IP网络会议电视语音实时性的改进方法

      一、引言
      会议电视是利用电视和通信网召开会议的一种通信方式。在召开电视会议时，处于两地或多个不同地点的与会代表，既可以听见对方的声音，又能看到对方的形象，同时还能看到对方会议室的场景，以及在会议中展示的实物、图片、表格、文件等，缩短了与会代表的距离，增强了会议的气氛。Internet的发展使得IP网络普及到社会的每一个角落，现代的语音通信网络、视频通信网络及数据通信网络将最终汇集到统一的IP网络上。在此背景下，ITU-T先后制定了H.323、H.323v2、H.323v4草案。1998年4月正式通过H.323标准，把多媒体通信标准的制订转向IP网，对于服务质量的问题也提出相应的措施。于是，H.323终端将成为多媒体通信终端设备的主体。基于IP网络的会议电视系统也随之出现，成为会议电视技术发展的最新方向。
      二、IP网络会议电视的系统组成
      基于IP网络的会议电视系统由会议终端(Terminal)、网关（Gateway）、网闸（Gatekeeper）、多点处理单元（MCU）等组成。一个完整的IP会议系统可用图1来说明。图1 基于IP的会议电视系统的组成
1.IP会议电视终端
      终端设备是会议电视系统与用户交互接口，其原理可用图2来说明。
      T.120数据应用是指电子白板、静态图像传输、文件传输、数据库接入等远程网络应用。系统控制部分为终端的正确工作提供信令，它包括呼叫控制、终端性能协调、指示和确认信令（RAS）等。
      H.255层的功能是将待传输的视频、话音、数据和控制流分别打成各自特定的数据包，送至网络接口层，由网络接口层将这些数据打包成网络能识别的IP数据包进行传送。图2 会议电视终端原理
2．网关
      网关是连接IP会议终端与其他非IP网络（如ISDN）会议终端的桥。因此，网关从IP网络的角度看来是一个IP设备，而从ISDN一端的角度来看，它又像是一个ISDN终端。如果所有与会终端都在IP网络中，则网关是一个可选设备。网关的原理可用图3来简要说明。图3 网关原理
3．网关管理器
      网关管理器是网络中的消息控制中心，它可以进行地址解析、授权、身份验证和保留呼叫详细记录等操作。网关管理器还可以像实时网关一样监控网络、平衡负载、管理带宽、以及提供与现有系统的接口。这些功能对网络管理至关重要，例如网关管理器可防止视频会议占用所有带宽，从而保留一些带宽给其他的关键应用。网关管理器是IP会议电视系统中的可选软件组件。
4．多点处理单元（MCU）
      对于三个以上端点的视频会议，则需要有多点控制单元的加入。MCU负责协调与各终端的媒体交互能力，并完成终端不能实现的功能：声音合成、图像选择、通过网桥连接的不兼容终端交互码流交换。另外，MCU在多方会议系统中还能提供会议主席控制和声音启动，并且实现与会者参加和退出会议。
      MCU由两部分组成：多点控制器（MC）和多点处理器（MP），前者对多点会议提供会议控制功能，它完成各终端之间的性能协商工作，并决定会议的操作模式。后者负责接收来自各与会终端的话音、视频和数据流，并对这些媒体流进行处理后送至各终端。
      三、IP网络会议电视系统的会议过程
      一次完整的会议通信过程，包括以下5个阶段。
1.呼叫建立
      参加会议的终端，首先需要在网闸处注册，以决定其对网络的访问权限及可使用的带宽。会议呼叫由MCU发起。MCU逐个呼叫所有参加会议的终端，建立握手信号后，终端和MCU之间建立起一条会议控制的通道，通过网络的可靠传送协议来保证控制信令传送的正确性。
2.通信初始化及终端性能的协商
      MCU选择会议通信模式，并依据事先指定或各终端的申请将其分为主席会场、对话会场和听众会场（听众会场只接受来自MCU的数据流）。终端性能协商是依据各终端的性能参数来选择视频和话音的编解码方式。所支持的最基本视频编解码方式是H.261，话音编解码方式为G.711。
3.视频、音频通信的建立
