参考链接：
1. TCP、UDP、RTP详解 2. RFC3550英文原文
本文主要从OSI和 TCP/IP模型入手，一步一步理解RTP在模型中的位置和功能
数据传输协议RTP：用于实时传输数据。该协议提供的信息包括：时间戳（用于同步）、序列号（用于丢包和重排序检测）、以及负载格式（用于说明数据的编码格式）； 控制协议RTCP：用于QoS反馈和同步媒体流。相对于RTP来说，RTCP所占的带宽非常小，通常只有5%。
Q1：为什么要用RTP？ 一提到流媒体传输、一谈到什么视频监控、视频会议、语音电话（VOIP），都离不开RTP协议的应用，但当大家都根据经验或者别人的应用而选择RTP协议的时候，你可曾想过，为什么我们要使用RTP来进行流媒体的传输呢？为什么我们一定要用RTP？难道TCP、UDP或者其他的网络协议不能达到我们的要求么？ A1：像TCP这样的可靠传输协议，通过超时和重传机制来保证传输数据流中的每一个bit的正确性，但这样会使得无论从协议的实现还是传输的过程都变得非常的复杂。而且，当传输过程中有数据丢失的时候，由于对数据丢失的检测（超时检测）和重传，会数据流的传输被迫暂停和延时。 A1 : 或许你会说，我们可以利用客户端构造一个足够大的缓冲区来保证显示的正常，这种方法对于从网络播放音视频来说是可以接受的，但是对于一些需要实时交互的场合（如视频聊天、视频会议等），如果这种缓冲超过了200ms，将会产生难以接受的实时性体验。
Q2：那为什么RTP可以解决上述问题呢？ A2：RTP协议是一种基于UDP的传输协议，RTP本身并不能为按顺序传送数据包提供可靠的传送机制，也不提供流量控制或拥塞控制，它依靠RTCP提供这些服务。这样，对于那些丢失的数据包，不存在由于超时检测而带来的延时，同时，对于那些丢弃的包，也可以由上层根据其重要性来选择性的重传。比如，对于I帧、P帧、B帧数据，由于其重要性依次降低，故在网络状况不好的情况下，可以考虑在B帧丢失甚至P帧丢失的情况下不进行重传，这样，在客户端方面，虽然可能会有短暂的不清晰画面，但却保证了实时性的体验和要求。
当应用程序建立一个RTP会话时，应用程序将确定一对目的传输地址。目的传输地址由一个网络地址和一对端口组成，有两个端口：一个给RTP包，一个给RTCP包，使得RTP/RTCP数据能够正确发送。RTP数据发向偶数的UDP端口，而对应的控制信号RTCP数据发向相邻的奇数UDP端口（偶数的UDP端口＋1），这样就构成一个UDP端口对。 RTP的发送过程如下，接收过程则相反。
RTP协议从上层接收流媒体信息码流（如H.263），封装成RTP数据包；RTCP从上层接收控制信息，封装成RTCP控制包.
RTP将RTP数据包发往UDP端口对中偶数端口；RTCP将RTCP控制包发往UDP端口对中的奇数端口
RTP分组只包含RTP数据，而控制是由RTCP协议提供。RTP在1025到65535之间选择一个未使用的偶数UDP端口号，而在同一次会话中的RTCP则使用下一个奇数UDP端口号。端口号5004和5005分别用作RTP和RTCP的默认端口号。RTP分组的首部格式如图2所示，其中前12个字节是必须的。
下面给出一些常见的定义，帮助我们更好地理解之后RTP协议。
①RTP负载（RTP payload） 通过RTP传输的包中的数据——例如，音频样本或压缩好的视频数据
②RTP包 一种数据包——由固定RTP报头，一个可能为空的CSRC列表以及负载数据组成。
③RTP媒体类型 是一个单独RTP会话所载有的负载类型的集合
④多媒体会话 在一个参与者公共组中，并发的RTP会话的集合。——例如，一个视频会议可能含音频和视频部分的RTP会话
⑤RTP会话 一群参与者通过RTP进行通信时所产生的关联。一个参与者可能同时参与多个RTP会话。除非音频和视频多路复用到单一数据流中，否则每种媒体都将使用各自的RTCP包，通过独立的RTP会话进行传送。
⑥混频器 一个中间系统，它从一个或者多个源中接受RTP包，可能改变其数据格式，再按某种方式把这些包组合成一个新的包，然后转发出去。【对各个流计时器做出调整】
⑦同步源 SSRC RTP包流的源【发送方】。麦克风，摄像机，混频器都是同步源。
SSRC标识符特点 a.在特定的RTP会话中是唯一的 b.同一个流在所有的RTP会话中可以不同 c.在一个RTP会话中的不同流必须不同
⑧作用源 CSRC
若一个RTP包流的源，对混频器的合成起了作用，那么他是一个作用源。例如对于音视频，混频器组合所有声音，生产一个较大的包，这个包有一个SSRC标识符【混频器的】，在维护一个CSRC表，表中每一项由起作用的【谁在说话】源的SSRC标识符组成。
此外还有以下内容，这里不再赘述。
1.RTCP包 2.端口 3.传输地址 4.终端系统 5.转换器 6. 监视器 7.非RTP途径
其中，前12个字节（B）即前3行 【12*8/32 = 3】，出现在每一个RTP包中，CSRC仅在混合器插入时才有。
【1】版本V： 2bit
本协议定义版本是2。
【2】填充P： 1bit 若P被设置，则此包包含一个或多个附加在末端的填充bit，这些bit不算做负载的一部分。P的最后一个字节指明可以忽略多少个填充比特。P可用作固定block size的加密算法，或者用于底层数据单元中来传输多个RTP包。
【3】 扩展X： 1bit 若X被设置，固定头后面must跟随一个头扩展
