第1章.     文档说明

本文档建立在另一篇文章——《MSNP15（MSN8.1）协议分析》的基础上。因此MSNP的一些基础知识请参考该文，而本文的重心是进一步分析MSN Media所用的协议。

第2章.     通信过程

2.1.  概述

MSN Media的通信过程将分音频通信过程和视频通信过程两部分来讲解。音频和视频的通信过程同即时消息的通信过程（《MSNP15（MSN8.1）协议分析》中已讲述）很类似。只是音频通信和视频通信不经服务器中转，一般是点对点的UDP通信，而且为了保证实时性和服务质量，UDP之上还使用了RTP/RTCP协议（请参看《RTP协议分析》）。

2.2.  音频通信过程

msn单纯语音聊天时，建立连接用的是STUN协议，数据传输使用RTP协议。示意性的过程如下。

1)        本机客户端向NS服务器（Notification Server，假设其IP：端口为64.4.13.195:1863）请求两个新SB 服务器地址（Switchboard Server），其中一个用于发送请求，另一个用于接受回复。如下面表格所示：

客户端通过tcp向服务器发送xfr命令，参数为sb。NS服务器收到请求后，同样以xfr命令返回，参数中包含SB服务器的ip地址和端口号，以及SB服务器的cki安全序号。如下例所示：

2)        客户端根据返回的ip地址和端口好，通过tcp协议连接两SB服务器。

3)        连接成功后，客户端分别向两SB服务器发送usr命令，第一个参数为实际连接的电子邮件地址，第二个参数为第二步骤返回SB服务器cki安全序号。如果发送成功，SB服务器返回usr命令，第一个参数为ok。如下例所示：

4)        当邀请对方对话时，把对方的注册的电子邮件地址作为参数传递到cal命令中，然后发送SB服务器，收到该请求后，服务器返回一个id号。同时服务器又向客户端发送joi命令，把被请求方的电子邮件地址作为第一个参数。如下例所示：

以上步骤都是本机客户端与两SB服务器之间同时进行，都执行了以上所有的步骤。

5)        当客户要进行语音对话时，本机客户端向发送请求SB服务器发送一个请求（假设SB服务器的ip地址：64.4.12.192，端口：1863）。该请求的格式如下例所示：

msg 4 n 277

6)        服务器64.4.12.192收到该请求后，回复ack，表示确定已收到该请求。

7)        当被请求方接受你的语音对话邀请后，回复SB服务器（假设为ip地址：64.4.12.159，端口：1863）向本机客户端发送回复，其回复格式如下：

ip-address:返回被请求方的ip地址。

8)        当本机收到该回复后，向服务器64.4.12.159发送一个消息，其格式如下：

ip-address:本机的ip地址和端口。

9)        服务器64.4.12.159收到该消息后，返回一个ack命令，表示确认已收到。

10)     然后由被请求方根据本机客户端的ip地址和端口进行udp连接，进行数据传递。

2.3.  视频通信过程

视频通信过程与语音通信相同，同样申请两个SB服务器，最后通过udp进行连接，进行数据传送。当然视频通信也可以使用TCP通信，这种情况下MSN视频聊天时，先用TCP建立连接，然后用HTTP传输数据。

第3章.     RTP封装

关于RTP的详细介绍，请参考《RTP协议分析》。在这里我们主要关注RTP头部的3个字段：Payload Type、Sequence Number和Time Stamp。

Payload Type：长度为7比特，该区域的数值标识了载荷所承载的内容的数据类型。如果此RTP流是用来传输语音或者视频数据的，此区域的数值是具体的载荷数据的编码类型。这些具体的数值所对应的编码由IETF的其他RFC规定，但是现存的大量的应用程序使用的是自己定义的标识符，MSN同样是这样的。例如对于音频通信，MSN的音频通信一般使用自定义类型114（对应的十六进制为0x72）。

Sequence Number和Time Stamp则用来实现RTP信息的排序和同步。

第4章.     实现方案

表 1协议分析要求

表 1给出了协议分析要求。音视频连接开始建立时，客户端和服务器的交互信息中有双方的信息（账号、IP地址和端口等），我们提取这些信息就能获得Local account和Opponents account。

至于Audio和Video信息的还原可这样来做。

1)        首先客户端会向服务器发送一个操作请求数据包，包中存在一项数据指明了请求的操作类型，其关键字以application-name开头，随后为相关数据以ascii 码表示。语音对话和视频对话ascii 码相同，都为3a 20 e8 af ad e9 9f b3 e5 af b9 e8 af 9d 0d 0a。我们可以提取此关键字段来判断当前是否出现了Audio和Video，当然我们也可以根据客户端与服务器端的交互过程来判断。

2)        然后，我们可以根据RTP包中Payload Type中来判断当前的包是音频包还是数据包，并且得到这个包的相应解码方式。我们可以根据RTP包中的Sequence Number和Time Stamp对RTP包排序和同步，并利用相应的解码方法对其解码，从而还原出音频和视频。解码方法的设计可以在参考现有的解码器的实现。

第5章.     参考资料

[1]      《MSNP15（MSN8.1）协议分析》。

[2]      《RTP协议分析》。

[3]      http://bbs.intercn.net/viewthread.php?tid=34，该文较好地讲述MSN的各中通信过程。

[4]      http://www.cncert.net/tec/ours/2007-7-18/114.html, 该文以实例的形式较好地分析了MSNP15的通信过程。

[5]      bingwen0210/archive/2007/03/30/1546475.aspx，该文较好地讲述了MSNP9/MSNP10。

[6]      http://msnpiki.msnfanatic.com/index.php/MSN_Protocol_Version_15，该英文网站有很多MSNP8-MSNP15的资料。

[7]      http://www.hypothetic.org/docs/msn/index.php，该英文网站算得上MSNP的官方网站了，但是目前提供的资料还只到MSNP10。