流媒体与实时通信 / 系统课时
RTP 包里究竟装了什么
RTP 包里究竟装了什么
抓到一串 RTP 音频包后,最关键的不是先看十六进制,而是知道头部哪些字段决定“这是谁的包、顺序怎样、什么时候播放、负载按什么格式解释”。本节只聚焦音频 RTP 的核心头部,让你能把抓包字段与实际播放行为对应起来。
学习目标
- 识别 RTP 固定头中的 Payload Type、Sequence Number、Timestamp 与 SSRC
- 理解序列号和时间戳分别解决“包顺序”和“媒体时间”两个不同问题
- 能根据字段变化判断常见的乱序、丢包与流切换现象
RTP 头部先看这四个字段
RTP 的基础头部至少 12 字节。对日常音频排查来说,最常看的字段是 Payload Type、Sequence Number、Timestamp 和 SSRC;它们共同描述这个包属于哪条媒体流、携带何种负载,以及它在流中的相对位置。

| 字段 | 作用 | 排查时怎么看 |
|---|---|---|
| Payload Type | 指示负载采用哪个已协商的 RTP 格式 | 必须结合当前会话的 SDP 映射解释,不能只凭数字猜 codec |
| Sequence Number | 每发送一个 RTP 包通常递增 1 | 跳号可能表示丢包;回退或交错可能表示乱序 |
| Timestamp | 表示媒体采样时间位置 | 决定包之间的媒体时间关系,不等同于发送时间 |
| SSRC | 标识同步源 | 同一条媒体流通常保持稳定;变化可能意味着换源或重建流 |
Sequence Number 管包顺序
Sequence Number 是 16 位字段,会在达到最大值后回绕。接收端用它发现缺口和乱序,例如观察到 1000、1001、1003,就会知道 1002 没有按预期到达;但这并不能说明丢失了多少毫秒音频,因为一个 RTP 包承载的音频时长由打包方式决定。
它解决的是“包的编号”,而不是“媒体时间”。因此,不能用序列号直接计算播放时刻,也不能因为序列号连续就认为网络没有抖动。
Timestamp 管媒体时间
Timestamp 是 32 位字段,表示负载在 RTP 时钟中的采样时间位置。对 WebRTC 中的 Opus,RTP 时钟频率通常是 48000 Hz。若每个包承载 20 ms 音频,那么相邻包的时间戳通常相差 960,因为 48000 × 0.02 = 960。
这里的时间戳不是 Unix 时间,也不是“包发出的毫秒数”。它只需要在同一 RTP 时间基准下保持正确增量,让接收端能够排序、计算抖动并安排播放。
Payload Type 不能脱离 SDP 看
Payload Type 只有 7 位,它的数值本身通常不能唯一说明 codec。WebRTC 常使用动态 Payload Type,因此看到 111、109 或其他值时,都应回到当前会话的 SDP 查找对应的 a=rtpmap 和 a=fmtp。
同一个 Payload Type 在一段会话内应按协商结果解释。若抓包工具能读取 SDP,它往往会直接解码为 Opus;如果没有协商上下文,只看 RTP 头部数字就下结论容易误判。
SSRC 用来区分媒体源
SSRC 是 32 位同步源标识。接收端用它区分不同 RTP 流,并把序列号、时间戳、统计信息都归到对应来源。多人通话、重连、轨道替换或转发服务器改写流时,都可能看到不同 SSRC。
排查时可以把四个字段连起来看:SSRC 先确定是哪条流,Payload Type 决定如何解释负载,Sequence Number 检查丢包与乱序,Timestamp 检查媒体时间是否连续。这样比单独盯着某一个数字更容易判断问题发生在哪一层。