如果網(wǎng)絡(luò )是理想的，即無(wú)丟包、無(wú)抖動(dòng)、低延時(shí)，那么接收到一幀完整數據就直接播放，效果一定會(huì )非常好。但是實(shí)際的網(wǎng)絡(luò )往往很復雜，尤其是無(wú)線(xiàn)網(wǎng)絡(luò )。如果還是這樣直接播放，網(wǎng)絡(luò )稍微變差，視頻就會(huì )卡頓，出現馬賽克等異常情況。所以，在接收端對接收的數據做一個(gè)緩沖是很有必要的。
緩沖一定是以延時(shí)作為代價(jià)的，延時(shí)越大，對抖動(dòng)的過(guò)濾效果越好。一個(gè)優(yōu)秀的視頻jitterbuffer，不僅要能夠對丟包、亂序、延時(shí)到達等異常情況進(jìn)行處理，而且還要能夠讓視頻平穩的播放，盡可能的避免出現明顯的加速播放和緩慢播放。
主流的實(shí)時(shí)音視頻框架基本都會(huì )實(shí)現jitterbuffer功能，諸如WebRTC、doubango等。WebRTC的jitterbuffer相當優(yōu)秀，按照功能分類(lèi)的話(huà)，可以分為jitter和buffer。buffer主要對丟包、亂序、延時(shí)到達等異常情況進(jìn)行處理，還會(huì )和NACK、FEC、FIR等QOS相互配合。jitter主要根據當前幀的大小和延時(shí)評估出jitter delay，再結合decode delay、render delay以及音視頻同步延時(shí)，得到render time，來(lái)控制平穩的渲染視頻幀。
下面將分別對jitter和buffer做介紹。
Buffer
buffer運行機制圖
buffer對接收到的rtp包的主要處理操作如下：
- 第一次接收到一個(gè)視頻包，從freeframes隊列中彈出一個(gè)空f(shuō)rame塊，用來(lái)放置這個(gè)包。
之后每次接收到一個(gè)RTP包，根據時(shí)間戳在incompleteframes和decodableframes中尋找，看是否已經(jīng)接收到過(guò)相同時(shí)間戳的包，如果找到，則彈出該frame塊，否則，從freeframes彈出一個(gè)空f(shuō)rame。
- 根據包的序列號，找到應該插入frame的位置，并更新state。其中state有empty、incomplete、decodable和complete，empty為沒(méi)有數據的狀態(tài)，incomplete為至少有一個(gè)包的狀態(tài)，decodable為可解碼狀態(tài)，complete為這一幀所有數據都已經(jīng)到齊。decodable會(huì )根據decode_error_mode 有不同的規則，QOS的不同策略會(huì )設置不同的decode_error_mode ，包含kNoErrors、kSelectiveErrors以及kWithErrors。decode_error_mode 就決定了解碼線(xiàn)程從buffer中取出來(lái)的幀是否包含錯誤，即當前幀是否有丟包。
- 根據不同的state將frame幀push回到隊列中去。其中state為incomplete時(shí)，push到incompleteframes隊列，decodable和complete狀態(tài)的frame，push回到decodableframes隊列中。
- freeframes隊列有初始size，freeframes隊列為空時(shí)，會(huì )增加隊列size，但有最大值。也會(huì )定期從incompleteframes和decodable隊列中清除一些過(guò)時(shí)的frame，push到freeframes隊列。
- 解碼線(xiàn)程取出frame,解碼完成之后，push回freeframes隊列。
jitterbuffer與QOS策略聯(lián)系緊密，比如，incompleteframes和decodable隊列清除一些frame之后，需要FIR（關(guān)鍵幀請求），根據包序號檢測到丟包之后要NACK（丟包重傳）等。
Jitter
