GiaoThuc.comGiao Thức
Giao thức thời gian thực và IoT

WebRTC hoạt động thế nào: báo hiệu, ICE, STUN, TURN và gọi video trên trình duyệt

Cuộc gọi video trên trình duyệt đi qua những bước nào: trao đổi SDP, ICE tìm đường xuyên NAT, STUN, TURN, DTLS-SRTP và vì sao nhóm đông cần SFU.

Young Vietnamese woman on a video call from a small apartment balcony in Ho Chi Minh City, laptop facing her with a glowing blank display, potted plants, evening light, back view

WebRTC là bộ giao thức và giao diện lập trình cho phép hai trình duyệt gửi âm thanh, video và dữ liệu thẳng cho nhau, với độ trễ thấp, không cần cài phần mềm. Phần khó nhất của nó không nằm ở nén video mà ở chuyện tìm đường: hai máy đều nằm sau NAT, sau tường lửa, không biết địa chỉ thật của nhau, vậy làm sao bắt tay được?

Hình dung hai người ở hai chung cư khác nhau muốn chuyền đồ trực tiếp qua cửa sổ thay vì gửi qua lễ tân. Trước hết họ cần một người trung gian chuyển lời nhắn để hẹn nhau (báo hiệu), rồi thử lần lượt mọi lối đi có thể (ICE), nhờ ai đó bên ngoài nói cho biết mình đang đứng ở đâu nhìn từ phố (STUN), và nếu mọi lối đều bị khoá thì đành nhờ một kho trung chuyển (TURN). Phần dưới đi qua từng mảnh theo đúng thứ tự một cuộc gọi diễn ra.

Báo hiệu: phần WebRTC cố tình không quy định

Trước khi có bất kỳ gói âm thanh nào, hai trình duyệt phải trao đổi vài thông tin: mỗi bên hỗ trợ codec nào, muốn gửi bao nhiêu luồng, khoá mã hoá được xác thực ra sao, và những địa chỉ mạng có thể dùng. Việc chuyển các thông tin này gọi là báo hiệu.

Điều nhiều người bất ngờ là WebRTC không định nghĩa kênh báo hiệu. Ứng dụng tự chọn: một kết nối WebSocket tới máy chủ của mình, một yêu cầu HTTP, thậm chí dán tay qua ứng dụng nhắn tin khi thử nghiệm. Lý do là mỗi ứng dụng đã có sẵn hệ thống người dùng, danh bạ, phòng họp riêng; chuẩn hoá báo hiệu sẽ buộc tất cả vào một mô hình.

Nội dung báo hiệu theo mô hình đề nghị – trả lời. Bên gọi tạo một mô tả phiên dạng SDP gọi là offer, liệt kê luồng và codec mình muốn. Bên nhận đọc, chọn phần giao nhau và trả về answer. SDP là định dạng văn bản có từ thời gọi điện qua Internet thế hệ đầu, mỗi dòng một thuộc tính, đọc khá khó nhưng chứa đủ thông tin: dòng mô tả từng luồng media, danh sách codec kèm số hiệu payload, dấu vân tay chứng chỉ dùng cho mã hoá, và các ứng viên địa chỉ.

Ba loại ứng viên ICE và chúng đến từ đâu

ICE (Interactive Connectivity Establishment, RFC 8445) là thủ tục thu thập mọi địa chỉ có thể dùng, gửi cho đầu kia, rồi thử từng cặp để tìm cặp chạy được và tốt nhất. Mỗi địa chỉ gọi là một ứng viên.

