SIP是一个会话协议，很多大企业都在用，通信行业的一个标准,其业务逻辑比较，简单地来说如下：
User Agent Server
------------------REGISTER----------->
<----------401(407) Unauthorized--
----------REG(带上用户口令)----------->
---------------200 OK 1 Bindings---
双方交互几次，注册成功。
因为Sip 通信一般采用UDP，所以有个保活的问题，一般每隔两三分钟再向server注册一下。server也可能每隔一两分钟向客户发Unauthorized，让客户再刷新一下登录。
登录成功后，某个客户端向另一个客户端发起呼叫，通过服务器中转命令。简单来讲，这个和IM的原理是一样的。对方同意接收呼叫后，把媒体端口通知给server 及对方。到了这里，有IM开发经验的人，自然就知道下一步怎么做了：如果想P2P直连的话，就先穿透NAT打洞，否则就通过Server中转。
很明显，SIP会话和现有的IM类似，但效率或效果上来讲差的很多，比如登录保活， 还是同名用户同时登录等等，都处理的不够好。不过SIP是电信协议，最初是用在VOIP和可视电话上，环境比IM简单地多，所以这个协议足够用了，估计名字中的S也是因为这个原因。
sip呼叫成功，建立连接之后，媒体传输(音视频)是通过RTP协议进行的。简单地说，采集到声音和视频，先按指定编码方面编码，比如音频编码成 g711，视频编码成h263,然后根据RFC相关协议加上包头用UDP向指定发送出去。对方收到后先解包，再解码，然后播放。
如果想了解SIP的详细工作流程，可以这样：
1 找一个外网的sip server (如果有经验，可以用yate2，或Trixbox等自己搭建)
2 安装x-lite ( 很不错的sip软电话客户端,如果安装eyeBeam更好，带视频)
3 安装ethereal和WinPcap (抓包工具)
然后，用x-lite拨打其他的客户端或SIP话机，用抓包工具抓出相关的数据包，先看流程，然后再看包结构。
后面附上一个介绍SIP的PPT，写的非常好，可能是台湾方面出品，以前收集的。是个.rar文件，因为这里只能上传图片，所以改名为.jpg再上传，下载后把.jpg去掉解压就可以了。
PPT写的非常好，用心看，很快就能了解SIP的工作流程。
下一步，就是自己动手实现SIP VOIP系统了。
如果商用的话，server 采用Trixbox,也可以仔细研究一下 Asterisk。客户端就用x-lite好了。
做为程序员，第一反应就是怎么样自己动手写一个客户端，甚至服务器。好在开源产品众多，写一个并不难。
经过几天的调试，发现几个协议栈做的不错:
1 SIP协议栈：
a osip+exosip (建立客户端及通信非常简单，质量也好)，
b reSIProcate (全面，有server端例子，综合调试方便)。
c 其他的还用过一个pjsip，不过它与音视频结合成一个库之后， 音频质量不好。但是比较小巧， 听说台湾很 多嵌入设备采用。
2 RTP协议栈:
a Linphone采用的是oRTP,音视频部分采用的是 MediaStreamer2
b JRtpLib，结合emiplib的音视频处理。
c ffmpeg,ffmpeg本来是专门处理音视频编解码的，不过也提供了rtp,rtsp,最近好象也增加了rtmp协议的支持。顺便一提，MS2和emiplib底层也采用了ffmpeg。只要和音视频打交道，并且质量很不错的产品，都离不开它，比如mplayer,ffdshow。顺便BS一下kmplayer，上了ffmpeg黑名单。
这里面着重提到的是jrtplib，之前误解为它只是按RTP传输数据包，以前写过的几个文章，都是在RTP包之后，自己再封装了一下，当然，做为自己用的音视频聊天程序，这样是没问题的。但用在SIP及其他VOIP产品上，要考虑互通，就要严格搂RTP协议来执行了。
了解了几个开源的东西，下面自己动手建一个简单的SIP环境：
1 对Linux比较熟的人， 在CentOS上安装Asterisk，客户端采用Linphone，自己研究吧。
2 象我这样只要在Linux下用点g++的，如果想针对VOIP快速学习的话，服务器安装yate2，客户端随便拿哪个都行。
3 如果自己想定制sip server，干脆一步到位，下载reSIProcate，用vc2005编译，一次通过。运行时提示缺少几个dll,google一下很快都找到了，然后运行repro，做为server先临时用着，反正是学习。
客户端呢，网上流行一个很不错的，名字叫Youtoo,下载，简单编译后可以做为一个语音的客户端使用。
然后，PC上安装几个虚拟机，一个运行server，一个运行x-lite(做为一个参考的标准)，主要上运行我们自己写的客户端进行测试。如果要调试server，就是主机上运行repro,虚拟上分别运行两个x-lite。
环境搭建立好了，下一步就开始调试。
根据这几天的实践，找出了一个最优的配置：
1 sip server采用Trixbox，如果对Linux很熟建议直接用Asterisk.
