webrtc sfu性能压测

1. 前言

        不少网友最近私信我，咨询webrtc sfu服务端性能问题，SRS开源服务能支持多少路webrtc流，mediasoup单房间能支持多少个人，推流能接入多少路，拉流能拉取多少路？720p能支持多少路，360p能支持多少路？

       这里介绍一下如何测试webrtc sfu服务器的性能，介绍原理和实际操作。最后以srs和mediasoup两个流行的webrtc sfu开源进行举例，如何压测其性能。

        阅读后，相信你今后能够自己针对自己的视频质量来进行对应的压测。

2. whip和whep的出现

       webrtc虽然有一套标准协议族：信令sdp交互/stun/dtls/rtp/rtcp等，但是每个开源的sfu都有自己定义的信令交互方式。也就是信令的交互方式都是开源sfu自定义的，比如

  • SRS(国内最流行的流媒体服务器之一)

    https post方式进行sdp交换

  • MediaSoup

    websocket传输信令，信令把sdp进行拆分: 1)stun/dtls信息;2)音频/视频的rtp/rtcp信息；

      这个时候whip协议的规范出来，就提供了一个webrtc信令交互的标准。rfc已经有了draft文档: 

https://www.ietf.org/archive/id/draft-ietf-wish-whip-01.html。

       whip全称: WebRTC-HTTP ingestion protocol，也就是webrtc推流协议，有了这个协议，基本上就有了webrtc的推流标准，很多sfu的开源都支持该协议，客户端OBS推流也支持该协议(可以用webrtc进行推流，来进行直播)

       whep全称: WebRTC-HTTP Egress Protocol，就是webrtc拉流协议，下行拉流协议。rfc的draf文档地址: 

https://www.ietf.org/archive/id/draft-murillo-whep-03.txt。

       本文主要就是基于whip/whep进行webrtc sfu压测。

3. 基于cpp_streamer工具进行压测

       cpp streamer是基于C++11开发的音视频组件，使用者可以把组件串联起来实现自己的流媒体功能。支持多种媒体格式，流媒体直播/rtc协议。

       网络开发部分，采用高性能，跨平台的libuv网络异步库。

      支持webrtc的推流/拉流，并且代码并未使用libwebrtc(chrome内部webrtc源码，依赖较多，库比较大)，而是笔者基于webrtc协议族规范(stun/dtls/rtp/rtcp等)开发的webrtc组件，代码非常的轻量。

       下面介绍，如何使用cpp_streamer进行压测。

4. SRS的webrtc性能压测

       笔者推荐使用开源cpp_streamer进行webrtc压测，下面介绍两个方向的压测:

  • 推流压测(whip)

  • 拉流压测(whep)

4.1 推流压测

4.1.1 媒体源文件      

压测的源文件采用mpegts格式，因为其能支持对opus音频编码的封装，具体的要求:

  • 视频编码

    H264, profile必须是baseline；

  • 音频编码

    Opus，采样率48000，通道2

推荐使用ffmpeg生成媒体源文件:

ffmpeg -i src.mp4 -c:v libx264 -r 25 -g 100 -profile baseline -c:a libopus -ar 48000 -ac 2 -ab 32k -f mpegts webrtc.ts

用户可以自己编码制作自己想要测试的视频分辨率，I帧间隔和帧率；

4.1.2 压测

在linux服务器上编译后，会生成whip_srs_bench执行文件，执行:

./whip_srs_bench -i webrtc.ts \-o "http://10.0.24.12:1985/rtc/v1/whip/?app=live&stream=1000" \-n 100

注意：

  • -i的参数为测试源文件，mpegts格式，视频H264 baseline profile，音频opus且采样率48000，通道数为2；

  • -o的参数为srs的webrtc地址，地址要加引号，如10.0.24.12是srs的地址，1985是srs的信令http端口号

  • -n为并发whip session个数，也就是推流的个数，推荐小于100，如果需要测试多于100的个数，推荐开启多个whip_srs_bench命令行，以确保准确度