Loại ứng viênLấy từ đâuKhi nào dùng được
HostĐịa chỉ của chính card mạng trên máy, thường là địa chỉ riêng như 192.168.x.xHai máy cùng mạng nội bộ, hoặc máy có địa chỉ công cộng trực tiếp
Server reflexive (srflx)Hỏi máy chủ STUN bên ngoài: "bạn thấy gói của mình đến từ địa chỉ và cổng nào"Khi NAT của hai bên giữ nguyên ánh xạ cổng cho mọi đích, trường hợp phổ biến ở mạng gia đình
RelayXin cấp một địa chỉ trên máy chủ TURN, mọi gói đi vòng qua đóKhi NAT đối xứng hoặc tường lửa chặn UDP, đường thẳng không thể mở

Ví dụ giả định: một sinh viên ở Huế gọi cho bạn ở Cần Thơ. Mỗi máy có ứng viên host là địa chỉ riêng trong mạng nhà, vô dụng với nhau. Qua STUN, mỗi bên biết địa chỉ công cộng và cổng mà router nhà mình dùng để đại diện. Hai bên gửi gói kiểm tra tới địa chỉ đó của nhau gần như cùng lúc; gói đi ra làm NAT mỗi bên mở sẵn ánh xạ, nên gói từ đầu kia vào được. Kỹ thuật này thường gọi là đục lỗ UDP. Nếu một bên ở mạng doanh nghiệp chặn UDP ra ngoài, cặp relay qua TURN là đường duy nhất còn lại.

Một cuộc gọi diễn ra theo thứ tự nào

Ghép các mảnh lại, một cuộc gọi video một – một trên trình duyệt đi qua các bước sau:

  1. Bên gọi xin quyền camera, micro và tạo đối tượng kết nối ngang hàng, khai báo danh sách máy chủ STUN và TURN.
  2. Bên gọi tạo offer SDP, đặt làm mô tả cục bộ, rồi gửi offer qua kênh báo hiệu của ứng dụng.
  3. Đồng thời trình duyệt bắt đầu thu thập ứng viên ICE. Với cách gửi dần (trickle ICE), mỗi ứng viên tìm được gửi ngay qua báo hiệu, không chờ đủ hết, giúp cuộc gọi nối nhanh hơn.
  4. Bên nhận đặt offer làm mô tả từ xa, tạo answer, gửi ngược lại, và cũng thu thập, gửi ứng viên của mình.
  5. Hai bên ghép ứng viên thành cặp, gửi gói kiểm tra kết nối STUN trên từng cặp, chọn cặp chạy được với độ ưu tiên cao nhất.
  6. Trên cặp đã chọn, hai bên bắt tay DTLS, so dấu vân tay chứng chỉ với giá trị trong SDP, rút ra khoá cho SRTP.
  7. Âm thanh, video bắt đầu chảy dưới dạng gói SRTP; kênh dữ liệu nếu có chạy bằng SCTP bên trong DTLS.

Mỗi bước đều có thể là chỗ hỏng. Cuộc gọi nối được trong mạng công ty nhưng không nối được từ mạng di động thường do thiếu TURN; có hình mà không có tiếng thường do codec không khớp hoặc quyền micro; nối được vài giây rồi rơi thường do ứng viên được chọn đi qua đường bị cắt khi NAT hết thời gian giữ ánh xạ.

Mã hoá trong WebRTC: bắt buộc chứ không tuỳ chọn

Khác với nhiều hệ thống gọi điện đời trước, WebRTC không cho phép gửi media không mã hoá. Mọi luồng âm thanh, video đều đi bằng SRTP, phiên bản bảo mật của giao thức truyền thời gian thực RTP, và khoá SRTP được trao qua bắt tay DTLS, tức TLS chạy trên UDP. Cách ghép này hay được gọi là DTLS-SRTP.

Điểm tinh tế nằm ở chuyện xác thực. Mỗi trình duyệt tự sinh chứng chỉ, không có cơ quan cấp nào ký. Thứ gắn chứng chỉ với cuộc gọi là dấu vân tay ghi trong SDP, mà SDP lại đi qua kênh báo hiệu do ứng dụng nắm. Nghĩa là nếu máy chủ báo hiệu bị chiếm hoặc chính nhà vận hành muốn, họ có thể thay dấu vân tay và chen vào giữa. Vì thế độ tin cậy của mã hoá WebRTC gắn liền với độ tin cậy của kênh báo hiệu, thường được bảo vệ bằng TLS.

