Aquí tenéis la continuación que os prometí de las bases de la VoIP. Este artículo intentaré hacerlo tan entendible como el anterior pero no será sencillo porque los temas a tratar son ya bastante técnicos y especializados. A pesar de eso es muy necesario tenerlos claros, si no, cuando toquemos sistemas de VoIP reales no sabremos a qué se refieren los manuales o los otros compañeros cuando nos explican los motivos por los que pasan las cosas. O simplemente, por qué hacen falta ciertos dispositivos en las configuraciones.
Otra vez tengo que hacer referencia a Network System Design Line, esta vez al artículo How VoIP works: Protocols, codecs, and more (local).
Resumiendo las ideas básicas
En el artículo de las bases de la VoIP quedó muy claro el proceso que sigue una llamada de VoIP. También se insinuó la importancia del tiempo que se tarda en muestrear las ondas analógicas de la voz (digitalizar la voz) y el espacio que ocupa esa digitalización. Eso repercutirá de forma directa en el tiempo que tardemos en transportar esa información hasta el otro extremo, donde se hará el proceso inverso hasta que el interlocutor oiga nuestra voz.
Bien, pues en este documento me centraré en explicar qué se hace después de digitalizar la voz, o sea, se comprime esa información antes de ser transportada para que ocupe menos espacio (eso lo hacen los codecs). Por otro lado, hay que pensar que cuando enviamos un email o una fotografía a través de una red IP esa información no es sensible al tiempo. O sea, nos da igual que tarde unos segundos más o menos en llegar, eso no afecta al mensaje que se transporta. Obviamente en una conversación eso no es así y esos paquetes tienen que llegar suficientemente rápido al otro extremo para que la sensación de "tiempo real" sea suficiente.
Las redes IP, por defecto, son redes de tipo best-effort, eso quiere decir que todos los paquetes que viajan a través de ellas intentan pasar lo más rápido posible pero sin ningún tipo de arbitraje. Hablando claro, la ley del más fuerte. Por tanto, se trata inicialmente de un entorno poco indicado para transportar información sensible al tiempo. Por ejemplo, información en tiempo real (o streaming) de audio y/o vídeo.
Para adecuar mejor ese medio a las comunicaciones sensibles al tiempo se usan técnicas de QoS. O sea, intentamos montar un sistema de arbitraje en los nodos de la red para priorizar el tráfico sensible al tiempo. Por ejemplo, el tráfico de VoIP. Si la red en la que se tiene que trabajar no tiene mucha carga de tráfico eso no es demasiado importante. Hay que tener presente que internet no es una red con QoS. Por tanto, es un entorno hostil para nuestras llamadas de VoIP.
Entrando un poco en temas técnicos, lo que tenemos que conseguir en lo que se refiere a los retardos (delay) de la red entre los dos extremos son tiempos inferiores a 100ms. Aunque con retardos por paquete de 100 a 200ms pueden llegar a pasar llamadas, ya se pueden empezar a dar fenómenos molestos para los interlocutores. A menudo problemas de echo.
Problemas típicos de una red IP
Cuáles son los problemas que tenemos que intentar evitar que tenga una red IP para poder pasar VoIP sobre ella:
- Delay el retardo, tiempo que tardan los paquetes en viajar del punto inicial al final. Los retardos demasiado altos acostumbran a provocar problemas de echo acústico.
- Packet loss pérdida de paquetes, sobre todo se da en las redes WAN, si los paquetes tienen que viajar a través de muchos puntos (gateways) se podrían perder. Perdiendo pues información del mensaje que se transporta.
- Jitter cambios repentinos y no deseados en el tiempo que tardan los paquetes en llegar, eso puede provocar desorden. Para solucionarlo a menudo se usan buffers y paquetes pequeños, con poca información.
- Echo los paquetes llegan más de una vez por caminos diferentes. No es lo mismo que el echo acústico.
