【原创】拒绝YY 从基础讲解USB/UAC运作原理

aarwwefdds

USB是通用串行总线的意思，本质上并不是专门用来传输音频数据的。这里先简单列举USB2.0几个特性：双绞线、带电源、数据速率与传输频率无关、自同步（不需要单独传输时钟）、Token（令牌）轮询特性[1]。双绞线的特性使得USB天生具有抗共模干扰的能力，带供电使得它带的设备可以不需要电源，令牌轮询特性用于“交通管制”。

USB是主从模式的总线，Host控制器决定它下面所有设备一切事务的发送/接收时机。全速下，Host每1ms±500μs生成一个“帧”(frame)。高速下，每125us±0.0625μs生成一个“帧”[2]。一个“帧”以SOF包打头，包含发送给同一个Host控制器下的不同设备的若干个USB数据包。因此同一个控制器下的USB设备带宽共享：


在同一个USB控制器上的全速设备(FullSpeed/FS)、低速设备(LowSpeed/LS)设备之间共享带宽。高速设备(HighSpeed/HS)之间共享带宽，不与全速/低速设备共享，甚至很多南桥会单独设计高速USB2.0控制器。这种共享带宽，在下行中是这样实现的：Host设备发给高速设备 H1的数据包，高速设备H2同样会收到相同的数据包，但是因为接收地址与自身地址不符，H2设备会无视该数据包。同样的，Host发给F1全速设备的数据包，F2全速设备和L1/L2慢速设备也会收到同样的包，但是会将其无视。[3]

上行带宽共享则是由主机控制：除非主机在“帧”中发送了IN包告诉这个设备准许发送数据，否则设备不允许发送数据。这样就避免了冲突产生。

USB有四种传输通道类型（Endpoint）：控制(Control)、中断(Interrupt)、批量(Bulk)、同步(Isochronous)。
Control用于USB总线控制等（所有设备都有），Interrupt多用于鼠标键盘的数据传输（其实在USB令牌轮询的特性下这是个伪Interrupt），Bulk多用于U盘数据传输。
前三种类型都有重传，各有特点这里略过。但USB音频类（USB Audio Class，简称UAC）采用的音频数据传输是第四种端口，也就是Isochronous，拥有错误检测机制，但是没有重传。

为何没有重传呢。
一是音频/视频是很讲究“实时性”的，否则会音画不同步，带来的恶果是很蛋疼的。因此音频/视频设备本质上都需要与主机同步，重传会打乱同步。
二是同步(Isochronous)类型因为要求低延迟，不像别的传输类型有握手过程，同一个"传输端口"内数据包是单向移动的（要么入要么出），Host不会给一个OUT方向的同步传输通道发送IN包，没有办法引入重传机制（发生错误时无法通知主机）。[4]
另外还有一点，为了“同步”，每个“帧”中的每个同步(Isochronous)通道只会传送一次数据。

这里有人要问了 用一个IN和一个OUT的Isochronous通道不就可以解决错误处理了？（ASYNC异步下也确实有一对IN和OUT通道，具体作用下文会解释，反正不是用来“错误检测”）

事实上，不可能。Host在一个Frame中轮询各个Endpoint的顺序是不可知的，很可能Host在一个Frame中先轮询了你的IN通道，但此时Host还没给你的OUT通道传送数据。这样就产生了：数据还没发送 怎么能确认数据收到了呢。

但这是否值得担忧呢？USB自身抗干扰特性(双绞线/屏蔽层)使得正常/正确使用的情况下，产生错误的概率非常非常低。真产生错误了，设备因为CRC校验失败，会将错误的USB数据包丢弃，而这会导致USB界面缓冲区欠载，导致短暂静音/爆音

aarwwefdds

前文已经可以得到结论，USB总线比较复杂，并不是为音频传输特别设置的传输方式。一个控制器通常需要对应多个设备，PC也有很多任务，其传输延迟会相对不那么稳定。

但是声卡设备需要与主机同步，否则会产生音画不同步问题，DAC也需要喂按采样率喂数据，因此就有了大家熟知的三种同步方式：SYNC、自适应、ASYNC模式（俗称“异步” 注意不要和Endpoint类型搞混）。顺带一提 很多人有个误区，以为ASYNC是UAC2引入的，其实并不是。早在UAC1就已经支持ASYNC[5]，但因为各种原因（开发困难/成本高/效果一般）并没有被大规模采用。在UAC2时才因为XMOS等界面的出现降低了开发难度简化了实现而且效果好而被广为采用。

