共计 2223 个字符，预计需要花费 6 分钟才能阅读完成。
为什么做这个?
今年初接到一个项目任务，客户要求在自己的音视频平台系统中集成 webrtc 功能(原系统是基于 SIP 协议开发的，已经稳定运行多年，有很多客户)。在比对了多家 RTC 产品的效果后，他们对声网音视频 DEMO 效果后非常满意，指定要求用声网的 SD-RTN 传输网络，全面改造客户端软件。据客户实测，在某些国家和地区，同样网络环境下比微信要好很多，比如在东非和中国之间语音通话，延迟很小、声音也更清晰。
话不多说，先列下客户要求和当前产品的问题：
1. 要求全面改造 Android、IOS、Windows、MacOS、Web 版 5 个平台的客户端软件，原来的客户端分别是基于 Pjsip、Linphone、Sipjs 开发的；
2. 要求在网络环境差的地方，也能满足清晰语音通话的要求（声网专为此而生）；
3. 最小侵入性，尽量不改变服务器端的系统功能，实现客户无感升级；
4. 解决 SIP 协议经常碰到丢包、被过滤 UDP 等无法呼叫，或者呼叫听不清的问题；
5. 解决 SIP 服务器经常被尝试攻击呼叫、恶意扫描注册攻击等行为，提高系统稳定性；
6. 实现 WebRTC 协议和 SIP 协议的双向互通，既要兼容 SIP 呼叫，支持 RTC 客户端送呼叫到 SIP Server，也要支持 SIP Server 呼入到客户端软件（在声网的音视频实时传输网传输）。
其实刚接到需求的时候，大家一起讨论分析过，觉得这种项目看着有不少预算，但是要做的是全平台的客户端，开发任务繁重，要考虑的细节也比较多，没准是个坑，能不能达到客户期望难说，多数同事不建议做。然后在领导和客户一起去 happy 一晚后，这活儿不知道怎么就接了下来(⊙ˍ⊙)
老板理由很简单，这也不做那也不做，那我们可以做什么？如果谁都能做，客户还会找我们吗？ 那就干吧，马上行动，各种查资料，翻阅声网的技术开发文档，并咨询声网的技术同学。2 天后拿出了初步方案。
解决思路：
1、自己写信令模块，保持灵活性，简单实现：开发 TCP Server 承担信令服务器；
2、核心是开发一个 SIP2WebRTC/WebRTC2SIP 协议转换网关，维护一个状态机;
3、开发音视频编解码处理器，解决声网语音和 SIP 语音编码互通；
4、开发一个状态管理模块，SessionManger，以维护客户端的状态 IP+ 端口；
5、结合声网的音视频 SDK，集成自己的信令模块，实现和 WebRTC2SIP 模块通讯；
6、自定义常见的 SIP 呼叫信令，供各平台客户端保持一致。
常用的 SIP 信令有：1 注册、2 呼叫、3 接听、4 挂断、5 拒接、6 取消、7Hold、8DTMF、9 用户未反映、10 用户离线、11Transfer、12 会议(我简单介绍前面的 6 个)
我们暂且把这个系统命名为 WebRTC2SIP Connector 或者 SIP2WebRTC Connector 吧。至于为什么这么叫，我也不知道，可能叫 XX Gateway 的太多了，不这么叫显不出声网的 SD-RTN 有多牛 X，我是他爹，想叫什么都可以(~▽~)*
理清思路后，我们需要确认几个核心问题：
1、以哪个平台的 SDK 为基础开发这个 WebRTC2SIP Connector 核心模块？
2、Agora SDK 是否支持多并发呼叫？
3、声网的语音编码格式和视频编码格式是什么？采样率多少？
4、SIP 客户测有没有什么具体的编码要求？客户可接受固定一个语音编码，我选择 PCMA
这里特别 感谢 一下 声网，对我们这种小众需求做出了快速响应，也感谢声网技术支持同学Nemo，专门来到公司交流了几个小时，并分享了一些技术信息。
他建议我们：
1、用 Agora Windows SDK 或者 Linux SDK 开发协议转换模块；
2、2 个 SDK 都支持多并发呼叫；
3、语音是 pcm 格式，视频是 yuv 格式；采样率是 48khz
到这里心里有数了，简要文字描述下大概流程就是：
1、各客户端 SDK 启动的时候，发起 TCP 连接，登录 TCP Server 信令服务器, WebRTC2SIP 转接模块初始化也发起 TCP 连接登录 TCP Server，由 TCP Server 记录大家的 UID，IP 和端口等信息。
2、呼叫的时候，申请一个房间号，并根据自定义信令格式发起 calling 报文，TCP Server 收到后，转发给转接模块 WebRTC2SIP，WebRTC2SIP 收到后创建 1 个线程，解析报文，并启动声网的 SDK，加入指定房间号，开始读取音频流程，同时启动线程，封装 SIP 标准报文，发起 sip invite 请求给电话服务器 SIP Server; SIP Server 收到呼叫请求就去呼叫被叫电话号码，并返回 ring 振铃信号；WebRTC2SIP 收到振铃信号，封装自定义的振铃信息给客户端 SDK，被叫接听后，WebRTC2SIP，启动 Media Coder 开始解析媒体流，并 resample 后，写入到声网的房间里面。实现语音通话。描述个大概，相信能看明白。
3、从 SIP 呼入到声网的 SDK，大同小异，反过来。
这里要注意：
1、每个终端都要自定义编号；
2、每个呼叫都要加入声网的房间 channel 实现音视频互通；
3、因为编码不一样，所以需要 resample 这个很重要，不要接通了没有声音，双方不匹配。
4、WebRTC2SIP 模块要多线程方式处理，以实现并发呼叫；
5、WebRTC2SIP 模块要维护一个完整的状态机，给每个通话加唯一编号，不至于出错。
到现在我们讲清楚了大概的解决方案和技术思路，看到这里，各位客官应该明白了，其实这个做起来没啥难度，至少现在看来是这样的。
