在這個章節，我們將介紹這篇論文的背景知識，如：網路電話(VoIP)、聲音編碼(Voice codec)、加密演算法(Encryption algorithm)，以及網路安全協定(IPSec)等。
2.1 網路電話 (Voice over IP，VoIP)
將類比式訊號電話系統轉變成數位式訊號電話系統，並且使用封包交換式傳輸網路 來傳送聲音封包是近年來熱門的趨勢，許多歐美網路提供者(ISP)紛紛提出相關的產品。
本節將介紹網路電話的基本知識，以及目前較常用的通訊協定與技術。
2.1.1 網路電話簡介
Voice over IP 簡單來說，即是將聲音數位化之後，以一個個封包的方式，透過 IP(Internet Protocol) 架 構 的 網 路 傳 送 到 收 話 端 [1] ， 相 較 於 先 前 的 電 路 交 換 式 (Circuit-Switch)有著網路資源運用更加充分，以達到同時可處理更多通電話連線的好 處，並且成本更加低廉，所以廣受業界的矚目與推廣。
網路電話的演進可以分成三個階段來看(如圖 1 所示)：
圖 1 網路電話演進圖
(1) PC to PC：最早被開發出來的網路電話系統，利用軟體在 IP 網路上建立傳送 聲音封包的連線，可說是最簡單且容易的建構方法。第一個這類型的產品是
由Vocaltec [38] 於 1995 年 2 月所開發出來的 Internet Phone，這個軟體的需 求配備為486/33-MHz PC、一張音效卡、麥克風，以及調變解調器(Modem)，
可以算是 VoIP 的第一個商業軟體。近年來，這類的產品大行其道，許多的 軟體，如Microsoft 的 MSN messager、Yahoo 的 Yahoo 即時通...等都提供有 網路電話的功能。Skype [40] 於 2004 年 2 月推出了第一套以 P2P 為基本架 構的網路電話軟體，以不錯的通話品質獲得廣大的好評。
(2) PC to Phone：由於目前電路交換式的電話系統仍然是分佈最廣泛的系統，所 以如何將兩種不同的網路系統互相溝通，使得使用者可以輕易的使用個人電 腦打電話到一般的公眾交換網路(Public Switch Telephone Network, PSTN) 上，是電話服務業者最為重視的一個部份。這一類的應用最早由 Net2Phone 這家公司於 1995 年 11 月提出 PC-to-Phone 的網路電話計劃 [39]。1997 年 12 月 ITXC 公司開始大量生產交換機伺服器，將 PC-to-Phone 產品商業化。
上一段所提及的Skype [40] 軟體也同樣具有 PC to Phone 的能力。
(3) Phone to Phone：發展網路電話的最終目標是希望能將聲音與資料系統的整 合，以方便管理與控制，所以Phone-to-Phone 系統的開發就是希望能取代傳 統的電路交換式系統。Net2Phone 公司於 1997 年 9 月開始在美國推出 Phone 的歡迎，所以每年成長也有一定的幅度，我們可以從Allied Business Intelligent Inc.(ABI) 於2003 年對 VoIP 做的研究與推測(圖 2)中看出，未來 VoIP 市場的成長幅度是樂觀的。
圖 2 世界網路電話市場成長預測圖 (資料來源：Allied Business Intelligence Inc)
同樣的，雖然亞洲的市場因為電信業開放的腳步較為緩慢，網路電話(VoIP)成長的 速度相較於歐美國家來的遲緩，但是許多的調查與研究都顯示亞太地區網路電話的成長 都是可以樂觀預期的，這方面可從 IDC 於 2002 年對亞太地區做的研究與預測(圖 3)可 看出，成長的可能性。
圖 3 亞洲網路電話成長預測圖 (資料來源：IDC)
2.1.2 網路電話通訊協定
為了可以順利的在公眾的 IP 網路上建立連線並傳送聲音的封包，一套公認的通訊 協 定(Protocol) 是 必 要 的 。 網 路 上 兩 大 網 路 通 訊 協 定 訂 定 組 織 ： ITU (International Telecommunication Union)與 IETF(The Internet Engineering Task Force)分別都訂定了適用 於網路電話連線建立與中斷的通訊協定，到目前為止共有四個較為廣泛使用的通訊協 定，在此做簡單的介紹。
(1) RTP [14]：Real-time Transport Protocol，由 IETF 於 1996 年 1 月定義在 RFC1889，
是一個用來傳送即時應用的通訊協定(包括聲音、影像…等)，定義有 RTP 封包 標頭(Packet Header)與所傳送媒體相關的資訊…等。和 RTCP(RTP Control Protocol，RFC1890)搭配使用，是一套專門處裡媒體傳送的通訊協定，藉以和 訊號封包分開傳送。
(2) H.323：Packet-based Multimedia Communications Systems，1995 年 3 月 28 日由 ITU-T 正式訂為標準，是一套包含其他通訊協定的封包式多媒體通訊系統 [31]