SYNC是将输出时钟与每个Frame的SOF包同步，但前文可以看到SOF包本身就允许较大的抖动。自适应是根据Host传送数据的速率调整输出频率（有点像SPDIF的工作方式不是么）。这两种同步方式下USB界面都是被动适应Host端的发送节奏，本身没有反馈机制，产生的Jitter受USB总线影响较大。当然芯片厂商为了减少影响也是绞尽脑汁，例如TI的所谓“SpAct时钟恢复”引入8xPLL等尽可能减少影响。最后根据某个外国人测出来大概PCM270x能把Jitter压到低于1us[6]（还是挺高的按照现在的标准）

ASYNC下，USB界面会额外申请一条Feedback传输端口。这里有两种实现，一种是显式Feedback，一种是隐式Feedback。

显式Feedback下，USB界面会将单位时间内该传多少Samples回传给Host（实际有一套相当复杂的计算方式，此处略），让Host计算并知道之后该“补”多少或者该“少”多少采样传给USB界面，这样就能与USB界面主时钟同步并保持不溢出/欠载的缓冲区。UAC1使用数据格式10.14（因为是1ms），UAC2使用数据格式16.16（因为是125us），有所不同

这里以俗知的Amanero界面为例：

1. Endpoint Descriptor:
   
2. ------------------------------
   
3. 0x07        bLength
   
4. 0x05        bDescriptorType
   
5. 0x05        bEndpointAddress   (OUT Endpoint) #主机端->USB界面
   
6. 0x05        bmAttributes        (Transfer: Isochronous / Synch: Asynchronous / Usage: Data) #传输类型Isochronous 同步方式Asynchronous
   
7. 0x0400        wMaxPacketSize   (1024 Bytes) #最大包大小
   
8. 0x01        bInterval #传输间隔 2^(1-1) x 125。也就是125us传输一次
   
9. 
   
10. Endpoint Descriptor:
    
11. ------------------------------
    
12. 0x07        bLength
    
13. 0x05        bDescriptorType
    
14. 0x81        bEndpointAddress   (IN Endpoint) #USB界面->主机端
    
15. 0x11        bmAttributes        (Transfer: Isochronous / Synch: None / Usage: Feedback) #传输类型Isochronous 用于Feedback
    
16. 0x0004        wMaxPacketSize   (4 Bytes)  #最大包大小4字节
    
17. 0x06        bInterval #传输间隔 2^(6-1) x 125。也就是4000us(4ms)传输一次

复制代码

这是一个典型的显式Feedback的ASYNC，上行反馈Endpoint，每4ms传输一次，最大包大小是4字节（因为只是反馈Rate不需要太大）。再来看看Linux的UAC驱动是如何处理反馈的
节选：http://lxr.free-electrons.com/source/sound/usb/endpoint.c

