¿Qué es SIP? Session Initiation Protocol explicado para ingenieros de redes de voz

Cada llamada de voz IP que ha realizado, cada despliegue de Microsoft Teams Direct Routing y cada troncal SIP que reemplazó un viejo circuito PRI se apoya en el mismo protocolo. Sin embargo, la mayoría de las explicaciones sobre “qué es SIP” están escritas para desarrolladores de aplicaciones que crean botones de llamada o para directivos de negocio, no para el ingeniero que tiene que enrutar, asegurar y diagnosticar las llamadas en producción. Esta es la versión para ese ingeniero.

SIP, el Session Initiation Protocol, es el protocolo de señalización que establece, modifica y finaliza sesiones de comunicación en tiempo real sobre redes IP. Es el lenguaje que dos teléfonos, dos operadores o un teléfono y una plataforma en la nube utilizan para acordar una llamada antes de que fluya cualquier audio. En este artículo le guiaremos a través de qué significa SIP, de dónde viene, dónde se sitúa en relación con los medios reales, cómo SIP identifica a los usuarios, las partes de una red SIP, y cómo los teléfonos SIP y los proveedores SIP con los que trabaja a diario encajan en el panorama.

¿Qué significa SIP? Definición del Session Initiation Protocol

SIP significa Session Initiation Protocol. Es un protocolo de capa de aplicación, basado en texto, de solicitud y respuesta, estandarizado por el IETF en RFC 3261. Si alguna vez ha leído un intercambio HTTP, SIP le resultará familiar: las solicitudes tienen métodos y encabezados, las respuestas tienen códigos de estado numéricos, y toda la conversación es texto plano legible por humanos. Ese diseño fue deliberado, porque las personas que escribieron SIP lo modelaron a partir de HTTP y SMTP en lugar de la señalización telefónica tradicional.

Lo más útil que se debe entender desde el principio es lo que SIP no hace. SIP negocia la sesión; no transporta la voz. El audio viaja en un flujo de medios separado sobre el Real-time Transport Protocol (RTP), y los detalles de ese flujo de medios están descritos por el Session Description Protocol (SDP) que se transporta dentro de los mensajes SIP. SIP es el plano de control y RTP es el plano de medios. Retenga esa distinción, porque explica casi todo lo demás sobre cómo se construyen las redes de voz.

Dos ejemplos breves muestran cómo son estos mensajes en la red. Un REGISTER vincula a un usuario con el dispositivo que está usando actualmente:

REGISTER sip:registrar.biloxi.com SIP/2.0
Via: SIP/2.0/UDP bobspc.biloxi.com:5060;branch=z9hG4bKnashds7
Max-Forwards: 70
To: Bob <sip:bob@biloxi.com>
From: Bob <sip:bob@biloxi.com>;tag=456248
Call-ID: 843817637684230@998sdasdh09
CSeq: 1826 REGISTER
Contact: <sip:bob@192.0.2.4>
Expires: 7200
Content-Length: 0

Un INVITE inicia una sesión y propone medios a través de SDP:

INVITE sip:bob@biloxi.com SIP/2.0
Via: SIP/2.0/UDP pc33.atlanta.com;branch=z9hG4bKnashds8
Max-Forwards: 70
To: Bob <sip:bob@biloxi.com>
From: Alice <sip:alice@atlanta.com>;tag=1928301774
Call-ID: a84b4c76e66710
CSeq: 314159 INVITE
Contact: <sip:alice@pc33.atlanta.com>
Content-Type: application/sdp
Content-Length: 142

Una sesión SIP se impulsa mediante un pequeño conjunto de métodos de solicitud. No necesita conocer la secuencia completa de la llamada para entender el protocolo, solo el vocabulario:

Las respuestas replican el modelo de HTTP y se dividen en seis clases numéricas: 1xx provisionales, 2xx positivas, y 3xx–6xx respuestas negativas. Para ver cómo estos mensajes secuencian una llamada real, consulte nuestro recorrido del flujo de llamada SIP, y para saber qué significa cada clase de estado en la práctica, vea la guía de códigos de respuesta SIP. Aquí, el punto es simplemente que SIP es un lenguaje compacto de solicitud y respuesta con un puñado de verbos.

Breve historia de SIP y por qué reemplazó a H.323

SIP apareció como borrador del IETF a finales de la década de 1990, alcanzando su primera forma publicada como RFC 2543 en 1999 y su definición actual como RFC 3261 en 2002. En ese momento, el estándar dominante para multimedia sobre IP era H.323, una especificación completa de la ITU tomada del mundo de la videoconferencia.

