ProbeBitrateEstimator 在 WebRTC 中是实现网络带宽主动探测的核心组件。它通过分析专门发送的探测数据包的发送和接收情况，估算当前网络的实际可用带宽。该类聚合同一探测簇的包统计信息，计算发送端和接收端速率，并采用保守策略（如目标利用率系数）确保估计结果可靠。其输出为拥塞控制算法提供关键输入，用于动态调整媒体流的发送速率，避免网络过载的同时最大化带宽利用率，是 WebRTC

AlrDetector（应用受限区域检测器）是WebRTC中用于检测发送端是否处于应用层限速状态的核心组件。它通过维护一个基于时间间隔的预算系统，监控实际发送数据量与网络容量之间的关系。当发送速率持续低于网络容量的设定比例（如65%）时，判定进入ALR状态；当发送速率恢复时退出该状态。该检测为拥塞控制算法提供关键状态信号，帮助区分网络拥塞和应用层限速，从而优化带宽估计和速率调整策略

LossBasedBandwidthEstimation类基于网络丢包率动态估算可用带宽上限。它通过分析丢包统计数据，使用多阈值控制和RTT自适应算法，决定增加、减少或保持当前带宽估计，实现网络拥塞控制，是WebRTC GCC拥塞控制体系的核心组件之一。

摘要： 本文提出Tambur，一种基于流编码的新型视频会议丢包恢复方案，通过优化带宽分配与顺序恢复机制，显著提升用户体验质量（QoE）。传统前向纠错（FEC）方法在突发丢包时效率低下，而Tambur通过结合机器学习预测模型与自适应流编码，在微软Teams真实数据测试中将帧解码失败率降低26.5%，带宽开销减少35.1%。实验显示，Tambur将视频卡顿频率和累计时长分别降低26%和29%，验证了流

libRaptorQ是一种实现RFC6330标准的前向纠错（FEC） 库。它基于喷泉码（Fountain Code）技术，能将数据分割成源符号并生成无限多的修复符号。其核心优势在于，接收端只要收到略多于原始数据块数量的任意符号组合，即可无重传地恢复全部数据，显著提升高丢包环境下的传输效率与可靠性。相比早期Raptor码，它支持更大数据块且编码效率更高，广泛适用于实时视频流、大规模文件分发等场景

libRaptorQ是一种实现RFC6330标准的前向纠错（FEC） 库。它基于喷泉码（Fountain Code）技术，能将数据分割成源符号并生成无限多的修复符号。其核心优势在于，接收端只要收到略多于原始数据块数量的任意符号组合，即可无重传地恢复全部数据，显著提升高丢包环境下的传输效率与可靠性。相比早期Raptor码，它支持更大数据块且编码效率更高，广泛适用于实时视频流、大规模文件分发等场景

摘要： BBRv2是Google对BBRv1的重大升级，通过更精确的带宽和延迟模型优化传输控制。其核心改进包括：1）引入丢包率阈值（默认2%），与TCP流公平共存；2）设置缓冲区预留空间（BBRHeadroom），降低浅缓冲区的重传率；3）支持ECN，提前感知拥塞。相比BBRv1，BBRv2在公平性和稳定性上显著提升，但吞吐量略低（约13%-16%），适用于共享网络和无线环境，而在深缓冲区或高突发

SpeechProbabilityEstimator在WebRTC噪声抑制系统中是语音检测的核心组件。它通过分析多维度声学特征（LRT似然比、谱平坦度、谱差异），基于贝叶斯概率框架实时估计每个频带的语音存在概率。该算法采用特征加权融合和自适应sigmoid映射，结合先验概率平滑更新，为噪声抑制滤波器提供精确的语音/噪声判别依据。其输出的频带概率直接控制噪声谱估计和增益计算，在保持语音质量的同时实现

WebRTC中的NoiseSuppressor类是实现实时音频噪声抑制的核心模块。它采用基于维纳滤波的频域处理算法，通过分析-处理两阶段工作流程：分析阶段进行噪声估计、语音概率检测和SNR计算，构建噪声模型；处理阶段应用自适应滤波器在频域抑制噪声，并通过重叠相加恢复时域信号。该模块支持多通道处理，采用保守的抑制策略确保噪声充分消除，同时通过零帧检测防止无声段影响噪声统计。其智能内存管理和频域时域结

WebRTC中的WienerFilter类实现频域维纳滤波器，是噪声抑制模块的核心组件。它通过分析信号与噪声的功率谱密度比，计算最优滤波器系数来抑制背景噪声。算法采用定向决策方法，融合当前和先验信噪比估计，提高滤波稳定性。启动阶段采用平滑过渡策略避免突变，后处理阶段基于语音概率进行自适应增益控制。该滤波器在保持语音质量的同时有效消除噪声，显著改善语音通信的清晰度和可懂度，是实时音频处理中的关键噪声