2 客户端如果直接使用，建议ekiga.
顺便说一下几个客户端使用的感受：
1 linphone:好象名气不小，不过，最新版3.1.2安装后启动就崩溃。我安装的是普通的XP-SP3，电脑公司特别版。一般软件运行没问题。如果在这个平台上都崩溃，真不知道说什么好。
后来再试3.1.1，这个可以启动，运行能看到视频图像。不过奇怪的是，与视频电话连接上视频窗口反而隐藏起来。结束通话，又显示出来。搞不懂它的视频功能是做什么用的。另外显示本地视频只支持QCIF。
2 eyeBeam ：名气更大，使用起来也不错，这个不错不包含视频功能。如果启动了视频的话，只显示第一帧图，摄像头怎么转它也不动。另外，主动连视频电话时，不能启动视频功能。视频电话呼叫它才能启动。启动后，"Start Video"点一下又灰住，完全不能用。
3 Wengo不错，现在改名叫Quate了，连接摄像头非常快，本地预览也正常。不过，解码有问题，看 到的是一堆绿色图块，不知道是它解不了码，还是弄几个颜色块在那边骗人玩。
4 yate好象不支持视频，不过声音倒是不错。
5 回头再说ekiga，边续试用了上面几个软件，以为我用的视频电话硬件有问题，但用ekiga连接后，双方的视频都正常。
上面是从视频效果角度出发来评测的，如果不使用视频的话都差不多。
搭建好环境，测试通过，熟悉协议之后， 就是自己做一个这样的平台了。
服务器想都不用想，直接用Tixbox，重头写不现实。
至于客户端，一般的程序架构应该如下：
一 协议部分：
主要处理sip的注册，呼叫，接收，挂机等功能，所有的协议都差不多，随便选一个就行。
二 媒体传输，这部分比较复杂 ：
1 音视频采集
2 音视频编码
3 音视频编码后组RTP
4 RTP/RTCP发送
5 RTP/RTCP接收
6 从RTP解包还原成编码后的音视频
7 音视频解码
8 音视频播放
一般如果分配任务，快速做一个客户端，首先想到的就是找一个开源，编译出来再修改。
不过，试了几个，极度痛苦，分别说一下。
1 Linphone:
这个产品只能算一般，不过用到的lib非常不错，exosip+osip为sip命令服务，ortp+mediastreamer2为流媒体服务。不过，编译真是麻烦，别的不说，光mediastreamer2就用到了ffmpeg,gsm,ortp,srtp,openssl,speex, theora等，稀里湖涂足足花了大半天时间把所有这些都编译好，然后编译ms2.lib时提示几个链接出错。因为我看到网上几个文章说明是用vc2005轻松编译出来的，我也用的vc2005。估计用mingw会简单一些。不过，已经耗了近一天的时间，感觉不爽，放弃。估计是linphone估计搞的复杂，好让antisip卖钱。
2 ekiga
这个需要ptlib,第一感觉这东西很麻烦，不过编译时出奇的顺利(关键是官方提供的资料详细，网友写的文章也详细)。然后编译opal，也很顺利。(只是占用机器比较厉害，P4 2.6的占CPU极严重。不过，用的机器是联想的超薄机箱那种，不排除官方弄个很烂的CPU冒充。因为换到另一个P4 3G，速度快上两三倍)。
其实，编译好opal，基本就可以了，它带了很不错的例子，拨打电话接听都不错。
最后编译ekiga时，需要交叉编译，直接放弃掉，有那时间不如好好研究opal了。
3 其他
编译了一下emiplib,这个库写的真不错。虽然封装的比较深，不过调用时，可以选择比较靠上的类来调用，有点类似ACE。只是视频格式少了一点。
回头再看上面的一般结构，SIP部分不用操心，随便找个库就能达到目的，关键是媒体传输这部分。仔细看1-8这些部分，很多我们自己动手就可以做，其实我们并不需要一下完整的全功能的库。
比如，音频采集播放用DirectSound,视频采用播放用DirectShow.编解码用ffmpeg编译出来的libavcodec,传输用jrtplib.这么一看，只有3 音视频编码后组RTP和6 从RTP解包还原成编码后的音视频 这两部分相对陌生，其他的都能找到成熟的代码。基于这个想法，就不用上述开源产品，直接自己写一个好了。
先做准备工作：
1 编译好ffmpeg及所带的libavcodec等几个lib和dll,音视频编解码时需要。
2 利用DirectShow做视频采集。播放就直接用GDI画图好了，简洁。
3 声音部分，参考Youtoo这个程序，连SIP都有了，用现成的exosip,osip,ms2.lib(这个库不支持视频，否则就不用做上面那些苦力了)。音质相当不错。
4 传输就用jrtplib，不过开始为了调试方便，自己写的UDP socket。
这些准备工作做好，下一步就开始参考RFC进行RTP的组包和解包了。
RTP接收部分比较简单(不用考虑jitterbuffer等)，先从这里入手。
其实主要就3步：
1 创建一个udp，监听一个端口，比如5200。
2 收到RTP包，送到解包程序，继续收第 二个。