Resumen de pasos que sigue la voz hasta llegar al otro extremo
En el siguiente gráfico podemos ver cuáles son todos los pasos, uno por uno, que sigue nuestra voz hasta llegar al interlocutor. Como podemos ver cada uno de los pasos tiene una serie de codecs, protocolos y normas asociadas que a continuación se describen.

Como ya se ha comentado lo primero que se hace después de muestrear la voz (digitalizar) es codificarla y comprimirla para reducir los requerimientos de ancho de banda. Ese proceso lo llevan a cabo los codecs.
Los paquetes de datos comprimidos se mueven a través de las redes gracias a un protocolo de transporte. Los gateways se encargan de enrutar esos paquetes entre diferentes redes IP (u otras, si hace falta) hasta que los paquetes llegan a su destino. Cuando llega al destino se decodifican (y descomprimen) los paquetes recibidos y se convierten otra vez en audio.
VoIP en el modelo OSI
El modelo de 7 capas OSI define cualquier proceso de networking (interconexión digital en una red). Si hay dos extremos que quieren tener una sesión de comunicación, los datos que estos generan empiezan en la capa 7, sufriendo las encapsulaciones necesarias hasta llegar al medio de transmisión (por donde viajan los datos: cable, aire, luz, etc.); en el otro extremo pasa el proceso inverso desde el medio hasta el usuario. Bien, pues eso es lo que nos muestra el siguiente gráfico y nos coloca cada uno de los protocolos en una de las capas.

Control de sesión: H.323 vs. SIP
Lo primero que nos hace falta para establecer una comunicación en VoIP es un protocolo de sesión que nos indique cómo informamos a la red de que existimos, cómo intentamos comunicarnos con otros usuarios o cómo recibimos las comunicaciones de otros usuarios. Los dos protocolos más conocidos que se encargan de eso son H.323 y SIP. Aunque hay muchos otros como IAX (protocolo usado por Asterisk).
International Telecommunication Union (ITU) H.323
El H.323 es un estándar de la ITU desarrollado originalmente para enviar voz y datos en tiempo real (videoconferencia y similares). Aunque una de las primeras aplicaciones que tuvo fue la VoIP. De hecho, el H.323 más que un protocolo en sí es un grupo de estándares, codecs y protocolos que dicen cómo establecer una comunicación multimedia a través de una red IP. Por ejemplo, el protocolo de señalización que usa H.323 es el H.225 y el protocolo de negociación de funcionalidades el H.245.
Session Initiation Protocol (SIP)
El SIP lo definió la IETF en el RFC 3261. Se desarrolló especialmente para la telefonía IP. De hecho, se considera una solución mucho más limpia y sencilla que el H.323. SIP se usa con SDP para descubrir usuarios; además ofrece la capacidad de descubrir funcionalidades y de gestionar llamadas. SDP es esencialmente un formato que describe cómo fijar los parámetros de inicialización para intercambiar la información multimedia. Básicamente SIP/SDP es análoga a H.225/H.245 en el protocolo H.323.
El protocolo SIP nos permite además establecer conexiones entre dos extremos sin la necesidad de disponer de un servidor. Aunque no es lo habitual. Ya que normalmente lo que hacen los clientes SIP es registrarse contra un servidor público para mostrarse al resto de clientes de la red.
Protocolos de la capa de transporte
Los protocolos de señalización descritos anteriormente son los responsables de establecer las configuraciones a usar en una sesión multimedia entre dos usuarios. Pero esa información de señalización viajará por la red a través de los protocolos de transporte de siempre, o sea, UDP (no orientado a conexión) y/o TCP (orientado a conexión).
Transportando la conversación: RTP
El protocolo RTP ofrece un servicio de entrega de paquetes con información de audio y vídeo que tiene que ser servida en tiempo real. Este protocolo usa como protocolo de transporte el UDP para minimizar la cabecera (la cabecera UDP es mucho más pequeña que TCP). A cambio de eso no puede garantizar la entrega de los paquetes que transporta (UDP no está orientado a conexión, no hay retransmisión de paquetes perdidos), además tampoco puede garantizar que el orden en que entrega los paquetes sea el correcto.