【4】CSRC计数 CC：4bit CC表示CSRC标识符的个数
【5】标志M： 1bit M的解释由具体协议定义。例，可以用来允许在比特流中标记重要的事件，如帧边界。
【6】负载类型PT：7bit 定义了负载的格式，由应用决定。协议可以规定负载类型和负载格式之间的一个默认的匹配。
【7】序列号(seq number): 16bit 每发送一个RTP数据包，seq number 加1。接收端可以据此检测丢包和重建包序列。为了安全,序列号初始值是随机的。
【8】时间戳(timestamp): 32bit 反应了RTP数据包中第一个字节数据的采样时间。可以依赖系统时钟，采样时钟和参考时钟。（profile 描述文件） 采样时钟，对于固定速率的音频，每个周期加1。如果一个音频从输入设备中读取含有160个采样周期的块，那么对于么个块，时间戳的值增加160。 参考时钟，为了不同每日流保证同步。类似于相对时钟，解决了偏移量的问题。
【9】同步源SSRC 用以识别同步源。标识符identifier是随机生成的，即使概论很低也要检测和解决冲突。若源本身改变传输地址，必须选择新的标识符，以避免当做一个环路源。
【10】作用源CSRC 最多有0-15项。由混合器插入(Mix)，并列出所有贡献源的SSRC标识符。
如图所示，若X被设置，则可以增加长度可变的头扩展。其中16bit的length指示扩展项中32bit的个数，不包括4字节（B）的扩展头本身【因此0是有效的】。前16bit指示该头扩展的标识符。
RTCP向会议中的所有成员周期性地发送控制包。它使用与数据包相同的传输机制。底层协议必须提供数据包和控制包的复用，例如使用不同的UDP端口。RTCP有下4个功能：
1.基本功能： 提供数据传输质量的反馈（QoS） 便于“观察者”评估通讯中出现的问题是全局的还是局部的。也可以让第三方监视员来诊断网络故障。 2.CNAME规范名 ： 用于关联同一系列相关RTP会话中来自同一个成员的多个数据流，如同步语音和图像。 3.控制RTCP包的发送速率来应对RTP会话中成员的增长 4.可选：传输最少的会议控制信息 在“松散会议”中，成员可以不经过资格控制和参数协商而加入或者退出会议。
RTCP包有很多种，例如SR、RR、SDES、BYE和APP。分别是发送者报告、接受者报告、源描述项、表明参与者即将离开会话和应用描述功能。下文将详细介绍SR和RR。 复合RTCP包可以由多个RTCP包组成。每个RTP成员在一个报告间隔内应只发送一个RTCP复合包，以便正确估计每个成员的带宽，【除了上述限制2中的例外情况】。当数据源个数太多超过31个【最大传输单元, MTU】，则在第一个SR之和，应该加上附加的RR。
SR包分为三个部分：1-6第一部分; 7-10第二部分；11-17第三部分
1) 版本V： 2bit 本协议定义版本是2。
2) 填充P： 1bit 若P被设置，则此包包含一个或多个附加在末端的填充bit，这些bit不算做负载的一部分。P的最后一个字节指明可以忽略多少个填充比特。P可用作固定block size的加密算法，或者用于底层数据单元中来传输多个RTP包。
3) 接受报告块计数RC（report blocks count）: 5bit 可以为0。
4) 包类型PT（packet type）：8位 当包位SR是，PT= SR=200
5) 长度： 16位 单位是32位。包括头和填充字节。Length = PacketSize/32-1，为了可以使得len=0。
6) SSRC：32bit SR包发送者的同步源
7) NTP 时间戳：64位 每发送一个RTP数据包，seq number 加1。接收端可以据此检测丢包和重建包序列。序列号初始值是随机的，为了安全。
8) RTP时间戳(timestamp): 32bit 与上述NTP时间戳对应同一时刻。与数据包中的RTP时间戳具有相同的单位和偏移量。
9) 发送者报文数 ：32bit 从开始传输到此SR包产生时该发送者发的RTP包总数。若SSRC被改，需要重设。
10) 发送者字节数 ：32bit 从开始传输到此SR包产生时该发送者在RTP包发送的字节总数。（不包括头和填充）。 若更改需要重设。
11) SSRC_n: 32bit
12) 丢包率： 8bit 丢包率 = 损失包数/期望包数
13) 累计丢包数： 24bit 累计丢包数 = 扩展的上一个接收序列号 - 最初接收序号 （可能为0）
14) 接收到的扩展最高序列号：32bit 低16位包含从源SSRC_n来的最高接收序列号，高16位用以相应的序列号周期计数器扩展改序列号。
15) 到达间隔抖动： 32bit
16) 上一个SR报文 【LSR】： 32bit 接收到来自源SSRC_n的最新RTCP[SR]包的64位NTP的中间32位。
17) 来自上一个SR的时间【DLSR】： 32bit 接收到来自源SSRC_n的最新RTCP[SR]包后到发送此接收报告块之间的延时。
可以看到：Start_Time + delay1 + DLSR + delay2 = Arrive_Time。因为Arrive_Time取得是32位，所以Start_Time也要取32位。因此： Total_Delay = A - DLSR - LSR (这个LSR是起始时间的表示)
可以看出，RR基本与SR相同，除了PT位值为201