3 收齐一帧后，或保存文件，或解码去播放。
下面详细说一下具体过程：
1 创建UDP，非常非常地简单(这里只是简单地模拟RTP接收，虽然能正常工作，但是没有处理RTCP部分，会影响发送端):
lass CUDPSocket : public CAsyncSocket
{
public:
CUDPSocket();
virtual ~CUDPSocket();
virtual void OnReceive(int nErrorCode);
};
调用者：CUDPSocket m_udp; m_udp.Create(...);这样就可以了。注意端口，如果指定端口创建不成功，就端口+1或+2重试一下。
重写OnReceive:
void CUDPSocket::OnReceive(int nErrorCode)
{
char szBuffer[1500];
SOCKADDR_IN sockAddr;
memset(&sockAddr, 0, sizeof(sockAddr));
int nSockAddrLen = sizeof(sockAddr);
int nResult = ReceiveFrom(szBuffer, 1500, (SOCKADDR*)&sockAddr, &nSockAddrLen, 0);
if(nResult == SOCKET_ERROR)
{
return;
}
//如果必要可以处理对方IP端口
USHORT unPort = ntohs(sockAddr.sin_port);
ULONG ulIP = sockAddr.sin_addr.s_addr;
//收到的数据送去解码
Decode((BYTE*)szBuffer, nResult);
}
2 收到了数据，开始Decode，一般通过RTP传输的视频主要有h263 (old,1998,2000),h264,mpeg4-es。mpeg4-es格式最简单，就从它入手。
如果了解RFC3160，直接分析格式写就是了。如果想偷懒，用现成的， 也找的到：在opal项目下，有个plugins目录，视频中包含了h261,h263,h264,mpeg4等多种解包，解码的源码，稍加改动就可以拿来用。
首先看：video\common下的rtpframe.h这个文件，这是对RTP包头的数据和操作的封装：
#ifndef __RTPFRAME_H__
#define __RTPFRAME_H__ 1
#ifdef _MSC_VER
#pragma warning(disable:4800) // disable performance warning
#endif
class RTPFrame {
public:
RTPFrame(const unsigned char * frame, int frameLen) {
_frame = (unsigned char*) frame;
_frameLen = frameLen;
};
RTPFrame(unsigned char * frame, int frameLen, unsigned char payloadType) {
_frame = frame;
_frameLen = frameLen;
if (_frameLen > 0)
_frame [0] = 0x80;
SetPayloadType(payloadType);
}
unsigned GetPayloadSize() const {
return (_frameLen - GetHeaderSize());
}
void SetPayloadSize(int size) {
_frameLen = size + GetHeaderSize();
}
int GetFrameLen () const {
return (_frameLen);
}
unsigned char * GetPayloadPtr() const {
return (_frame + GetHeaderSize());
}
int GetHeaderSize() const {
int size;
size = 12;
if (_frameLen < 12)
return 0;
size += (_frame[0] & 0x0f) * 4;
if (!(_frame[0] & 0x10))
return size;
if ((size + 4) < _frameLen)
return (size + 4 + (_frame[size + 2] << 8) + _frame[size + 3]);
return 0;
}
bool GetMarker() const {
if (_frameLen < 2)
return false;
return (_frame[1] & 0x80);
}
