TCP详解及其在音视频传输中的应用

传输控制协议（TCP，Transmission Control Protocol）是互联网协议栈中至关重要的传输层协议。它提供了可靠、面向连接的数据传输服务，广泛应用于各种网络应用中。对于音视频传输，虽然TCP协议并不是最常用的传输协议（相较于UDP），但在某些场景下，尤其是在可靠性比实时性更重要的场合，TCP仍然是不可或缺的选择。

本文将从TCP协议的基本原理出发，深入探讨其在音视频传输中的具体应用场景、面临的挑战以及优化策略，并结合实际案例，详细分析TCP在音视频传输中的表现和应用。

一. TCP协议基础

1.1 TCP/IP协议栈概述

TCP/IP协议栈是网络通信的基础结构，分为四层：应用层、传输层、网络层和链路层。各层功能如下：

• 应用层：处理具体的网络应用，协议包括HTTP、FTP、SMTP等。音视频传输中，常见的应用层协议包括RTSP、HLS、HTTP等。

• 传输层：负责数据的传输，提供TCP和UDP两种主要协议。TCP提供可靠传输，而UDP则更注重实时性。

• 网络层：主要负责路由选择和数据包的转发，IP协议是这一层的核心。

• 链路层：管理物理网络连接和数据帧的传输。

1.2 IP协议头

• Version ： 版本

• identification、Flags、Fragment Offset 用于分包
  在 IP 协议中，identification（标识）、Flags（标志）和 Fragment Offset（片偏移）字段协同工作，用于实现数据包的分片和重组。

  • identification（标识）：这是一个用于标识一个特定数据包的唯一值。当一个数据包被分片时，所有的分片都具有相同的标识值，以便接收端能够识别哪些分片属于同一个原始数据包。

  • Flags（标志）：由 3 位组成，分别是 Reserved（保留位）、Don't Fragment（不分片位）和 More Fragments（还有更多分片位）。

    • Don't Fragment 位：如果设置为 1，表示不允许对数据包进行分片。如果路由器遇到无法转发的大数据包且该位被设置，可能会丢弃该数据包并发送 ICMP 错误消息。

    • More Fragments 位：如果设置为 1，表示不是数据包的最后一个分片；如果为 0，则表示是最后一个分片。

    • Fragment Offset（片偏移）：指示每个分片相对于原始数据包起始位置的偏移量。以 8 字节为单位，用于接收端正确重组分片。

      当一个数据包的大小超过网络的最大传输单元（MTU）时，就需要进行分片。发送端根据 MTU 将数据包分成多个较小的分片，并为每个分片设置上述字段的值。接收端根据相同的标识值、标志位和片偏移字段，将收到的分片按照正确的顺序重组为原始的数据包。

• TTL ：跳数，控制包跳几次，能找到目标ip

• Protocol ：数据类型，如TCP、UDP等

• Header Checksum ：首部校验和，防止被篡改。

1.3 MTU

MTU（Maximum Transmission Unit，最大传输单元）是指在网络中能够传输的最大数据包大小。可通过ICMP查询最大传输单元，它通过设置IP层的DF【Don’t Fragment】不分片位，如果将这一bit置为一，IP层将不对数据报进行分片

