流媒体与实时通信 / 系统课时
SFU 如何扩展多人互动观看
SFU 如何扩展多人互动观看
当一个直播间从 2~3 人扩展到几十人互动观看时,真正先撞到瓶颈的通常不是编码能力,而是上行带宽和转发关系。本课用 4 人房间和多人房间算一遍 P2P 与 SFU 的差异,并说明 SFU 如何按订阅者选择媒体层。
学习目标
- 能用上行带宽公式判断 P2P 是否还能继续扩展
- 能说明 SFU 的发布、订阅、转发三类关系
- 能根据观看端能力选择合适的视频层,而不是所有人接收同一份码流
先算清 P2P 的上行成本
假设一个互动房间有 4 个参与者,每人发送 720p 视频,单路编码码率为 2.5 Mbps。P2P 全互联时,每个参与者都要把自己的媒体复制给另外 3 人,因此单个发送端需要承担约 Mbps 的持续上行。
当人数扩大到 8 人,同样的码率下,单个参与者的上行变成 Mbps。这里还没有计算音频、协议头、重传和带宽余量。人数继续增加后,上行开销按参与者数量线性增长,而房间中的总发送关系会快速膨胀。
P2P 的优点是服务端几乎不承担媒体转发,但它更适合人数较少、参与者网络条件接近的场景。比如 3 人会议室可以接受 5~10 Mbps 的上行预算,而几十人互动观看时,让每个浏览器承担多路复制通常不现实。
| 房间规模 | 单路视频码率 | 每个发送端需要发送给的对端数 | 单发送端视频上行 |
|---|---|---|---|
| 3 人 | 2.5 Mbps | 2 | 5.0 Mbps |
| 4 人 | 2.5 Mbps | 3 | 7.5 Mbps |
| 8 人 | 2.5 Mbps | 7 | 17.5 Mbps |
| 16 人 | 2.5 Mbps | 15 | 37.5 Mbps |
P2P 的关键限制可以概括为:发布者越多,每个发布者就越需要复制自己的媒体;观看人数增长会直接压到终端上行。
SFU 把发布和转发拆开
SFU(Selective Forwarding Unit)不要求发送端把一份视频复制成很多份。发布者只向 SFU 上传自己的媒体流,SFU 根据订阅关系把已收到的 RTP 包转发给需要它的观看者。

例如 8 人房间里,每个参与者仍只上传自己的 2.5 Mbps 视频到 SFU;假设某个参与者订阅另外 3 路视频,则他的下载侧接收约 Mbps,但发布端上行仍然只需约 2.5 Mbps。扩展压力从“每个终端复制很多份”转移为“SFU 承担更多下行转发”。
这种结构还有一个工程上的好处:媒体发布与媒体订阅不必一一对应。 用户可以随时加入、退出某一路视频订阅,而发布者不需要重新建立一组 P2P 连接。
订阅关系决定转发什么
SFU 的核心数据可以理解为“谁发布了什么”和“谁订阅了什么”。以一个 3 人房间为例,A 发布摄像头和麦克风,B 只发布摄像头,C 只发布麦克风;如果 C 只需要看 A 和 B 的视频,那么 SFU 就不应该把其他未订阅的媒体发送给 C。
实际系统中通常给每条媒体轨设置一个稳定的发布标识,例如 trackId 或 mid,再由订阅端发起订阅或取消订阅。服务端维护发布者、媒体轨、订阅者三者关系后,才知道某一个 RTP 包应该复制到哪些下行会话。
一个常见的错误做法是“房间里有 N 条视频,所有观看者默认全部转发”。例如一个 20 人房间,每人上行 1.5 Mbps,如果某个观看者全部接收,理论视频下行就可能达到 Mbps;移动网络和普通家庭宽带很容易出现卡顿。正确做法是先根据界面状态确定订阅集合,再让 SFU 只转发当前需要的媒体。
多层编码让订阅可以按能力选择
多人互动观看时,问题不仅是“要不要订阅”,还包括“订阅哪一个质量层”。一个发布者可以同时产生多个编码层,例如 180p 250 kbps、360p 700 kbps、720p 2.5 Mbps。SFU 可以根据观看者的网络、终端和画面位置选择其中一层转发。
假设同一房间里有一个大画面主持人和三个小缩略图。可以给大画面订阅 720p,小画面只订阅 180p 或 360p。这样同一个发布者的媒体不会被所有观看者以最高质量接收。
| 观看位置 | 推荐层 | 示例码率 | 典型用途 |
|---|---|---|---|
| 主画面 | 720p | 2.5 Mbps | 主讲人、当前发言者 |
| 次画面 | 360p | 700 kbps | 参与者视频窗 |
| 小缩略图 | 180p | 250 kbps | 多人九宫格 |
| 仅音频 | 音频层 | 48~64 kbps | 屏幕占满或弱网 |
这类选择的判断标准可以直接落到三个输入:订阅优先级、观看端可用带宽、视频在界面中的尺寸。 例如 120×90 的缩略图没有必要强制接收 720p;当下行带宽从 6 Mbps 降到 2 Mbps 时,SFU 也可以把非主画面降到更低层,而不是等待播放器反复丢包。
实际部署中常见的是 simulcast 或 SVC。simulcast 是发布者同时发送多个独立编码层;SVC 则把视频编码成可按层裁剪的结构。二者目标相同,都是让 SFU 能按订阅者需求转发更合适的媒体质量,但具体协议和编码器支持取决于 WebRTC 实现与浏览器版本。
用一个房间模型判断架构
假设目标是支持 50 人互动,其中 5 人开启摄像头,45 人主要观看。每个摄像头发布 720p、2.5 Mbps,并额外提供 360p、700 kbps 和 180p、250 kbps 三层。
在 P2P 模型下,单个发布者如果需要向 49 个对端发送,视频上行理论上达到 Mbps,基本不适合作为浏览器端的默认方案。即使再做动态降码率,上行复制仍然是扩展瓶颈。
采用 SFU 后,5 个发布者各向 SFU 上传一路 720p 主流,上行总量约为 Mbps;观看者侧则根据订阅集合接收相应层。SFU 的总出口带宽会随订阅数量增长,因此容量评估必须从“单用户上行”转为“房间总下行 + 连接数 + 包处理量”三个指标。
当用户很多但真正的大画面订阅数量有限时,SFU 可以通过订阅控制和分层转发把无效流量压掉。反过来,如果一个房间里的 100 个用户全部要求接收 20 路高清视频,SFU 仍然会受到网络出口和转发能力限制,不能因为采用 SFU 就认为容量无限。
因此,实际选型可以用一个简单判断:少量参与者、终端上行充足时可以考虑 P2P;参与者和观看者数量达到几十人、需要统一订阅控制和质量分层时,SFU 更合适。