unsigned GetSequenceNumber() const {
if (_frameLen < 4)
return 0;
return (_frame[2] << 8) + _frame[3];
}
void SetMarker(bool set) {
if (_frameLen < 2)
return;
_frame[1] = _frame[1] & 0x7f;
if (set) _frame[1] = _frame[1] | 0x80;
}
void SetPayloadType(unsigned char type) {
if (_frameLen < 2)
return;
_frame[1] = _frame [1] & 0x80;
_frame[1] = _frame [1] | (type & 0x7f);
}
unsigned char GetPayloadType() const
{
if (_frameLen < 1)
return 0xff;
return _frame[1] & 0x7f;
}
unsigned long GetTimestamp() const {
if (_frameLen < 8)
return 0;
return ((_frame[4] << 24) + (_frame[5] << 16) + (_frame[6] << 8) + _frame[7]);
}
void SetTimestamp(unsigned long timestamp) {
if (_frameLen < 8)
return;
_frame[4] = (unsigned char) ((timestamp >> 24) & 0xff);
_frame[5] = (unsigned char) ((timestamp >> 16) & 0xff);
_frame[6] = (unsigned char) ((timestamp >> 8) & 0xff);
_frame[7] = (unsigned char) (timestamp & 0xff);
};
protected:
unsigned char* _frame;
int _frameLen;
};
struct frameHeader {
unsigned int x;
unsigned int y;
unsigned int width;
unsigned int height;
};
#endif
原封不动，可以直接拿来使用。当然，自己写一个也不麻烦。很多人写不好估计是卡在位运算上了。
然后，进入video\MPEG4-ffmpeg目录下看mpeg4.cxx，这里包含了完整的RFC解包重组及MPEG4解码的源码。直接编译可能通不过，好在代码写的非常整齐，提取出来就是了。解包解码只要看这一个函数：
bool MPEG4DecoderContext::DecodeFrames(const BYTE * src, unsigned & srcLen,
BYTE * dst, unsigned & dstLen,
unsigned int & flags)
{
if (!FFMPEGLibraryInstance.IsLoaded())
return 0;
// Creates our frames
RTPFrame srcRTP(src, srcLen);
RTPFrame dstRTP(dst, dstLen, RTP_DYNAMIC_PAYLOAD);
dstLen = 0;
flags = 0;
int srcPayloadSize = srcRTP.GetPayloadSize();
SetDynamicDecodingParams(true); // Adjust dynamic settings, restart allowed
// Don't exceed buffer limits. _encFrameLen set by ResizeDecodingFrame
if(_lastPktOffset + srcPayloadSize < _encFrameLen)
{
// Copy the payload data into the buffer and update the offset
memcpy(_encFrameBuffer + _lastPktOffset, srcRTP.GetPayloadPtr(),
srcPayloadSize);
_lastPktOffset += srcPayloadSize;
}
else {
// Likely we dropped the marker packet, so at this point we have a
// full buffer with some of the frame we wanted and some of the next
// frame.
