从直播CDN的原理说起，谈如何解决延时和连麦的老难题？

到处都在谈直播，直播技术目前越来越大众化，但也面临着更多的挑战。本次分享主要介绍直播的一般流程，CDN的技术原理及架构，CDN直播技术的难点和对应的解决方案。希望能够给大家带来帮助，更希望能推动实时直播技术的改进和改革。下面是本文的要点：

• 直播的一般流程；

• CDN的技术原理及架构；

• CDN直播的技术难点和应对方案；

• 基于SD-RTN的，针对低延迟、强互动场景的直播技术。

正如上图所示，整个直播流程分为以下几个关键步骤：

• 主播客户端，将本地采集的视频推送到CDN；

• CDN对视频流进行缓存以及转发；

• 观众客户端，拉取CDN中缓存视频流进行播放；

可以看到CDN在这里起到了关键的作用，2016也是一个CDN崛起的年代，网宿、快网、七牛、高升、蓝汛、观止云、腾讯云、百度云、阿里云等CDN纷纷表示对直播进行了支持，直播也逐渐成为了CDN的标配。

那么接下来了解一下CDN的技术原理。

CDN的全称为Content Delivery Network，即内容分发网络，是一个策略性部署的整体系统，主要用来解决由于网络带宽小、用户访问量大、网点分布不均匀等导致用户访问网站速度慢的问题。

CDN的技术原理见上图，具体实现是通过在现有的网络中，增加一层新的网络架构，将网站的内容发布到离用户最近的网络节点上，这样用户可以就近获取所需的内容，解决之前网络拥塞、访问延迟高的问题，提高用户体验。

对于直播来说，则将Web服务器换作主播客户端，如下图所示。

由于视频占用带宽较大，与普通的Web服务差别较大，这样CDN的优势更能体现出来：网络拥塞减少，访问延迟降低，带宽得到良好的控制等等。

另外，CDN直播中常用的流媒体协议包括RTMP、HLS、HTTP FLV等。

• RTMP（Real Time Messaging Protocol）是基于TCP的，由Adobe公司为Flash播放器和服务器之间音频、视频传输开发的开放协议。

• HLS（HTTP Live Streaming）是基于HTTP的，是Apple公司开放的音视频传输协议。

• HTTP FLV则是将RTMP封装在HTTP协议之上的，可以更好的穿透防火墙等。

CDN架构设计比较复杂，并且不同的CDN厂商，对其架构进行不断的优化，所以架构也不能统一而论。这里只是对一些基本的架构进行简单的剖析。

CDN主要包含源站、缓存服务器、智能DNS、客户端等几个主要组成部分。

源站是指发布内容的原始站点。添加、删除和更改网站的文件，都是在源站上进行的；另外缓存服务器所抓取的对象也全部来自于源站。对于直播来说，源站为主播客户端。

缓存服务器是直接提供给用户访问的站点资源，由一台或数台服务器组成；当用户发起访问时，他的访问请求被智能DNS定位到离他较近的缓存服务器。如果用户所请求的内容刚好在缓存里面，则直接把内容返还给用户；如果访问所需的内容没有被缓存，则缓存服务器向邻近的缓存服务器或直接向源站抓取内容，然后再返还给用户。

智能DNS是整个CDN技术的核心，它主要根据用户的来源，以及当前缓存服务器的负载情况等，将其访问请求指向离用户比较近且负载较小的缓存服务器。通过智能DNS解析，让用户访问同服务商下、负载较小的服务器，可以消除网络访问慢的问题，达到加速作用。

客户端即发起访问的普通用户。对于直播来说，就是观众客户端。

对于直播来说，CDN整体架构如下图：

主要流程为：

1. 主播开始进行直播，向智能DNS发送解析请求；

2. 智能DNS返回最优CDN节点IP地址；

3. 主播端采集音视频数据，发送给CDN节点，CDN节点进行缓存等处理；

4. 观众端要观看此主播的视频，向智能DNS发送解析请求；

5. 智能DNS返回最优CDN节点IP地址；

6. 观众端向CDN节点请求音视频数据；

7. CDN节点同步其他节点的音视频数据；

8. CDN节点将音视频数据发送给观众端；

说了这么多CDN的技术和原理，不知道您看累了没，那么CDN直播是否万事大吉了呢？接下来分析一下CDN的难点和解决方案。

一提到直播，大家肯定会想到播放延时的问题，那为什么会播放延时了？我们从以下几个方面分析：

1. 网络延时

网络延时这里指的是从主播端采集，到观众端播放，之间的时间差。这里不考虑主播段采集对视频进行编码的时间，以及观众端观看对视频进行解码的时间，仅考虑网络传输中的延时。例如说下图中的网络延时：