Cũng cần phân biệt với mã hoá đầu cuối khi có máy chủ chuyển tiếp media. Với TURN, máy chủ chỉ chuyển gói SRTP đã mã hoá, không đọc được nội dung. Với SFU trong cuộc họp nhóm, máy chủ thường phải giải mã lớp DTLS-SRTP để định tuyến, trừ khi ứng dụng thêm một lớp mã hoá đầu cuối riêng phía trên.

Gọi nhóm: mesh, SFU và MCU

Ngang hàng thuần chỉ đẹp với hai người. Khi số người tăng, mỗi người phải gửi luồng của mình cho từng người còn lại và băng thông tải lên của điện thoại hay mạng gia đình cạn rất nhanh. Ba kiến trúc phổ biến:

Kiến trúcCách chạyƯu điểmNhược điểm
MeshMỗi người kết nối thẳng với mọi người khácKhông cần máy chủ mediaVới N người, mỗi người gửi N trừ 1 bản luồng; quá năm sáu người là quá tải
SFUMỗi người gửi một luồng (hoặc vài mức chất lượng) lên máy chủ, máy chủ chuyển tiếp chọn lọc cho người khácTải lên mỗi người chỉ một luồng; máy chủ không phải giải nén lạiTải xuống vẫn tăng theo số người hiển thị; máy chủ cần băng thông lớn
MCUMáy chủ giải nén mọi luồng, trộn thành một khung hình chung, nén lại gửi cho từng ngườiMáy khách nhận đúng một luồng, hợp thiết bị yếuTốn CPU máy chủ rất lớn, thêm độ trễ, khó tuỳ biến bố cục

Phần lớn hệ thống họp trực tuyến hiện nay dùng SFU kết hợp kỹ thuật gửi nhiều mức chất lượng cùng lúc (simulcast): người gửi đẩy lên một bản độ phân giải cao, một bản trung bình, một bản thấp; SFU chọn bản phù hợp cho từng người nhận theo băng thông và kích thước ô hiển thị của họ.

Kênh dữ liệu: không chỉ có hình và tiếng

Bên cạnh âm thanh và video, WebRTC có kênh dữ liệu cho phép hai trình duyệt gửi văn bản hoặc nhị phân tuỳ ý. Kênh này không đi bằng RTP mà bằng SCTP, một giao thức giao vận vốn sinh ra cho mạng viễn thông, được bọc bên trong DTLS rồi mới đặt lên UDP. Cách xếp chồng nghe phức tạp, nhưng nó cho kênh dữ liệu dùng chung đường đi đã được ICE mở và chung lớp mã hoá với media.

Điểm đáng giá của SCTP là cho chọn chế độ theo từng kênh. Bạn có thể yêu cầu tin cậy và đúng thứ tự như TCP, hợp với truyền tệp hay tin nhắn trò chuyện. Bạn cũng có thể cho phép không đúng thứ tự, giới hạn số lần truyền lại hoặc thời gian sống của mỗi tin, hợp với trạng thái trò chơi hay vị trí con trỏ trên bảng vẽ chung: tin cũ đến muộn thì bỏ, chỉ tin mới nhất có giá trị.

Một kết nối có thể mở nhiều kênh dữ liệu song song, mỗi kênh một chế độ, và kênh này không chặn kênh kia khi có gói mất. Ví dụ giả định: một ứng dụng học vẽ trực tuyến dùng một kênh tin cậy để gửi nét vẽ đã hoàn tất và một kênh không tin cậy để gửi vị trí bút đang di chuyển, nhờ đó nét vẽ không bao giờ thiếu mà con trỏ vẫn mượt khi mạng chập chờn.

Khi cuộc gọi chập chờn: đọc đúng triệu chứng

Hình vỡ khối, tiếng vẫn ổn. Video chiếm phần lớn băng thông và nhạy với mất gói hơn âm thanh. Bộ điều khiển băng thông của WebRTC sẽ hạ độ phân giải hoặc khung hình để giữ tiếng; nếu mất gói kéo dài, khung tham chiếu bị hỏng và hình vỡ cho tới khung chính kế tiếp.