所謂jitter就是一種抖動(dòng)。具體如何解釋呢？從源地址發(fā)送到目標地址，會(huì )發(fā)生不一樣的延遲，這樣的延遲變動(dòng)就是jitter。
jitter會(huì )帶來(lái)什么影響？jitter會(huì )讓音視頻的播放不平穩，如音頻的顫音，視頻的忽快忽慢。那么如何對抗jitter呢？增加延時(shí)。需要增加一個(gè)因為jitter而存在的delay，即jitterdelay。
更新jitterdelay圖
其中，frameDelayMS指的是一幀數據因為分包和網(wǎng)絡(luò )傳輸所造成的延時(shí)總和、幀間延遲。具體如下圖，即RTP1和RTP2到達Receiver的時(shí)間差。
幀間延遲圖
framesizeBytes指當前幀數據大小，incompleteFrame指是否為完整的幀，UpdateEstimate為根據這三個(gè)參數來(lái)更新jitterdelay的模塊，這個(gè)模塊為核心模塊，其中會(huì )用到卡爾曼濾波對幀間延遲進(jìn)行濾波。
JitterDelay =theta[0] * （MaxFS – AvgFS） + [noiseStdDevs * sqrt（varNoise） –noiseStdDevOffset]
其中theta[0]是信道傳輸速率的倒數，MaxFS是自會(huì )話(huà)開(kāi)始以來(lái)所收到的最大幀大小，AvgFS表示平均幀大小。noiseStdDevs表示噪聲系數2.33，varNoise表示噪聲方差，noiseStdDevOffset是噪聲扣除常數30。UpdateEstimate會(huì )不斷地對varNoise等進(jìn)行更新。
在得到j(luò )itterdelay之后，通過(guò)jitterdelay+ decodedelay +renderdelay，再確保大于音視頻同步的延時(shí)，加上當前系統時(shí)間得到rendertime，這樣就可以控制播放時(shí)間。控制播放，也就間接控制了buffer的大小。
取幀，解碼播放
取幀解碼播放圖
本文只介紹jitterbuffer相關(guān)內容，所以這里只詳細介紹取幀這一步。
解碼線(xiàn)程會(huì )一直從buffer中尋找期望的數據，這里說(shuō)的期望的數據分為必須完整的和可以不完整的。如果期望的數據是完整的，那就要從decodableframes隊列取出狀態(tài)為complete的frame，如果期望的數據可以是不完整的，就要從decodableframes和incompleteframes隊列取出數據。取數據之前，總是先去找到數據的時(shí)間戳，然后計算完jitterdelay和渲染時(shí)間，再經(jīng)過(guò)一段時(shí)間的延時(shí)（這個(gè)延時(shí)為渲染時(shí)間減去當前時(shí)間、decodedelay和render delay）之后再去取得數據，傳遞到解碼，渲染。
取完整的幀時(shí)，有一個(gè)最大等待時(shí)間，即當前buffer中沒(méi)有完整的幀，那么可以等待一段時(shí)間，以期望在這段時(shí)間里，可以出現完整的幀。
后記
從上述原理可以看出，WebRTC中的接收buffer并非是固定的，而是根據網(wǎng)絡(luò )波動(dòng)等因素隨時(shí)變化的。jitter則是為了對抗網(wǎng)絡(luò )波動(dòng)造成的抖動(dòng)，使得視頻能夠平穩播放。
那么，jitterbuffer是否存在可以?xún)?yōu)化的空間呢？jitterbuffer已經(jīng)較為優(yōu)秀，但我們可以通過(guò)調整里面的一些策略，來(lái)使視頻質(zhì)量更好。比如，增大緩沖區，因為jitterbuffer是動(dòng)態(tài)的，直接增大freeframes的size是無(wú)效的，只能通過(guò)調整延時(shí)，來(lái)增大緩沖區。再比如，調整等待時(shí)間，以期望獲得更多完整的幀。再如，配合NACK，FIR、FEC等QOS策略，來(lái)對抗丟包。
當然，這都是以犧牲延時(shí)為代價(jià)的。總之，要在延時(shí)和丟包、抖動(dòng)之間做出平衡。