假设在该链路上有缓存，时间为T_{max_cache} ，那么从主播到观众的延时T_delay为：

另外，数据传输过程中还涉及到逻辑上的交互，例如包的重传以及确认，以及缓存上的一些逻辑等，会在这个基础上又增加很多。

那么来简单估算一下大概的网络延时。众所周知，光在真空中的速度约为300,000km/s，而在其他介质中光速会大大降低，所以在普通光纤中，工程上一般认为传输速度是200,000km/s。从现实上来说，可以参考如下：

所以说，在节点较少、网络情况较好的情况下，那么网络延时对应也是最小，加上一定的缓存，可以控制延时在1s~2s左右。但是节点多、网络差的情况下，网络延时会对应增大，经验来说延时可以达到15s以上。

2. 网络抖动

网络抖动，是指数据包的到达顺序、间隔和发出时不一致。比如说，发送100个数据包，每个包间隔1s发出。结果第27个包在传输过程中遇到网络拥塞，造成包27不是紧跟着26到达的，而是延迟到87后面才达。在直播中，这种抖动的效果实际上跟丢包是一样的。因为你不能依照接收顺序把内容播放出来，否则会造成失真。

网络抖动，会造成播放延时对应增大。如果网络中抖动较大，会造成播放卡顿等现象。

如上图所示，主播端t3和t5发出的包，分别在t3'和t5'到达，但是中间延时增大，即发生了网络抖动。这样造成观众端观看视频的延时会不断增大。

3. 网络丢包

CDN直播中用到的RTMP、HLS、HTTP FLV等协议都是在TCP的基础之上。TCP一个很重要的特性是可靠性，即不会发生数据丢失的问题。为了保证可靠性，TCP在传输过程中有3次握手，见下图。首先客户端会向服务端发送连接请求，服务端同意后，客户端会确认这次连接。这就是3次握手。接着，客户端就开始发送数据，每次发送一批数据，得到服务端的“收到”确认后，继续发送下一批。TCP为了保证传到，会有自动重传机制。如果传输中发生了丢包，没有收到对端发出的“收到”信号，那么就会自动重传丢失的包，一直到超时。

由于互联网的网络状况是变化的，以及主播端的网络状况是无法控制的。所以当网络中丢包率开始升高时，重传会导致延时会不断增大，甚至导致不断尝试重连等情况，这样不能有效的缓存，严重情况下会导致观众端视频无法观看。

解决方案

抛弃传统的基于TCP协议的方案，从底层协议和布网上开始，使用基于UDP协议的方案。SD-RTN（Software-Defined Real Time Net work），软件定义实时传输网络，是一种新型的专为内容实时传输而设计，基于UDP协议的网络架构。SD-RTN通过在互联网上不同地区的数据中心放置软件组网单元，相互连接互相调度，在现有的公共互联网基础上构建一层新的虚拟网络。能够实时根据各节点的连接、传输状况、负载状况、到用户的距离和响应时间，自动分配最优最通畅的传输路径，达到实时传输需要的质量保障级别。

CDN与SD-RTN对比情况如下：

• 基本原理不同。CDN是存储转发结构，设计目的是在各个边缘节点缓存待分发内容，结构上从源站到观众是伞状多级缓存放大方式。SD-RTN本质上一个实时传输网络，用户的数据在网络单元内部和传输线路上都以实时交换方式传送，UDP实现的传输协议，不会因为前一个包的丢失或延迟导致下后续包的延迟送达，而丢包可以用对延迟更友好的方式修复或补偿出来，从而能够保证最低延迟。

• 底层协议不同。SD-RTN采用了专为实时传输设计的UDP协议，避免了采用TCP的延时不可控缺点。能够大大缩短交互延时，延时可从CDN方案的数秒，降低到数百毫秒。

• 内容分发机制不同。SD-RTN是基于自定义路由，选择最优传输路径，直接将内容端到端传输，数据在网络单元中从不缓存，从而最大可能的降低延迟，同时内容安全性也更好。CDN是将内容缓存于缓存服务器中，再将内容就近下发，所以CDN更适合做内容分发，一对多的场景。

• 使用场景不同。SD-RTN适用于要求极低时延的实时互动场景，例如网络电话、视频会议、有主播与观众交互需求的互动直播等。CDN适用于对时延要求不高的场景，例如对延时要求不高、类似电视的单点直播、网站加速等。

SD-RTN的优势如下：

• 时延大大缩短。直播延时可从基于TCP的方案的数秒，降低到数百毫秒。这一延迟范围，属于实时通信或准实时通信延迟的范畴。在这一级别上，主播和观众可以基本重现在现场活动中的交互体验，从而大大释放了内容制作者的潜力，也为业务运营者创造新业务形式打开了无限的空间和可能。