4.2 拉流压测

在linux服务器上编译后，会生成whep_srs_bench执行文件，执行:​​​​​​​

./whep_srs_bench \ -i "http://10.0.8.5:1985/rtc/v1/whip-play/?app=live&stream=1000" \ -n 100

  • -i的参数为srs的webrtc的whep拉流地址，地址要加引号，如10.0.8.5是srs的地址，1985是srs的信令http端口号

  • -n为并发whep session个数，也就是拉流的个数，推荐小于100，如果需要测试多余100的个数，推荐开启多个whep_srs_bench命令行，以确保准确度

5. Mediasoup性能压测

5.1 推流压测

       压测源文件如何生成，见4.1.1。注意：当前也仅仅支持H264+Opus的编码格式。

在linux服务器上编译后，会生成mediasoup_push_bench执行文件，执行:​​​​​​​

./mediasoup_push_bench -i webrtc.ts \ -o "https://xxxxx.com:4443?roomId=200&userId=1000" \ -n 100

  • -i的参数，webrtc.ts为源文件：mpegts格式，视频h264 baseline；音频opus 采样率48000，通道数为2；

  • -o的参数，mediasoup的broadcaster接入模式，xxxx.com:4443为sfu的域名地址，roomId为房间号，userId为用户名。

  • -n的参数为整数，测试并发的数量，推荐小于100，如果需要测试大于100的，开启多个命令行，以保证拉流的准确度；

       mediasoup sfu的demo中，推流有个“坑”，注意：

       推流所在的roomId必须提前存在(也就是websocket端已经有人推流上来)，否则broadcaster创建失败。如果需要房间Id不存在的前提下命令行推流能成功，需要修改mediasoup-demo的源码server.js，如下:​​​​​​​

expressApp.param(  'roomId', (req, res, next, roomId) =>  {    queue.push(async () =>      {        consumerReplicas = 0;        req.room = await getOrCreateRoom({ roomId, consumerReplicas });        next();      }).catch((error) =>        {          logger.error('room creation or room joining failed:%o', error);          reject(error);        });  });

       原有代码：在http api检测roomId的房间是否存在，若不存在，拒绝创建broadcaster;

      新代码: 在http api检测roomId的房间是否存在，若不存在，创建该roomId的新房间;

5.2 拉流压测

在linux服务器上编译后，会生成mediasoup_pull_bench执行文件，执行:​​​​​​​

./mediasoup_pull_bench \ -i "https://xxxxx.com.cn:4443?roomId=100&apid=7689e48c-09ae-48ca-8973-ad5de69de5e8&vpid=aadbbb0b-2e4e-4ed8-8bd6-22e3c50b9fc1" \ -n 100 \ -l 1.log

  • -i的参数，mediasoup的broadcaster接入模式，xxxx.com:4443为sfu的域名地址，roomId为房间号，apid为推流audio的producerId, vpid为推流video的producerId；

  • -n的参数为整数，测试并发的数量，推荐小于100，如果需要测试大于100的，开启多个命令行，以保证拉流的准确度；

  • -l的参数为日志文件(可选，如果不填写，输出到控制台)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/1474190.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

生成式AI的短板在于“Token”的存在

生成式AI的短板在于“Token”的存在

生成式AI模型处理文本的方式与人类不同。理解它们基于“token”的内部环境，可能有助于解释一些奇怪行为和固有局限性。 从小型设备上的Gemma到OpenAI领先行业的GPT-4o，大多数模型都是基于一种称为Transformer的架构。由于Transformer在将文本与其他类型…
阅读更多...
git把本地分支的提交到自己的远程分支，然后合并特定远程分支

git把本地分支的提交到自己的远程分支，然后合并特定远程分支

1、首先，把本地更改的代码放到暂存区：git add . 2、把暂存区的代码进行提交：可以直接在控制台提交也可以使用代码git commit -m "进行的操作的注释" 提交前： 提交后： 3、使用git pull拉取代码（这…
阅读更多...
（南京观海微电子）——MOS管原理及应用区别