H.323 funcionaba, pero era pesado. Usaba codificación binaria que no se podía leer directamente de la red, llevaba una gran pila de sub-protocolos, y extenderlo era lento. SIP fue en la dirección opuesta. Al ser basado en texto y legible por humanos, un ingeniero podía diagnosticarlo a simple vista. Al tomar prestado el modelo de solicitud y respuesta de HTTP, era sencillo de implementar y fácil de extender con nuevos encabezados y métodos. Al usar direccionamiento de estilo internet, encajaba de forma natural en un mundo que ya funcionaba con DNS e IP. Esas propiedades (legibilidad, extensibilidad y diseño nativo de internet) son la razón por la que el protocolo SIP se convirtió en el estándar para VoIP y por la que H.323 pasó a ser un sistema heredado.

Esa larga trayectoria merece respeto cuando se construye infraestructura de voz. TelcoBridges tiene más de 20 años de experiencia en despliegues SIP detrás de sus productos, y la lección recurrente a lo largo de ese tiempo es que la flexibilidad de SIP es también su complicación: la misma extensibilidad que le ayudó a ganar significa que no hay dos fabricantes que lo implementen de forma idéntica.

Dónde se sitúa SIP en la pila: señalización, SDP y medios

Tres protocolos realizan el trabajo de una sola llamada de voz, y mantenerlos claros es la base de todo lo demás.

SIP es la señalización. Localiza el extremo remoto, lo hace sonar, negocia la llamada y la finaliza. SDP, el Session Description Protocol definido en RFC 4566, viaja dentro de los cuerpos de los mensajes SIP y describe los medios propuestos: qué códecs soporta cada lado, y las direcciones IP y puertos a los que se debe enviar el audio. RTP, el Real-time Transport Protocol definido en RFC 3550, es el flujo que realmente transporta la voz digitalizada una vez que ambas partes están de acuerdo.

El plano de control (señalización SIP) y el plano de medios (audio RTP) viajan como flujos separados. Haga clic para ampliar.

SIP funciona sobre UDP o TCP, convencionalmente en el puerto 5060, y sobre TLS para señalización cifrada en el puerto 5061. Los medios se transmiten como RTP, o en su forma cifrada SRTP. Dado que la señalización y los medios están separados, un intermediario puede leer, enrutar y reescribir el SIP sin tocar nunca el audio, que es exactamente para lo que existen los proxies y los Session Border Controllers. La mecánica de esa separación, incluyendo el modelo de Back-to-Back User Agent, se cubre en nuestra inmersión profunda sobre los fundamentos de señalización SIP.

Cómo SIP identifica a los usuarios: SIP URIs y direcciones

SIP toma prestado su esquema de direccionamiento del correo electrónico, razón por la cual una dirección SIP se parece a una dirección de email. Un SIP URI tiene la forma sip:alice@example.com, donde la parte antes del @ identifica al usuario y la parte después identifica el dominio o host responsable de ellos. La variante segura, sips:alice@example.com, indica que la solicitud debe viajar sobre TLS.

Esa dirección es lógica, no física. sip:alice@example.com indica a quién intenta contactar, no qué dispositivo o IP están usando en este momento. El mapeo de una dirección lógica a una ubicación real se gestiona mediante el registro: un dispositivo envía una solicitud REGISTER a un registrar, vinculando la dirección de registro del usuario con la dirección de contacto actual del dispositivo. Cuando alguien llama posteriormente a ese URI, la red consulta la vinculación y enruta la llamada hacia donde se registró el usuario. Este es el mecanismo que le permite mantener un número de teléfono mientras se mueve entre un teléfono de escritorio, un portátil y una aplicación móvil.

DNS también juega un papel importante en la identificación de usuarios, porque la resolución DNS es lo que convierte el dominio en un SIP URI en la dirección IP a la que realmente se envía una solicitud.

Las partes de una red SIP

Un despliegue SIP funcional es un conjunto de roles que cooperan entre sí. Rara vez se construyen todos por cuenta propia, pero es necesario reconocer cada uno cuando se lee un diagrama de red o una traza.

Los User Agents son los puntos finales. El lado que envía una solicitud actúa como User Agent Client (UAC); el lado que responde es el User Agent Server (UAS). Un mismo dispositivo alterna entre ambos roles cada vez que se envía o recibe una solicitud.

Los teléfonos SIP y softphones son los user agents más comunes que encontrará. Un teléfono SIP es un teléfono de escritorio de hardware que habla SIP de forma nativa, mientras que un softphone ejecuta la misma lógica como un cliente de software en un ordenador o dispositivo móvil. Ambos se registran en una PBX o proveedor y luego realizan y reciben llamadas como user agents SIP ordinarios.

Los registrars y servicios de localización rastrean dónde se encuentra cada usuario actualmente, utilizando el mecanismo REGISTER descrito anteriormente.