      MCU为各终端分配视频流、音频流、数据流端口号，并获取相应终端对应端口，建立起两者之间的双向通信信道。对视频流和音频流将使用非可靠传送协议UDP，而数据流则以可靠传送协议TCP来进行。
4.会议服务
      实现H.245会议控制过程，即MCU和终端间的视频切换过程、模式切换过程、信息流的广播过程和主席控制过程。
5.会议结束
      终端发出退出会议申请，由MCU确认同意，终端关闭视频、音频通道，随后关闭控制通道，终止会议。
      四、IP网络会议电视的主要问题——实时性
      在IP网上进行视频、音频、数据的传输必须保证传输数据流的连续性，也就是说数据传输的实时性。
      实时通信的要求与那些高速但非实时的通信的要求是不相同的。对于传统的互联网应用，如文件传送、电子邮件、客户服务器应用等等，我们关心的性能指标通常是吞吐率和时延。另外我们对可靠性也有要求，因此采取了有关机制确保数据在传送中不被丢失、损坏或失序。与此不同，实时应用更关心定时的问题。在绝大部分情况下，都要求数据以等于发送速度的恒定速率传送给对方。在另外一些情况下，每个数据块都有一个最后时间，超过了这个时间数据就不再有用。
      与实时语音通信有关的QoS（服务质量）包括带宽、延时和丢失率三个方面：
1.带宽。
      为使语音质量不至于太差，需要保证在任何情况下语音传输都能获得一定带宽。但是IP网络不提供这样的保证，而且由于传统路由器不提供拥塞控制功能，因此过大的语音流量将导致路由器的拥塞雪崩，使传输效果迅速恶化。
2.延时和抖动。
      实时语音传输要求端对端时延不能太大，一般时延在50ms以内，人耳基本无法分辨；时延在50～200ms之间，人耳可以感觉到话音的间隔存在，对语义的理解和交流影响并不大；一旦时延超过200ms，将严重影响通话质量。较时延而言，时延抖动对语音质量的影响更大。固定的时延可能只是干扰人们谈话的节奏，而时延抖动就会在通话之间产生随机的中断，尤其是对无连接的网络来说，严重的时延抖动将会带来数据包的失序问题。而当前的IP网络无法满足时延和抖动方面的要求。
3.丢失。
      包丢失将会降低接收端的语音质量，严重的包丢失将会导致语音无法理解。因此，IP上的实时语音通信需要丢包率小于一定的值，但目前IP网的丢失率太高，不可能保证语音质量。
      所以，要改进IP网络会议电视的语音实时性，应综合考虑以下几点：
1.可以通过提高语音压缩算法质量节省传输带宽，当然包括有损压缩，牺牲音质，提高语音流畅度。
2.采用网络策略，包括预留带宽、拥塞控制等。
3.由于IP承载的语音业务的QoS涉及很多方面，一则是终端的处理方式和能力，二则是网络传输的效率和质量，所以需要从多个角度考虑这个问题。
      五、IP网络会议电视语音实时性的改进方法
      本方案从语音编码、网络、终端以及系统控制几个角度分别加以改进，以提高IP网络会议电视系统中的语音实时性。
1.语音Codec
      Internet语音编码在保证一定质量的前提下应考虑下面两个方面：
1.速率尽可能低（高压缩比），以节省Internet带宽资源；
2.算法复杂度要小，以保证实时性。
      基于这个思想，可以采用语音编码器VADPCM。这是一种改进的ADPCM编码器，输出平均21kbit/s的可变码率。
      语音信号的采样率为8kHz，对每一采样按u律（和微软标准一致）压扩量化为8位的64kbit/s的数字信号，以此作为编码器的输入。
      VADPCM编码算法将预测值限定为256级，即预测值在（－128，127）之间。然后将ADPCM的输出再进行16级、最长码为8位的哈夫曼编码，输出变速率的码流。在该算法中，取u＝255，实现对小信号增强，大信号压缩的目标。和ADPCM相比，VADPCM的帧编码的平均时间开销要多0.5ms，但输出码流可以减少近一倍。
2.基于网络的策略
(1)带宽管理