~ [33]。因為定義的較早，演化的版本也很多(於 2003 年 7 月出版第五版)，所 以許多的系統都採用H.323 的架構開發，如 Microsoft 的 NetMeeting 即是採用 H.323 的架構。H.323 最大的缺點為系統龐大，內部結構複雜。
(3) SIP：Session Initial Protocol，於 1999 年 3 月定義於 RFC 2543，再版定於 RFC 3261。為一套點對點(Peer to peer)以及主從式(Client/Sever)的傳輸架構，與 SDP(Session Description Protocol, RFC 2327) 、 RTSP (Real-Time Streaming Protocol, RFC 2326)、SAP (Session Announcement Protocol, RFC 2974)合為 IETF 多媒體資料與控制架構(Multimedia data and control architecture) [15] ~ [17]。SIP 最大的好處即為簡單、彈性佳，適合用於智慧型掌上產品的開發。
(4) MGCP：Media Gateway Control Protocol，於 1999 年 10 月由 IETF 定義在 RFC 2705，為一套主從式(Master-slave)架構的通訊協定 [1] [19] ，運用於 Media Gateway Controller(MGC)與 Media Gateways(MGs)之間所傳輸的訊息規範上(請 見圖 4)。MGCP 是一套純知識性的通訊協定，需要其他的通訊協定來詳細定 出實作架構，Megaco/H.248 就是根據 MGCP 為基礎所定義出的通訊協定。
(5) Megaco/H.248(Gateway control protocol)：為 IETF(MEGACO)與 ITU-T(H.248) 於2000 年 11 月共同研究開發的通訊協定 [20] [34] ，與 MGCP 的用途類似，
用於MGC 與 MGs 的通訊上，亦為主從式(Master-slave)的架構。
圖 4 各個 VoIP 通訊協定運作分工情形
以上為目前用於網路電話的五個通訊協定，其中 H.323 與 SIP 主要用在通訊會期 (Session)的建立與中止，以及媒體傳送的管理上。MGCP 與 MEGACO/H.248 主要是幫 助網路電話與原先PSTN 架構的相容性更佳所設計出來的。接下來的章節我們將特別介 紹SIP 架構的細節部份。
2.1.3 Session Initial Protocol (SIP)
Session Initial Protocol，簡稱 SIP [15]，是由 IETF 於 1999 年訂定出來的應用層 (Application-layer)通訊協定，主要是為了多媒體通訊的建立、修改與中斷而訂定。其最 大的特點為簡單、靈活度高以及適用於智慧型裝備。底下我們將分架構與訊息交換兩大 部份來介紹SIP。
2.1.3.1 SIP 架構
SIP 為一個主從式(Client-server)的架構，由用戶端(Client)發出需求(Request)，伺服 器端(Server)接收到需求後，因情形發出適當的回應(Response)給用戶端，底下我們分別 介紹SIP 架構中的每個實體(Entity)：
(1) Client：又稱 User agent client，為一個應用程式，用來發出 SIP 訊息給伺服器 或是其他的用戶。
(2) Server：主要用來對用戶端的需求做出正確的回應用，依功能可分成四類。
1. Proxy server：作用就像一般區域網路(LAN)中的代理伺服器(Proxy)一樣，
將從用戶端收到的需求傳到正確的伺服器或用戶，可分成有狀態性(Stateful) 或是無狀態性(Stateless)。
圖 5 SIP 代理伺服器(SIP proxy server)
2. Redirect server：從用戶端收到需求，依據伺服器資料庫內的紀錄，得到用 戶查詢的對應位置，回傳給用戶端，此伺服器無法發出Invite message 給其 他的實體(Entities)。
圖 6 SIP 位置轉向伺服器(SIP redirect server)
3. Register server：接受從用戶端發出的 register 訊息，讓用戶註冊於伺服器上，
包含用戶端的一些資訊如：位置、暱稱…等，通常會與 proxy server 以及 redirect server 合併在一起使用。
圖 7 SIP 註冊伺服器(SIP register server)
4. User agent server：接收從使用者(User)來的需求，並做出回應(發出需求到 伺服器端，以得到回應)，通常與 user agent client 合併成一個裝置(Device)，
稱做User agent(UA)。
圖 8 SIP 使用者代理人(SIP user agent)
2.1.3.2 SIP 訊息傳遞
SIP 是一個以文字為基礎(Text-base)的通訊協定，使用 ISO 10646 定義的字元，並使 用UTF-8 的方式編碼，所以 SIP 的訊息看起來類似於 HTTP 的訊息。用文字基礎傳送的 缺點是與使用二進位方式表示的訊息相較，較占傳輸頻寬。