获取MTU的好处是控制在传输过程中不拆包，提高传输效率，以太网MTU默认是1500B

二、TCP协议

2.1 TCP协议头

TCP（Transmission Control Protocol，传输控制协议）协议头的字段及其作用如下：

• 源端口（Source Port）：标识发送方应用程序的端口号。

• 目的端口（Destination Port）：标识接收方应用程序的端口号。

• 序列号（Sequence Number）：代表的是发送字节的起始序号，发送的第一个包的初始序号是随机的，在创建连接的三次握手中交换。

• 确认号（Acknowledgment Number）：期望接收的下一个字节的序列号，希望对方发送数据的起始位置

• 数据偏移（Data Offset）：指出 TCP 头部的长度，以 32 位字为单位。

• 保留（Reserved）：保留位，目前未使用。

• 控制位（Control Bits）：

  • URG（Urgent Pointer Field Significant）：紧急指针有效。

  • ACK（Acknowledgment Field Significant）：确认号有效。

  • PSH（Push Function）：推送操作，提示接收方尽快将数据交付给应用层。

  • RST（Reset the Connection）：重置连接。

  • SYN（Synchronize Sequence Numbers）：用于建立连接时同步序列号。

  • FIN（No More Data from Sender）：发送方完成数据发送。

• 窗口大小（Window）：用于流量控制，告诉对方自己能够接收的数据量。

• 校验和（Checksum）：用于检测 TCP 头部和数据部分的错误。

• 紧急指针（Urgent Pointer）：当 URG 标志置 1 时，紧急指针指出紧急数据的位置。

• 选项（Options）：可选字段，用于一些特殊功能，如最大段大小（MSS）等。

这些字段共同协作，实现了 TCP 协议可靠的数据传输、连接管理、流量控制和错误检测等功能。

2.2 TCP协议的工作原理

TCP协议是面向连接的，旨在提供可靠的数据传输服务。其核心工作原理包括连接管理（通过三次握手建立连接和四次挥手断开连接）、数据流的可靠传输（通过序列号和确认机制保证数据的有序和完整）、流量控制、拥塞控制和错误恢复等。

2.2.1 三次握手（Three-Way Handshake）

TCP连接的建立通过三次握手完成：

1. SYN（同步）：客户端向服务器发送一个SYN包，其中SYN标志位设置为1，序列号随机生成。客户端进入SYN_SEND状态。本例中，seq设置为0

2. SYN-ACK（同步-确认）：服务器收到SYN包后，回复一个SYN+ACK包，其中SYN和ACK标志位都设置为1，序列号为随机生成的值，本例中设置为0，确认号为客户端的序列号+1。服务器进入SYN_RECV状态。

3. ACK（确认）：客户端收到SYN-ACK报文后，再发送一个ACK报文，确认服务器的序列号，确认号为服务器的序列号+1，连接建立。

三次握手的过程主要保证的点确保双方都准备好进行数据传输，并且在传输之前已经同步了初始序列号，以保证数据的有序传输。

2.2.2 四次挥手（Four-Way Handshake）

TCP连接的关闭需要通过四次挥手来完成：

4. FIN（终止）：主动关闭方（通常是客户端）发送一个 FIN （Finish）报文段，表示没有数据要发送了，想要关闭连接。

5. ACK：被动关闭方收到 FIN 后，返回一个 ACK 确认报文段，表示已经收到对方的关闭请求。

6. FIN：被动关闭方此时可能还有数据要发送，等数据发送完毕后，也发送一个 FIN 报文段给主动关闭方。

7. ACK：主动关闭方收到被动关闭方的 FIN 后，返回一个 ACK 确认报文段。即主动关闭方接收到FIN包后，回复一个ACK包后，需要等待2个MSL时间。这是因为这个包的ACK，被动关闭方可能没有收到，此时被动关闭方会重新发送FIN消息。这样能确保双方都正确的处理了关闭的请求。MSL指的是Maximum Segment Lifetime，即最大分段生存时间，通常取一个较大的值，如2分钟，以确保网络中的所有数据包都已经完成传输。

三、 TCP协议的核心机制

3.1 序列号与确认机制

TCP使用序列号（Sequence Number）来标识数据包的顺序。每个数据包都有唯一的序列号，接收方通过确认号（Acknowledgment Number）来告知发送方已经接收到的数据。这个机制保证了数据按序到达，即使网络中存在丢包或乱序的情况。

比如如下例子，

从这里来看，第一个包发送的 seq 为 18498 ， len 等于 59 。那么此包的 ack 包的值就应当是 18557（18498 + 59），因为 ACK 的定义是：

期望接收的下一个字节的序列号。

这意味着，这 59 个字节我已经收到，我所期望收到的下一个包是 18557 。

通过这样的机制，能够保证数据的可靠性。

3.2 流量控制

流量控制是一种TCP的可靠性传输机制，用于控制发送方向接收方发送数据的速率，以避免发送方发送的数据过多、过快而导致接收方无法及时处理和接收。

3.2.1 TCP的分段和重排机制

TCP（传输控制协议）的分段和重排机制是确保数据可靠传输的重要特性。

分段机制：

当应用程序要发送的数据超过了网络的最大传输单元（MTU）时，TCP 会将数据分割成较小的段（segments）进行传输。每个段都包含一个序列号，用于标识该段在整个数据中的位置。

