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

PccNetworkController是WebRTC中基于PCC算法的拥塞控制核心组件，通过在线凸优化实现智能带宽估计。它采用多模式控制策略（启动、慢启动、在线学习、双重检查），在监控间隔内测试对称速率变化，基于效用函数梯度上升优化发送速率。通过动态评估吞吐量、延迟和丢包率的综合性能，自适应调整传输策略，在保证网络稳定性的同时最大化传输效率，显著提升实时音视频通信的质量和鲁棒性。

LossBasedBweV2是WebRTC中基于丢包的第二代带宽估计器，通过分析网络数据包丢失情况，结合延迟估计和确认速率，使用最大似然估计和牛顿法优化，计算出网络可用带宽上限，并提供状态指示（增加/减少/保持）来指导拥塞控制决策。

AcknowledgedBitrateEstimator在WebRTC中是基于数据包确认反馈的带宽估计核心组件。它通过分析已确认数据包的发送与接收时间差、数据量等信息，结合网络排队模型实时估算网络可用带宽。该类特别处理ALR（应用受限区域）状态，在ALR结束后能快速响应网络条件变化。作为GCC拥塞控制算法的重要组成部分，它为发送端速率调整提供关键依据，确保视频传输在避免网络拥塞的同时最大化利用可用