La voix et la vidéo sur IP
Partie 2 sur 3
4RTP : numéroter et dater
Le RTP (Real-time Transport Protocol, « protocole de transport en temps réel » ; on lit parfois par erreur « Transfert Protocole ») a pour but de fournir un moyen uniforme de transmettre sur IP des données soumises à des contraintes de temps réel : audio, vidéo, etc. Il est défini par la RFC 3550 (2003), qui remplace une première version de 1996. Voici les bons repères. Le format de chaque type de contenu est précisé dans des documents spécifiques, par exemple pour la vidéo H.264 ou le son Opus.
Le rôle principal de RTP est de numéroter les paquets pour reconstituer la voix ou la vidéo même si le réseau change l’ordre des paquets. Plus généralement, il permet :
- d’identifier le type d’information transportée (quel codec) ;
- d’ajouter un marqueur de temps et un numéro de séquence ;
- de détecter les pertes à l’arrivée, par les trous dans la suite de numéros ;
- d’être véhiculé aussi en multicast (diffusion d’un même flux vers de nombreux destinataires à la fois), pour des conversations à plusieurs. On précise que RTP et RTCP fonctionnent aussi bien en unicast (d’un point à un autre) qu’en multicast.
Une précision utile : RTP est souvent présenté comme un « protocole de session ». C’est plutôt un protocole de transport de données temps réel, placé au niveau de l’application : c’est au programmeur de l’intégrer, et il s’appuie sur UDP (rarement sur TCP). Il offre un service de bout en bout et ne s’occupe pas de réserver de la capacité ni de corriger les pertes. On utilise généralement un flux RTP par type de média : un pour l’audio, un pour la vidéo. Contrairement à ce que l’on laisse parfois entendre, c’est RTP, et non IP, qui indique le type de contenu : par le champ « type de charge utile ».
4.1L’en-tête RTP
L’en-tête RTP contient les champs suivants (la taille de chaque champ est indiquée en bits) :
- V (version, 2 bits) : vaut 2 ;
- P (bourrage, 1 bit) : s’il vaut 1, le paquet contient des octets supplémentaires de remplissage ;
- X (extension, 1 bit) : s’il vaut 1, l’en-tête est suivi d’une extension ;
- CC (4 bits) : nombre d’identifiants de sources contributrices qui suivent l’en-tête ;
- M (marqueur, 1 bit) : sa signification dépend du type de contenu (par exemple, début d’une phrase ou fin d’une image) ;
- PT (payload type, type de charge utile, 7 bits) : identifie le contenu (audio, vidéo, quel codec) ;
- numéro de séquence (16 bits) : part d’une valeur aléatoire et augmente de 1 à chaque paquet envoyé, ce qui permet de détecter les pertes et de remettre en ordre ;
- horodatage (timestamp, 32 bits) : reflète l’instant où le premier octet du paquet a été échantillonné ; il vient d’une horloge régulière, ce qui permet de rejouer au bon rythme et de calculer la gigue ;
- SSRC (synchronization source, 32 bits) : identifie la source du flux ; sa valeur est tirée au hasard par l’application pour être unique dans la session ;
- CSRC (contributing source) : liste des sources qui ont contribué au contenu du paquet, utile quand un serveur mélange plusieurs voix (conférence).
4.2Ports et deux canaux
RTP et RTCP utilisent chacun un port distinct, formant une paire : RTP prend un numéro pair et RTCP le numéro impair juste au-dessus (par exemple 16384 et 16385). Cette convention reste vraie, avec une exception : une option courante permet de faire passer RTP et RTCP par un même port, ce qui simplifie les pare-feu et la traduction d’adresses (voir les ports).
5RTCP : rendre compte de la qualité
Le RTCP (Real-time Transport Control Protocol) est le protocole de contrôle associé à RTP. Il repose sur l’envoi périodique de paquets de contrôle par tous les participants de la session. Il véhicule des informations de base sur les participants (par exemple un nom) et surtout sur la qualité de la réception : c’est un retour d’information pour que l’émetteur puisse adapter son envoi. Pour ne pas encombrer le réseau, la RFC limite le trafic RTCP à une petite fraction, environ 5 %, de celui de la session.
Les deux types de comptes rendus les plus courants sont :
- le rapport d’émetteur (sender report, SR, de type 200) : l’émetteur indique combien de paquets et d’octets il a envoyés, et donne une correspondance entre son horloge RTP et l’heure réelle, ce qui permet de synchroniser le son et l’image ;
- le rapport de récepteur (receiver report, RR, de type 201) : le récepteur indique, pour chaque source qu’il écoute, la fraction de paquets perdus, le nombre cumulé de paquets perdus, le plus grand numéro de séquence reçu, la gigue d’arrivée et des repères de temps qui permettent à l’émetteur de calculer le temps d’aller-retour.
5.1Le calcul de la gigue
On donne souvent la formule de la gigue : J = J + (|D| - J) / 16. Voici comment la lire. On compare, pour deux paquets consécutifs, l’écart de leur heure d’arrivée à l’écart de leur heure d’émission (leur horodatage) : cette différence, notée D, est nulle si le réseau est parfaitement régulier. On prend sa valeur absolue et on met à jour une moyenne glissante J : chaque nouvelle mesure ne pèse que pour un seizième, ce qui lisse les accidents isolés. La gigue est calculée à chaque paquet reçu. On explique parfois les lettres de façon confuse (« i, premier paquet, i-1 paquet précédent ») ; l’idée est celle-ci : comparer chaque paquet à son prédécesseur.
5.2Ce que RTCP ne fait pas
RTCP mesure les performances ; il n’offre aucune garantie. Pour garantir quelque chose, il faut un protocole de réservation de type RSVP, ou s’assurer que les liens sont bien dimensionnés pour l’usage qu’on en fait, et donner la priorité à la voix (voir la qualité de service). Dans la pratique, les applications s’en servent pour s’adapter : baisser la qualité de la vidéo, changer de codec ou prévenir l’utilisateur quand la liaison est mauvaise.
Pour s’exercer
Exercice 2 : calculer la gigue
La gigue vaut J = 0. Deux paquets successifs montrent un écart D de 16 ms, puis de 32 ms. Que vaut J après chaque mesure, avec J = J + (|D| - J) / 16 ?
Voir la réponse
Après la première mesure : J = 0 + (16 - 0) / 16 = 1 ms. Après la deuxième : J = 1 + (32 - 1) / 16 = 1 + 1,94 = 2,94 ms (environ). Chaque mesure ne déplace la moyenne que d’un seizième de l’écart, d’où le lissage.