重排机制：

由于网络的复杂性，TCP 段可能会以乱序的方式到达接收方。接收方根据每个段的序列号对它们进行重排，以恢复原始的数据顺序。

例如，假设要发送的数据为 “HelloWorld”，MTU 限制为 5 个字符。

发送方会将数据分段为：

段 1：“Hello” （序列号为 1）

段 2：“World” （序列号为 6）

在网络传输中，段 2 可能先到达接收方。接收方根据序列号知道段 1 还未到达，会先缓存段 2。当段 1 到达后，接收方按照序列号将它们重排成原始的顺序 “HelloWorld”，然后交付给应用程序。

这样的分段和重排机制保证了数据在各种网络条件下都能准确、有序地传输。

3.2.2 滑动窗口机制

从前面的内容来看，似乎 TCP 的每一个包都需要 ACK ，如此一来效率就显得比较低下了，网络上将会充斥着大量的 ACK 包数据，所以在实际情况中，往往是多个包才回一次 ACK 。

为了解决这个问题，TCP根据缓冲区的思想，引入了窗口，它是操作系统开辟的一个缓存空间。窗口大小值表示无需等待确认应答，而可以继续发送数据的最大值。

举个例子，

发送方和接收方之间建立了 TCP 连接，接收方告知发送方其接收窗口大小为 5 个数据包。发送方开始发送数据，最初发送了 3 个数据包。接收方成功接收并处理了这 3 个数据包，同时向发送方发送确认，并告知发送方其接收窗口还有 2 个数据包的空间。发送方收到确认后，继续发送 2 个数据包。在这个过程中，接收窗口的大小会根据接收方的处理能力和缓冲区情况动态变化，发送方根据接收方通告的窗口大小来调整发送速率，这就是 TCP 滑动窗口的工作流程。

3.2.3 流量控制的过程

1. 连接建立阶段

   • 三次握手： 发送方和接收方通过三次握手建立连接，同时双方协商初始窗口大小。

2. 数据传输阶段

   • 发送数据：
     • 发送方在当前窗口大小允许的范围内发送数据（因为如果对方不收，你需要保证信息不丢失）
     • 每次发送的数据片段 (Segment) 都有一个序列号 (Sequence Number)。
   • 接收数据：
     • 接收方接收数据片段，并根据序列号确认顺序。
     • 接收方接收窗口大小 (Receive Window Size) 指示其可以接收的剩余数据量。
   • ACK 确认：

     • 接收方向发送方发送 ACK 确认包，表明已成功接收到的最后一个数据片段的序列号，以及其可接收的剩余窗口大小。

     • 发送方根据 ACK 调整发送窗口大小。

3. 窗口调整

   • 窗口缩小： 如果接收方的接收缓冲区满了，接收窗口大小会减少，甚至可能为 0，发送方需要暂停发送数据。
   • 窗口扩大：- 当接收方处理完一部分数据后，接收窗口大小会增大，发送方可以继续发送数据。

4. 拥塞控制：

   • 如果网络中发生拥塞，发送方会减少其拥塞窗口 (Congestion Window)，从而降低发送速率。
   • 拥塞窗口的调整通常使用算法，如慢启动 (Slow Start)、拥塞避免 (Congestion Avoidance)、快速重传 (Fast Retransmit)、快速恢复 (Fast Recovery) 等。

5. 连接终止阶段

   • 四次挥手： 发送方和接收方通过四次挥手来安全终止连接，并释放相关资源。

四. TCP在音视频传输中的应用

4.1 流媒体传输中的TCP

流媒体传输是指在播放的同时传输音视频内容。常见的流媒体协议如HLS（HTTP Live Streaming）和DASH（Dynamic Adaptive Streaming over HTTP）都基于TCP协议传输。

4.1.1 HLS协议

HLS是由Apple开发的一种流媒体传输协议，广泛用于视频点播和直播服务。HLS将多媒体内容分割成一系列小的TS（Transport Stream）文件，这些文件通过HTTP协议（基于TCP）传输给客户端。客户端在接收到TS文件后，进行解码并播放。