• 抗丢包能力强。一般来说，SD-RTN中可以针对用户网络使用更多的策略模型和技术，这样在30%丢包时，依然能够进行正常直播。而基于TCP的直播方案在丢包2%时就明显卡顿，达到30%经常已断开连接，无法进行直播。

直播中，主播如果要与用户交互，常见有两种方式：

• 第一种方式：文字，这种比较常见，实现也比较简单，这里不再进行分析；

• 第二种方式：连麦，这样主播可以面对面与观众进行交互，增加了互动性；

由于连麦方式比较复杂，这里进行详细分析。

1. 多路RTMP流实现

前面提到，RTMP是目前主播中最常用的协议，使用RTMP协议，可以实现最简单的一种连麦方式，如下图。

当有连麦者时，则主播端和连麦者端，都分别推一路RTMP流到CDN，CDN再将这两路RTMP流发送给观众端，观众端将两路RTMP流合成为一个画面。这种方式的优点是实现简单，但缺点比较多：

• 主播与连麦者如果要进行交互，则考虑到上面分析的延时问题，在这里延时需要至少加大一倍，这样对于实时交互来说，完全无法接受；

• 主播与连麦者交互时，声音会产生干扰，形成回音；

• 观众端要接收两条视频流，带宽、流量消耗过大，并且两路视频流解码播放，耗费CPU等资源也非常多；

这样看来，这种方式弊大于利，基本不可取。

2. 主播端与连麦者P2P

第二种方式，是主播端与连麦者之间使用P2P方式进行交互，然后主播端将自己和连麦者的视频进行合并，再推到CDN上，CDN再发送给观众端，如下图：

这种方式的优点有两个，一是主播和连麦者之间使用P2P，网络质量较好，延迟较小，保证了两者之间交互不会有非常大的延时；二是可以解决声音的干扰问题，消除回声。缺点是：

• P2P在某些网络下无法穿透，有些观众根本无法与主播端进行交互；

• 主播端需要上传两路视频：一路P2P与连麦者进行交互，一路使用RTMP推到CDN。还要下载一路视频：连麦者P2P发送过来的交互数据。所以主播端要求带宽需要较高，网络较差时无法进行主播；

• 主播端要进行多路视频的编码、解码，要求主播端设备配置比较高，较差的设备也无法进行主播；

• 只能支持一个连麦者，不能支持多个连麦者；

• 由于主播端和连麦者经过CDN合并成一路，因此，不能实现主播端和连麦者视频大小窗口切换。

综合来说，P2P方式在一定程度上可以解决连麦的问题。

3. 服务器端合图

另外一种方式，是主播和连麦者都将视频推送到CDN中，然后CDN内部对这几路视频进行合图，再将其发送给观众端。如下图：

这种方式的优缺点如下：

优点

• 主播和连麦者各路视频都使用RTMP推送到CDN，可以保证延时较小；

• 由于CDN进行视频合图和发送，所以主播不需要很高的带宽；

• 由于CDN进行视频合图，所以主播的设备不需要配置非常高；

• 没有声音干扰问题；

• 可以支持多个连麦者连麦；

缺点

• CDN需要进行视频的合图，需要额外开发工作，并且逻辑比较复杂；

• CDN需要进行视频的合图，需要消耗较高服务器资源；

• CDN合图后的布局难控制；

• 据目前所知，还没有CDN支持这种方案；

解决方案

使用前文中提到的SD-RTN方案，由于其延迟较低，主播和观众可以通过音频实时交互，而不会感到延迟过大而不自然。使用SD-RTN，可以很好的解决多路RTMP、P2P连麦、服务器端合图这几种方案的弱势，并且开发难度降低，合图布局等都可以很好的在客户端上进行控制。

具体SD-RTN的架构可以参考下图：

客户端均通过UDP连接SD-RTN架构服务，通过SD-RTN的就近接入策略，让使用者就近接入质量最好的数据节点，经过传输延迟和质量优化的最优路径，自动避免网络拥塞和骨干网络故障的影响，将数据发送给其他客户端。若有常规的长延迟旁路直播，则可以将主播与连麦者合成一路直播流，通过RTMP推到CDN，进行下发。连接这一路的观众，不能参与连麦互动，达到了最佳直播效果。

单辉，资深实时云计算架构师，负责多媒体后台开发。原2345.com实时云计算架构师，主导输入法自然语言处理、实时云计算方案搭建及开发。曾任职华为、JEDAT，研究UMTS、LTE等数据源解析统计，参与电子设计自动化产品等开发。在实时云计算，数据处理方面有深厚的经验积累。

12月年底技术嘉年华，阿里云研究员褚霸、Go基金会主席谢孟军、饿了么框架工具部研发总监兰建刚、腾讯毫秒服务引擎技术负责人杨宇将带我们去看架构从0到1，从1到100的进化之路，更多精彩点击阅读原文链接了解。