 語音是pcm格式，視訊是yuv格式；采樣率是48khz

到這裡心裡有數了，簡要文字描述下大概流程就是：

1、各用戶端SDK啟動的時候，發起TCP連接配接，登入TCP Server信令伺服器, WebRTC2SIP轉接子產品初始化也發起TCP連接配接登入TCP Server ，由TCP Server記錄大家的UID，IP和端口等資訊。

2、呼叫的時候，申請一個房間号，并根據自定義信令格式發起calling 封包，TCP Server收到後，轉發給轉接子產品WebRTC2SIP ，WebRTC2SIP收到後建立1個線程，解析封包，并啟動聲網的SDK，加入指定房間号，開始讀取音頻流程，同時啟動線程，封裝SIP标準封包，發起sip invite請求給電話伺服器SIP Server; SIP Server收到呼叫請求就去呼叫被叫電話号碼，并傳回ring振鈴信号；WebRTC2SIP收到振鈴信号，封裝自定義的振鈴資訊給用戶端SDK，被叫接聽後，WebRTC2SIP，啟動Media Coder開始解析媒體流，并resample 後，寫入到聲網的房間裡面。實作語音通話。描述個大概，相信能看明白。

3、從SIP呼入到聲網的SDK，大同小異，反過來。

這裡要注意：

1、每個終端都要自定義編号；

2、每個呼叫都要加入聲網的房間channel 實作音視訊互通；

3、因為編碼不一樣，是以需要resample 這個很重要，不要接通了沒有聲音，雙方不比對。

4、WebRTC2SIP 子產品要多線程方式處理，以實作并發呼叫；

5、WebRTC2SIP 子產品要維護一個完整的狀态機，給每個通話加唯一編号，不至于出錯。

到現在我們講清楚了大概的解決方案和技術思路，看到這裡，各位客官應該明白了，其實這個做起來沒啥難度，至少現在看來是這樣的。