Estructura de un paquete RTP:

Así pues lo que intenta hacer RTP es añadir aquellas funcionalidades que no le da UDP para que los datos que transporta sean lo más útiles posible. Las funcionalidades que da RTP a UDP son: nivel de QoS, marcas de tiempo (timestamps), números de secuencia y confirmación de recepción por cada paquete enviado. También puede soportar esquemas de corrección de errores para hacer más robustos los datos que transporta, hasta algunas opciones de cifrado básicas para los datos del paquete.
Obviamente eso carga un poco el paquete UDP; en este gráfico podemos ver una comparación con el precio que pagamos por obtener todas estas funcionalidades.

RTP Control Protocol (RTCP)
RTCP es un protocolo complementario a RTP y se usa para enviar información de control, como por ejemplo el número de paquetes perdidos, jitter, retardo, etc. Es muy útil para saber cuál es la calidad de la sesión que estamos manteniendo. Gracias a la información de este protocolo podemos saber la necesidad que tiene nuestra red de que le demos soporte de QoS. O la necesidad de cambiar los codecs que estamos usando para ajustarnos mejor a las necesidades de la red en la que trabajamos.
Codecs
Arriba del todo de la pila VoIP encontramos los protocolos encargados de comprimir la información que se ha muestreado de la fuente de digitalización (nuestra voz, imágenes de vídeo, etc.). Los factores que determinan la eficiencia de un codec son: el nivel de compresión (cuanto más comprima mejor), tiempo de compresión y descompresión (cuanto menos tarde en hacer el proceso mejor), soporte a la pérdida de paquetes (capacidad de reproducir la información original sin tener todos los paquetes en el destino), corrección de errores, coste intelectual (hay que pensar que no todos los codecs son libres, hay muchos de pago).
Codecs de audio:
- G.711 (año 1988) estándar internacional para la codificación de conversaciones telefónicas. Usa 64kbps de ancho de banda por cada conversación.
- G.723.1 (año 1996) usa de 5.3 a 6.3kbps de ancho de banda. Es capaz de detectar la no actividad de la voz, para consumir menos ancho de banda y también es capaz de generar ruido de confort (ruido necesario para saber que la llamada está en curso y que no hay problemas en la línea). Es bastante bueno soportando pérdida de paquetes y corrigiendo errores de bits erróneos. La familia de estándares internacionales para transportar vídeo H.324 establece este protocolo de audio como estándar para el audio.
- G.729 (año 1996) usa unos 8kbps de ancho de banda, pero también puede trabajar con 6.4kbps o 11.8kbps. Soporta detección de actividad de la voz y generación de ruido de confort.
- GSM codecs de voz conocidos gracias a la telefonía móvil, definidos por la ETSI. El ancho de banda que usan para trabajar es de unos 13kbps.
- Speex es OpenSource y lo desarrollamos en xiph.org. Capaz de trabajar con muestras de 8, 16 y 32kHz. Capaz de trabajar con anchos de banda de 2kpbs hasta 44kbps. Además es resistente a los errores de la red, soporta detección de actividad de la voz. Además también soporta variable-bit-rates, o sea, puede adaptar el muestreo según la complejidad de los sonidos a enviar, hasta es capaz de soportar codificación en estéreo.
Para acabar...
Con este documento ya hemos hecho un repaso a grandes rasgos de los elementos que componen una comunicación de VoIP. Cuando nos dispongamos a configurar un sistema de VoIP encontraremos muchas otras siglas, codecs, protocolos, etc. pero este documento nos sirve como una referencia básica sobre la que empezar a trabajar mientras vamos adquiriendo experiencia en este mundo tan interesante.