（南京观海微电子）——MOS管原理及应用区别

MOS管： 全称为金属氧化物半导体场效应管（Metal Oxide Semiconductor Field Effect Transistor），也被称为MOSFET（Metal-Oxide-Semiconductor Field-Effect Transistor）。它是一种半导体器件，常用…
阅读更多...
图论·Day01

图论·Day01

P3371 P4779 P3371 【模板】单源最短路径（弱化版） 注意的点： 边有重复，选择最小边！对于SPFA算法容易出现重大BUG，没有负权值的边时不要使用！！！ 70分代码 朴素板dijsk…
阅读更多...
【pytorch20】多分类问题

【pytorch20】多分类问题

网络结构以及示例 该网络的输出不是一层或两层的，而是一个十层的代表有十分类 新建三个线性层，每个线性层都有w和b的tensor 首先输入维度是784，第一个维度是ch_out,第二个维度才是ch_in(由于后面要转置)，没有经过softmax函数和…
阅读更多...
Fast R-CNN(论文阅读)

Fast R-CNN(论文阅读)

论文名：Fast R-CNN 论文作者：Ross Girshick 期刊/会议名：ICCV 2015 发表时间：2015-9 ​论文地址：https://arxiv.org/pdf/1504.08083 源码：https://github.com/rbgirshick/fast-rcnn 摘要 这篇论文提出了一…
阅读更多...
基于java+springboot+vue实现的校园外卖服务系统（文末源码+Lw）292

基于java+springboot+vue实现的校园外卖服务系统（文末源码+Lw）292

摘 要 传统信息的管理大部分依赖于管理人员的手工登记与管理，然而，随着近些年信息技术的迅猛发展，让许多比较老套的信息管理模式进行了更新迭代，外卖信息因为其管理内容繁杂，管理数量繁多导致手工进行处理不能满足广…
阅读更多...
Stream流真的很好，但答应我别用toMap()

Stream流真的很好，但答应我别用toMap()

你可能会想，toList 和 toSet 都这么便捷顺手了，当又怎么能少得了 toMap() 呢。 答应我，一定打消你的这个想法，否则这将成为你噩梦的开端。 让我们先准备一个用户实体类。 Data AllArgsConstructor public class User { priv…
阅读更多...
昇思MindSpore学习总结十——ResNet50迁移学习

昇思MindSpore学习总结十——ResNet50迁移学习

1、迁移学习 （抄自CS231n Convolutional Neural Networks for Visual Recognition） 在实践中，很少有人从头开始训练整个卷积网络（使用随机初始化），因为拥有足够大小的数据集相对罕见。相反，通常…
阅读更多...
LLM - 循环神经网络(RNN)

LLM - 循环神经网络(RNN)

1. RNN的关键点：即在处理序列数据时会有顺序的记忆。比如，RNN在处理一个字符串时，在对字母表顺序有记忆的前提下，处理这个字符串会更容易。就像人一样，读取下面第一个字符串会更容易，因为人对字母出现的顺序…
阅读更多...
Linux应用---信号

Linux应用---信号

写在前面：在前面的学习过程中，我们学习了进程间通信的管道以及内存映射的方式。这次我们介绍另外一种应用较为广泛的进程间通信的方式——信号。信号的内容比较多，是学习的重点，大家一定要认真学，多多思考。 一、信号概…
阅读更多...
【AI资讯】可以媲美GPT-SoVITS的低显存开源文本转语音模型Fish Speech

【AI资讯】可以媲美GPT-SoVITS的低显存开源文本转语音模型Fish Speech

Fish Speech是一款由fishaudio开发的全新文本转语音工具，支持中英日三种语言，语音处理接近人类水平，使用Flash-Attn算法处理大规模数据，提供高效、准确、稳定的TTS体验。 Fish Audio
阅读更多...
驾校管理系统设计

