Zoom的Web客户端和WebRTC有什么关系

Zoom是非常出色的视频会议平台，拿Zoom的web客户端和WebRTC对比似乎有失公允。重要的是，未来WebRTC还会不断做明智的改进。

Zoom有一个Web客户端，允许参与者在不下载他们的app的情况下参加会议。打开chrome://webrtc-internals显示只有getUserMedia用于访问相机和麦克风，但是没有像WebRTC那样调用RTCPeerConnection。这让我很感兴趣-他们没有使用WebRTC是如何打电话的？

为什么不使用WebRTC？

就像他们的网站上所说的那样，Zoom和WebRTC的关系比较复杂。

JitSi团队最近通过比较质量回应了这件事。Tsahi Levent Levi也对此发表了一些有用的评论。因此，让我们在Chrome中运行这种非常有趣的环境下快速查看这些“优秀特性”。

Zoom web客户端

Chrome网络开发者工具迅速显示了两件事：

WebSocket用于数据传输

这是一些工作人员加载的WebAssembly (wasm) 文件

基于WebSocket的媒体传输

基于WebSocket的媒体传输整体设计非常有趣。它使用WebSocket传输媒体，这当然不是最佳选择。类似于WebRTC中的Turn/TCP——它会影响传输质量，并且在很多情况下都不能很好地工作。使用TCP传输实时媒体的一般问题是丢包，这会导致重新发送和增加延迟。Tsahi前一段时间在TestRTC上描述了这一点，显示了使用这种方案对比特率和其他特性的影响。

基于WebSocket传输媒体最主要的优势在于，它可以在TURN/TCP和TURN/TLS被防火墙阻塞时，穿过防火墙。它避免了WebRTC TRUN连接不经过认证代理的问题。这是Chrome WebRTC实施中长期存在的问题，去年才得到解决。

在WebSocket上接收的数据进入基于WebAssembly (WASM)的解码器。浏览器中的AudioWrkLead获取到音频数据。从那里，解码的音频使用WebAudio“magic”目的节点播放。

视频被渲染出来，这个过程出乎意料的顺利，质量也非常高。

另一方面，WebAudio通过getUserMedia调用捕获媒体数据，发送给WebAssembly编码器编码，然后通过WebSocket传输。640*360分辨率的视频数据在发送给WebAssembly编码器之前从画布中获取到，这是非常常见的。

WASM文件似乎包含与Zooms本地客户端相同的编码器和解码器，这意味着网关不必进行转码。相反，它可能只是一个websocet-RTP中继，类似于转换服务器。编码的视频有时有些像素化。虽然编码器的CPU使用率相当高（在640×360分辨率），但这可能并不重要，因为用户可能将问题归咎于Chrome，并在下次使用客户端。

H.264

使用WebAssembly提供媒体引擎是非常有趣的，它允许支持Chrome／WebRTC不支持的编解码器。用emscripten编译的FFmpeg以前已经做了很多次了，这里似乎也使用了emscripten。通过WebSockets传输编码后的数据，可以使用Chrome优秀的调试工具检查RTP头和一些帧来显示H264荷载。

令我惊讶的是，网络抽象层单元（NALU）没有表示H264-SVC。

和WebRTC的比较：

总之，让我们比较一下Chrome在本例中使用的与WebRTC标准（W3C或者各种IETF草案）不同的地方：

特性	Zoom Web client	WebRTC/RTCWeb Specifications
加密	基于安全Websocket的RTP	DTLS-SRTP
数据通道	n/a?	SCTP-based
ICE	n/a for Websocket	RFC 5245 (RFC 8445)
Audio codec	未知	Opus
多码流	未研究	Chrome实现
Simulcast	在web client上未研究	扩展特性

WebRTC下一版

尽管WebRTC 1.0还远远没有完成（而且大多数开发人员仍在使用被称为“遗留API”的东西），但是关于“下一个版本”的讨论仍然很多。

Zoom网络客户端的总体设计强烈地提醒了我，在今年早些时候在斯德哥尔摩召开的工作组面对面会议上，Google的Peter Thatcher为WebRTC NV提出的建议。请参阅幻灯片（https://www.w3.org/2011/04/webrtc/wiki/images/5/5c/WebRTCWG-2018-06-19.pdf）。

如果我们要在2018重建WebRTC，我们可能已经采取了类似的方法来分离组件。基本上采取以下步骤：

编译用于wasm的webrtc.org编码器/解码器。

将解码器与画布连接，WebAudio用于”布局”

将编码器和getUserMedia连接用于输入

将编码后的数据通过不可靠的信道发送

以某种方式连接RTCDataChannel反馈度量和音频/视频编码器

该方法是从工作组会议幻灯片中看到的：

与Zoom方法相比，该方案具有非常明显的技术优势。例如，使用RTCDataChannels传输数据，这比WebSocket具有更好的拥塞控制特性，特别是当存在分组丢失时。

该设计的最大优点是可以将编码器和解码器（以及相关的东西，如RTP打包）与浏览器分离，从而允许定制版本。主要问题是找到一种好的方法，以包括硬件加速的高性能方式使数据处理脱离主线程。这是Chrome早期面临的一大挑战，我记得很多关于沙箱让事情变得困难的抱怨。Zoom看起来很好，但是我们只尝试了1:1的聊天，而典型的WebRTC应用程序比这个要求更高一些。重用像MediaStreamTrack这样的构建块来进行从工人到工人的数据传输也比使用Canvas元素和WebAudio要好。