      传统电信网络的建立是先有业务后有网络，因此有QOS保证。IP网络的建立具有不同的思路，即网络在构造时就是为了开展多种业务。很多业务都可以在IP网络上实现，但是每增加一种业务，都要占用一定的网络带宽资源，虽然网络的传输能力在增强，但还是不可能满足大量业务的要求。
为了提高网络中语音传输的质量，必需对带宽进行有效管理。
a.资源预留管理（集成业务）。根据申请QOS请求进行资源分配，根据带宽资源进行管理。RSVP协议能提供这种管理机制。
b.优先级管理（区分业务）。对网络流量进行分类，根据带宽资源管理策略的准则进行资源分配。对于要求高的业务给予更高的优先级。
(2)拥塞控制
      网络拥塞是影响连续媒体通信质量的关键因素。数据量大的连续媒体数据包更会在传输过程中因为网络拥塞等原因而发生丢失和出现时延抖动。为了克服这些干扰，可通过在接收方使用时延均衡这种播放机来平滑时延抖动。但是，无论是固定时间点的播放机制，还是自适应的播放机制都只能解决短期的时延抖动问题，网络拥塞所引起的长期丢失问题还要通过传输控制机制来解决。
      传输控制的目的是根据网络拥塞情况来调节信源的带宽需求，以期能够减低网络拥塞并减少用户能够感觉到的丢失。传输控制机制一般包括速率控制和错误恢复两个方面，二者可独立使用，也可配合使用。如图4所示的那样，传统的反馈控制方法是将信道容量看作是固定的，根据缓冲器的状态反馈信息对媒体编码器进行控制。事实上，受许多因素的影响，可获得的信道容量是变化的，因而可以采用将网络视为缓冲器的新的实现方法，如图5所示图4 传统的反馈控制方法图5 网络参与控制的实现方法接收方使用RTP信头所携带定时信息和顺序编号重建由发送方所生成的定时信息，或估计已丢失的分组，接收模块将接收报告交付给发送端应用。这些接收报告包括计算分组丢失和分组时延抖动的信息。图6示出了QoS反馈控制方案。音频信源对收到的RTCP接收报告执行下述步骤：
a.RTCP分析：分析所有接收方的接收报告，并计算分组丢失的统计值、时延抖动和往返时间。
b.网络状态估计：将每个接收方所了解的实际网络拥塞状况确定为欠载（unloaded）、满载（loaded）或者拥塞（congested），以便确定是否增加、保持或者减少该发送者的带宽需求。
c.带宽调整：根据对网络状态分析的判定调整多媒体应用的带宽。用户可设置可调整带宽范围，即指定最小和最大带宽图6 端到端的反馈控制机制
3.基于终端的策略
      在接收端借助自适应播放缓存技术来吸收端到端的时延及时延抖动，并在发送方和接收方之间维持相对的定时关系。对时延超过一定阈值的分组，采用简单丢弃的策略，并向发送方反馈相关的RTCP报文来调整发送方的发送速率。
4.系统控制
      为了更适用于实时传输的要求，可以将RTCP加以扩充来处理参与通信人员的加入、离开、活动状况、编码器选择、接收业务质量如何等信息。系统将参与通信的站点分为活动站点（发言者）和不活动站点（收听者）两类，分别实时显示在屏幕上参与通信的人员表的上部和下部。系统初启时，自动多播一个SDES（源描述）包，将站点信息通报给所有参与通信人员，源站在音频数据发送前将编码标志位置位通过SDES包多播至全组。此外，系统每隔10ms周期性地多播一次本站的信息。为了避免信息内爆和业务质量降低，不同的站点在周期性的多播发送控制信息时，进行随机延时，使各站地平均发送周期为10ms。若在某站点退出系统前，以多播方式向全组发送一个4字节长地Bye信息包，所有站点收到信息包后立即修改站点信息表并从屏幕的相应显示区中删去该站。若一段时间内未收到某站地任何信息，则该站被认为是已经离开系统。当所有站均退出系统时，通信过程结束。
      六、结论
      在分组网上传输音频已经有近20年的历史，至今依然没有根本解决服务质量的问题。问题的根源来自于网络本身——尽力而为的服务和资源的缺乏。单纯依靠传统的方法不能根本解决，把网络与端系统结合考虑应该是解决问题的一个方向。现在已经有许多研究人员在多媒体信息处理、网络传输协议、移动网络多媒体、可编程网络、网络体系结构等领域进行研究。相信任何一个领域的突破都将会为分组语音的推广应用带来巨大的推动力。