驾校管理系统设计

驾校管理系统设计旨在提高驾校运营效率、学员管理、教练安排、考试预约、财务结算等方面的能力。以下是一个基本的设计框架，包括关键模块和数据表设计： 1. 系统架构设计 前端界面：提供给学员、教练和管理员使用的Web界面或移动应用&#xf…
阅读更多...
【高中数学/基本不等式】当x是正实数时，求函数f(x)=x/(1+x^2)的最大值？

【高中数学/基本不等式】当x是正实数时，求函数f(x)=x/(1+x^2)的最大值？

【问题】 当x是正实数时&#xff0c;求函数f(x)x/(1x^2)的最大值&#xff1f; 【解答】 解&#xff1a; f(x)x/(1x^2)1/(x1/x))<1/2倍根号下(x*1/x)1/2 所以函数在[0,∞)的区域最大值为0.5 【函数图像】 f(x)x/(1x^2)是奇函数&#xff0c;没有断点&#xff0c;是可以…
阅读更多...
idea推送到gitee 401错误

idea推送到gitee 401错误

在idea上推送时遇到这样的问题&#xff0c;解决方法如下&#xff1a; 在https://的后面加上 用户名:密码 然后再提交就ok啦&#xff01;
阅读更多...
使用qt creator配置msvc环境(不需要安装shit一样的宇宙第一IDE vs的哈)

使用qt creator配置msvc环境(不需要安装shit一样的宇宙第一IDE vs的哈)

1. 背景 习惯使用Qt编程的童鞋&#xff0c;尤其是linux下开发Qt的童鞋一般都是使用qt creator作为首选IDE的&#xff0c;通常在windows上使用Qt用qt creator作为IDE的话一般编译器有mingw和msvc两种&#xff0c;使用mingw版本和在linux下的方式基本上一样十分简单&#xff0c;不…
阅读更多...
Alt与Tab切换窗口时将Edge多个标签页作为一个整体参与切换的方法

Alt与Tab切换窗口时将Edge多个标签页作为一个整体参与切换的方法

本文介绍在Windows电脑中&#xff0c;使用Alt与Tab切换窗口时&#xff0c;将Edge浏览器作为一个整体参与切换&#xff0c;而不是其中若干个页面参与切换的方法。 最近&#xff0c;需要将主要使用的浏览器由原本的Chrome换为Edge&#xff1b;但是&#xff0c;在更换后发现&#…
阅读更多...
数据结构与算法笔记：实战篇 - 剖析微服务接口鉴权限流背后的数据结构和算法

数据结构与算法笔记：实战篇 - 剖析微服务接口鉴权限流背后的数据结构和算法

概述 微服务是最近几年才兴起的概念。简单点将&#xff0c;就是把复杂的大应用&#xff0c;解耦成几个小的应用 。这样做的好处有很多。比如&#xff0c;这样有利于团队组织架构的拆分&#xff0c;比较团队越大协作的难度越大&#xff1b;再比如&#xff0c;每个应用都可以独立…
阅读更多...
mybatis-plus参数绑定异常

mybatis-plus参数绑定异常

前言 最近要搞个发票保存的需求&#xff0c;当发票数据有id时说明是发票已经保存只需更新发票数据即可&#xff0c;没有id时说明没有发票数据需要新增发票&#xff1b;于是将原有的发票提交接口改造了下&#xff0c;将调用mybatis-plus的save方法改为saveOrUpdate方法&#xff…
阅读更多...
从零开始实现大语言模型（四）：简单自注意力机制

从零开始实现大语言模型（四）：简单自注意力机制

1. 前言 理解大语言模型结构的关键在于理解自注意力机制(self-attention)。自注意力机制可以判断输入文本序列中各个token与序列中所有token之间的相关性&#xff0c;并生成包含这种相关性信息的context向量。 本文介绍一种不包含训练参数的简化版自注意力机制——简单自注意…
阅读更多...
最新文章

Copyright @ 2022~2023