Los SIP proxies enrutan las solicitudes hacia su destino sin terminar la sesión, reenviando mensajes y consultando la lógica de enrutamiento en el camino. Para una explicación detallada, consulte qué es un SIP proxy.

Los Session Border Controllers (SBCs) se sitúan en la frontera entre redes, por ejemplo entre su red y la de un operador. Un SBC es el punto de control que asegura, enruta y normaliza el SIP cuando cruza esa frontera, razón por la cual es central para la voz multi-fabricante.

SIP en la práctica: troncales SIP, proveedores SIP y teléfonos SIP

En despliegues reales, SIP aparece en tres lugares sobre los que los ingenieros preguntan constantemente.

Una troncal SIP es una conexión virtual que transporta llamadas SIP entre su sistema telefónico y un proveedor, reemplazando los circuitos físicos PRI o PSTN de la era TDM. Una troncal puede transportar muchas llamadas simultáneas, escalando por el número de sesiones que contrata en lugar de por líneas físicas. La arquitectura y seguridad del trunking son el tema de la guía de SIP Trunking e interoperabilidad multi-fabricante.

Los proveedores SIP, también llamados proveedores de servicios de telefonía por internet (ITSPs), son las empresas que venden esas troncales junto con números de teléfono (DIDs) y terminación y originación de llamadas hacia la red pública. Cuando evalúa uno, las preguntas que importan a un ingeniero de voz son prácticas: qué códecs soportan, si ofrecen señalización y medios cifrados, cómo manejan la autenticación de llamadas STIR/SHAKEN, y con qué limpieza su implementación SIP interopera con su equipamiento. Este último punto es donde muchas integraciones se estancan.

Los teléfonos SIP en producción deben registrarse, atravesar NAT e idealmente cifrar su tráfico, especialmente para trabajadores remotos que se conectan desde fuera de la red de la oficina. Estos son problemas bien entendidos, pero son problemas, y generalmente se resuelven en el borde de la red en lugar de en el propio teléfono.

La razón por la que el SIP multi-fabricante rara vez “funciona sin más” es que la extensibilidad de SIP corta en ambos sentidos. Un fabricante incluye un encabezado que otro no espera; un tercero ordena los encabezados de una forma que rompe el analizador de un cuarto fabricante. Existen diferentes escenarios SIP para manejar operaciones como la transferencia de llamadas, y no todas las implementaciones soportan la gama completa de esas variantes. Algunos ISPs también requieren funciones avanzadas de DNS que no forman parte de la pila básica. Reconciliar esas diferencias se llama normalización SIP, y es el trabajo diario de un SBC. El artículo sobre manipulación de encabezados SIP explica cómo funciona esa normalización a nivel de mensaje.

SIP vs términos relacionados

Dos comparaciones aclaran la mayor parte de la confusión en torno al protocolo.

SIP vs VoIP. Voice over IP (VoIP) es el término general para transportar voz a través de redes IP, y SIP es uno de los protocolos de señalización que hace funcionar VoIP, con diferencia el más común hoy en día. Decir que una red “usa VoIP” describe lo que hace; decir que “usa SIP” describe cómo establece las llamadas.

SIP vs VoLTE. VoLTE (Voice over LTE) se refiere a las llamadas de voz transportadas sobre una red de radio 4G/LTE, a diferencia de la tecnología móvil más antigua 2G/3G.

SIP vs RTP. Esta es de nuevo la distinción control-versus-medios: SIP negocia y controla la sesión, mientras que RTP transporta el audio una vez que la sesión está establecida. Se ejecutan como flujos separados, a menudo por diferentes rutas de red.

Si su interés es la comunicación en tiempo real basada en navegador, la comparación relacionada es SIP vs WebRTC, que cubre dónde encaja cada protocolo.

Preguntas frecuentes

Conclusión

SIP es el lenguaje de señalización de la voz IP. Establece, modifica y finaliza sesiones utilizando un conjunto compacto de solicitudes y respuestas basadas en texto, mientras que RTP transporta el audio real y SDP describe los medios dentro de los mensajes SIP. Alrededor de ese protocolo existe un pequeño reparto de roles que cooperan entre sí: user agents y teléfonos SIP, registrars, proxies y Session Border Controllers, que juntos hacen que las llamadas funcionen entre dispositivos, fabricantes y proveedores. Una vez que puede ver SIP como el plano de control y reconocer esos roles en un diagrama, el resto de la red de voz deja de ser una caja negra.

El desafío recurrente es que cada fabricante habla SIP con un acento ligeramente diferente, y tender puentes entre esos acentos de forma fiable es lo que convierte una integración frágil en una red de producción.