Tiếng bị robot, đứt từng mẩu. Thường do dao động độ trễ lớn khiến bộ đệm chống rung phía nhận phải co giãn liên tục, hoặc do mất gói theo chùm trên Wi-Fi yếu. Codec âm thanh như Opus có cơ chế che lỗi, nhưng chỉ đỡ được mất gói lẻ.

Độ trễ cao bất thường. Kiểm xem cặp ứng viên được chọn có phải relay hay không. Nếu máy chủ TURN đặt ở xa người dùng, mọi gói phải đi vòng, cộng thêm hàng trăm mili giây.

Công cụ để xem. Trình duyệt dựa trên Chromium có trang nội bộ hiển thị thống kê WebRTC theo thời gian thực: cặp ứng viên, gói mất, dao động độ trễ, tốc độ bit. Giao diện lập trình getStats cho phép ứng dụng tự thu thập các số này. Tên trang và trường có thể đổi theo phiên bản, nên kiểm tài liệu trình duyệt hiện hành.

Câu hỏi thường gặp

WebRTC có cần máy chủ không?

Có, ít nhất là máy chủ báo hiệu để hai bên trao đổi SDP và ứng viên, thường kèm máy chủ STUN. Để cuộc gọi chạy được ở mọi mạng cần thêm TURN. Gọi nhóm đông người cần thêm máy chủ media như SFU. Ngang hàng thuần chỉ áp dụng cho đường đi của media khi điều kiện mạng cho phép.

STUN và TURN khác nhau thế nào?

STUN chỉ trả lời câu hỏi địa chỉ công cộng của bạn là gì, sau đó media đi thẳng giữa hai máy. TURN là máy chủ chuyển tiếp: mọi gói media đi vòng qua nó. STUN rất nhẹ, còn TURN tốn băng thông nhưng là đường cứu cánh khi đường thẳng bị chặn.

Vì sao gọi WebRTC trong mạng công ty hay thất bại?

Nhiều mạng doanh nghiệp chặn UDP ra ngoài hoặc dùng NAT đối xứng, khiến đục lỗ UDP không thành. Khi đó chỉ còn cách đi qua TURN, tốt nhất là TURN chạy trên TCP hoặc TLS ở cổng 443 vì cổng này hầu như luôn mở.

WebRTC có mã hoá cuộc gọi không?

Có, bắt buộc. Media đi bằng SRTP với khoá trao qua DTLS. Tuy nhiên độ tin cậy phụ thuộc vào kênh báo hiệu, và khi cuộc họp đi qua SFU, máy chủ thường thấy được nội dung trừ khi ứng dụng thêm mã hoá đầu cuối riêng.

Trickle ICE là gì?

Là cách gửi từng ứng viên ICE ngay khi tìm thấy thay vì chờ thu thập đủ rồi mới gửi một lần. Nhờ vậy hai bên bắt đầu thử kết nối sớm hơn và thời gian từ lúc bấm gọi tới lúc nghe tiếng ngắn hơn đáng kể.

Có thể dùng WebRTC để truyền dữ liệu không phải video không?

Có. Kênh dữ liệu của WebRTC truyền văn bản hoặc nhị phân giữa hai trình duyệt, có thể chọn tin cậy có thứ tự hoặc cho phép mất gói để giảm trễ. Nó hợp với trò chơi, chia sẻ tệp ngang hàng, đồng bộ trạng thái bảng vẽ.

Cần tư vấn cụ thể cho trường hợp của bạn?

Chúng tôi sẽ liên hệ trong vòng 24 giờ.

Đăng ký tư vấn ngay

Bài viết liên quan

Bạn cần hỗ trợ thêm?

Để lại thông tin, chúng tôi sẽ liên hệ trong 24 giờ.

hoặc
Gọi ngay 0926 138 138