SIP 的需求(Request)訊息可以分為六個基本類型：
(1) Invite：用來發出邀請、開起連線的訊息。
(2) ACK：用來確認最後的回應(Response)已經收到。
(3) BYE：用來結束連線用的訊息。
(4) OPTION：用來詢問伺服器的負載量(Capacity)等訊息。
(5) CANCEL：用來停止一個暫時行的需求(Request)。
(6) REGISTER：由 User agent client 發出，做為登入(Login)或是註冊用的訊 息，一個用戶可以對許多的伺服器註冊；對同一個伺服器也可接受同一個 用戶多次的註冊動作。
底下我們用一個簡單的例子來介紹 SIP 建立一通連線的訊息交換：
圖 9 簡易 SIP 通話訊息交換圖
首先由發話端(Caller)送出 INVITE 的訊息給收話端(Callee)，當收話端收到訊息後，
會先發出鈴響，並傳回Ringing 的訊息。當收話端拿起話筒回應時，會送出 200 OK 的 訊息，發話端收到後，傳送 ACK 訊息，則通話正式建立。當通話結束時，任一端發出 BYE 訊息，由對方收到並回覆 200 OK 後通話正式結束。
2.2 聲音編碼 (Voice codec)
以往傳送聲音的傳送都是藉由類比訊號(Analog)，如果要使用 IP 網路傳送的話，便 必須將類比訊號轉為數位訊號，所以需要一套轉換的方式。聲音的編碼方式因為不同的
需求，所以發展出許多的方法，底下我們將針對我們所需要的網路傳輸聲音編碼方法做 進一步的介紹。
2.2.1 聲音編碼簡介
為了要使聲音封包在網路上傳輸更加的方便，所以對於頻寬需求有一定的限制，同 時也要兼顧到聲音品質的好壞。為了有個評斷的標準，ITU-T 在 recommendation P.800 [35]
中提出了MOS(Mean Option Score)的概念，將聲音由好到壞分成 1 到 5 這 5 個等級(MOS
(1) Waveform codec：為最簡單的一種聲音編碼方式，使用此編碼方法可得到 不錯的聲音品質，但是需要一定量以上的傳送頻寬。編碼的過程大致上可 分為兩個步驟：
1. Sampling：將輸入的聲音波型從類比方式轉變成為數位表示的過 程，如下圖所示：
圖 10 聲音取樣示意圖(Voice sampling)
至於要每秒要取多少個樣本(Sample)數，目前最廣泛被使用的理論 是Nyquist sampling theorem，這個理論說明取樣頻率(Sampling rate) 需要是原來輸入頻率的兩倍以上，才能在轉回類比時不失去原有的 波型。
2. Quantization：決定要使用多少位元(Bits)來表示一個樣本，因為無 法 完 全 表 示 每 種 樣 本 的 數 值 ， 是 故 會 產 生 所 謂 的 量 化 誤 差
均 勻 量 化(Uniform quantization) 與 非 均 勻 量 化 (Non-uniform quantization)。均勻量化顧名思義就是每一個量化步驟間距都相同。
而非均勻量化在量化步驟較小時會用較小的間距。
(2) Source codec (Vocoders)：Source codec 試圖將輸入的訊號，對應到相對的 數學模組，利用聲音被製造的原理來模擬，通常使用線性的聲道預測濾波 器來處理，可以達到很低的位元率(Bit rate)，但是聲音普遍聽起來很明顯 的是合成出來的結果，品質並不佳，就算提高位元率(Bit rate)來儲存也不 會有明顯的效果與改善。
(3) Hybrid codec：Hybrid codec 試圖結合上述兩種方法的好處，有 waveform codec 高品質的好處以及 source codec 低頻寬的好處。
下圖表示上面三種 codec 的位元率(Bit rate)與 MOS 的關係圖。
圖 11 各種聲音編碼方法的位元率(Bit rate)對聲音品質的影響圖 (資料來源：[1])
底下我們將介紹幾種常見用於即時應用於網路傳輸的 voice codec，都是定義在 ITU-T 的 G.7xx 系列中，其中 G.711 與 G.726 的觀念將會應用於論文中資料分享(Data sharing)處理的部份。
2.2.2 ITU-T G 系列 Codec
ITU-T G 系列是定義一些在數位網路上傳送與多媒體部份的組織架構(Transmission systems and media, digital systems and network)，而 G.7XX 定義有關聲音編碼方式以及傳 送的相關資訊，底下我們將介紹其中四種：G.711、G.723.1、G.726、G.729 voice codec。
2.2.2.1 G.711
G.711 [27] 又稱做脈衝編碼調變(Pulse Code Modulation，PCM)，是目前最普遍最常 用的聲音編碼方式，採用waveform codec 方式編碼，MOS 約在 4.3 左右。因為人類說
話的頻率分布在300 到 3800Hz，依照 Nyquist sampling theorem，取樣頻率(Sampling rate)
話的頻率分布在300 到 3800Hz，依照 Nyquist sampling theorem，取樣頻率(Sampling rate)