//I'm on the fence about whether to send the data to the
// decoder and hope for the best, or to throw it all away and start
// again.
// throw the data away and ask for an IFrame
TRACE(1, "MPEG4\tDecoder\tWaiting for an I-Frame");
_lastPktOffset = 0;
flags = (_gotAGoodFrame ? PluginCodec_ReturnCoderRequestIFrame : 0);
_gotAGoodFrame = false;
return 1;
}
// decode the frame if we got the marker packet
int got_picture = 0;
if (srcRTP.GetMarker()) {
_frameNum++;
int len = FFMPEGLibraryInstance.AvcodecDecodeVideo
(_avcontext, _avpicture, &got_picture,
_encFrameBuffer, _lastPktOffset);
if (len >= 0 && got_picture) {
#ifdef LIBAVCODEC_HAVE_SOURCE_DIR
if (DecoderError(_keyRefreshThresh)) {
// ask for an IFrame update, but still show what we've got
flags = (_gotAGoodFrame ? PluginCodec_ReturnCoderRequestIFrame : 0);
_gotAGoodFrame = false;
}
#endif
TRACE_UP(4, "MPEG4\tDecoder\tDecoded " << len << " bytes" << ", Resolution: " << _avcontext->width << "x" << _avcontext->height);
// If the decoding size changes on us, we can catch it and resize
if (!_disableResize
&& (_frameWidth != (unsigned)_avcontext->width
|| _frameHeight != (unsigned)_avcontext->height))
{
// Set the decoding width to what avcodec says it is
_frameWidth = _avcontext->width;
_frameHeight = _avcontext->height;
// Set dynamic settings (framesize), restart as needed
SetDynamicDecodingParams(true);
return true;
}
// it's stride time
int frameBytes = (_frameWidth * _frameHeight * 3) / 2;
PluginCodec_Video_FrameHeader * header
= (PluginCodec_Video_FrameHeader *)dstRTP.GetPayloadPtr();
header->x = header->y = 0;
header->width = _frameWidth;
header->height = _frameHeight;
unsigned char *dstData = OPAL_VIDEO_FRAME_DATA_PTR(header);
for (int i=0; i<3; i ++) {
unsigned char *srcData = _avpicture->data[i];
int dst_stride = i ? _frameWidth >> 1 : _frameWidth;
int src_stride = _avpicture->linesize[i];
int h = i ? _frameHeight >> 1 : _frameHeight;
if (src_stride==dst_stride) {
memcpy(dstData, srcData, dst_stride*h);
dstData += dst_stride*h;
}
else
{
while (h--) {
memcpy(dstData, srcData, dst_stride);
dstData += dst_stride;
srcData += src_stride;
}
}
}
// Treating the screen as an RTP is weird
dstRTP.SetPayloadSize(sizeof(PluginCodec_Video_FrameHeader)
+ frameBytes);
dstRTP.SetPayloadType(RTP_DYNAMIC_PAYLOAD);
dstRTP.SetTimestamp(srcRTP.GetTimestamp());
dstRTP.SetMarker(true);
dstLen = dstRTP.GetFrameLen();
flags = PluginCodec_ReturnCoderLastFrame;
_gotAGoodFrame = true;
}
else {
TRACE(1, "MPEG4\tDecoder\tDecoded "<< len << " bytes without getting a Picture...");
// decoding error, ask for an IFrame update
flags = (_gotAGoodFrame ? PluginCodec_ReturnCoderRequestIFrame : 0);
_gotAGoodFrame = false;
}
_lastPktOffset = 0;
}
return true;
}
写的非常非常的明白：if (srcRTP.GetMarker())，到了这里表示收满了一包，开始去解码。
mpeg4-es的RFC还原重组就这么简单，下一步的解码，就涉及到用libavcodec.dll了