4.1.2 DASH协议

DASH类似于HLS，也是一种自适应流媒体传输技术，但它支持更广泛的编码格式和流协议。DASH通过HTTP协议传输媒体文件段，同样依赖TCP的可靠传输特性。

4.2 实时音视频通信中的TCP应用

实时音视频通信通常更依赖于UDP协议以保证低延迟传输。然而，在某些情况下，如防火墙阻挡UDP流量、需要保证数据的可靠性等场景下，TCP仍然被使用。

4.2.1 WebRTC中的TCP备用方案

WebRTC是一种用于实时通信的开源框架，广泛应用于视频会议、在线教育等场景。虽然WebRTC主要使用UDP传输音视频数据，但在某些防火墙或NAT（网络地址转换）无法穿越的环境下，WebRTC会使用TCP作为备用传输方案。

4.2.2 RTSP协议中的TCP应用

RTSP（Real-Time Streaming Protocol）是一种用于控制多媒体流传输的协议，常用于监控、直播等实时音视频传输场景。RTSP通常搭配RTP（Real-Time Protocol）使用，RTP可以通过UDP或TCP进行传输。使用TCP传输RTP数据时，尽管实时性可能有所牺牲，但能够确保数据包的可靠传输，适用于对数据丢失较为敏感的场景。

五、 TCP协议在音视频传输中的优化

5.1 基于TCP的拥塞控制优化

5.1.1 BBR拥塞控制算法

BBR（Bottleneck Bandwidth and Round-trip propagation time）是一种由Google开发的拥塞控制算法，与传统的TCP拥塞控制算法（如Cubic）不同，BBR通过动态监测带宽和RTT来调整发送速率。BBR能够在低延迟和高带宽环境下表现出色，适用于需要高传输效率的流媒体传输。

5.2 TCP Fast Open

TCP Fast Open（TFO）是一种通过在三次握手过程中传输数据来减少连接延迟的技术。对于需要频繁建立短连接的音视频传输场景，如小视频片段的传输，TFO能够有效降低延迟，提升用户体验。

比如在短视频应用中，每次播放短视频都需要建立新的TCP连接，而传统的三次握手过程会增加额外的延迟。通过引入TCP Fast Open技术，短视频应用能够在连接建立的同时传输视频数据，缩短了视频加载时间，提升了用户的观看体验。

5.3 QUIC协议：TCP的替代方案

QUIC（Quick UDP Internet Connections）是Google开发的一种基于UDP的传输协议，集成了TCP和TLS的功能，优化了连接建立时间和数据传输效率。QUIC在音视频传输中展现出了卓越的性能，尤其是在低延迟和高丢包率的网络环境下。YouTube作为全球最大的视频分享平台，面临着复杂多变的网络环境。通过引入QUIC协议，YouTube能够在连接建立和数据传输方面显著减少延迟，特别是在移动网络和公共Wi-Fi环境中，QUIC的性能优势更加明显，用户能够更快地加载和播放视频，提升整体使用体验。

5.4 KCP协议：自私的TCP

KCP 是一个快速可靠协议，基于UDP协议实现，能以比 TCP 浪费 10% - 20% 的带宽的代价，换取平均延迟降低 30% - 40%，且最大延迟降低三倍的传输效果。在一些远程控制、物联网等场景中，如果对实时性和可靠性有特定需求，也可能会考虑使用 KCP 协议来替代传统的 TCP 协议。

6. 结论

TCP协议作为互联网的基础传输协议，以其可靠性和有序性广泛应用于各种网络通信场景。在音视频传输中，虽然TCP并不是首选，但在某些需要高可靠性和数据完整性的场合，TCP仍然发挥着重要作用。通过结合HLS、DASH等流媒体技术，以及优化拥塞控制算法和引入TCP Fast Open等新技术，TCP能够在音视频传输中提供更好的服务。

随着网络技术的发展，新的传输协议如QUIC正在逐渐替代传统的TCP，尤其在需要低延迟和高传输效率的音视频应用中表现出色。然而，理解和掌握TCP的工作原理及其在音视频传输中的应用，对于开发者来说仍然是至关重要的。