...
1156         /*
1157          * process after playback sync complete
1158          *
1159          * Full speed devices report feedback values in 10.14 format as samples
1160          * per frame, high speed devices in 16.16 format as samples per
1161          * microframe.
1162          *
1163          * Because the Audio Class 1 spec was written before USB 2.0, many high
1164          * speed devices use a wrong interpretation, some others use an
1165          * entirely different format.
1166          *
1167          * Therefore, we cannot predict what format any particular device uses
1168          * and must detect it automatically.
1169          */
1170
1171         if (urb->iso_frame_desc[0].status != 0 ||
1172             urb->iso_frame_desc[0].actual_length < 3)
1173                 return;
1174
1175         f = le32_to_cpup(urb->transfer_buffer);
1176         if (urb->iso_frame_desc[0].actual_length == 3)
1177                 f &= 0x00ffffff;
1178         else
1179                 f &= 0x0fffffff;
1180
1181         if (f == 0)
1182                 return;
1183
1184         if (unlikely(sender->tenor_fb_quirk)) {
1185                 /*
1186                  * Devices based on Tenor 8802 chipsets (TEAC UD-H01
1187                  * and others) sometimes change the feedback value
1188                  * by +/- 0x1.0000.
1189                  */
1190                 if (f < ep->freqn - 0x8000)
1191                         f += 0xf000;
1192                 else if (f > ep->freqn + 0x8000)
1193                         f -= 0xf000;
1194         } else if (unlikely(ep->freqshift == INT_MIN)) {
1195                 /*
1196                  * The first time we see a feedback value, determine its format
1197                  * by shifting it left or right until it matches the nominal
1198                  * frequency value.  This assumes that the feedback does not
1199                  * differ from the nominal value more than +50% or -25%.
1200                  */
1201                 shift = 0;
1202                 while (f < ep->freqn - ep->freqn / 4) {
1203                         f <<= 1;
1204                         shift++;
1205                 }
1206                 while (f > ep->freqn + ep->freqn / 2) {
1207                         f >>= 1;
1208                         shift--;
1209                 }
1210                 ep->freqshift = shift;
1211         } else if (ep->freqshift >= 0)
1212                 f <<= ep->freqshift;
1213         else
1214                 f >>= -ep->freqshift;
1215
1216         if (likely(f >= ep->freqn - ep->freqn / 8 && f <= ep->freqmax)) {
1217                 /*
1218                  * If the frequency looks valid, set it.
1219                  * This value is referred to in prepare_playback_urb().
1220                  */
1221                 spin_lock_irqsave(&ep->lock, flags);
1222                 ep->freqm = f;
1223                 spin_unlock_irqrestore(&ep->lock, flags);
1224         } else {
1225                 /*
1226                  * Out of range; maybe the shift value is wrong.
1227                  * Reset it so that we autodetect again the next time.
1228                  */
1229                 ep->freqshift = INT_MIN;
1230         }

这里主要是处理来自于USB界面的反馈（并且应付一些不按标准做的USB界面），将获取的值保存进freqm。之后这个值会在snd_usb_endpoint_next_packet_size函数被使用。

145 int snd_usb_endpoint_next_packet_size(struct snd_usb_endpoint *ep)
146 {
147         unsigned long flags;
148         int ret;
149
150         if (ep->fill_max)
151                 return ep->maxframesize;
152
153         spin_lock_irqsave(&ep->lock, flags);
154         ep->phase = (ep->phase & 0xffff)
155                 + (ep->freqm << ep->datainterval);
156         ret = min(ep->phase >> 16, ep->maxframesize);
157         spin_unlock_irqrestore(&ep->lock, flags);
158
159         return ret;
160 }

这里将freqm转化为下一次的包大小，并供prepare_playback_urb使用
节选http://lxr.free-electrons.com/source/sound/usb/pcm.c：

1451 static void prepare_playback_urb(struct snd_usb_substream *subs,
1452                                  struct urb *urb)
1453 {
1454         struct snd_pcm_runtime *runtime = subs->pcm_substream->runtime;
1455         struct snd_usb_endpoint *ep = subs->data_endpoint;
1456         struct snd_urb_ctx *ctx = urb->context;
1457         unsigned int counts, frames, bytes;
1458         int i, stride, period_elapsed = 0;
1459         unsigned long flags;
1460
1461         stride = runtime->frame_bits >> 3;
1462
1463         frames = 0;
1464         urb->number_of_packets = 0;
1465         spin_lock_irqsave(&subs->lock, flags);
1466         subs->frame_limit += ep->max_urb_frames;
1467         for (i = 0; i < ctx->packets; i++) {
1468                 if (ctx->packet_size)
1469                         counts = ctx->packet_size;
1470                 else
1471                         counts = snd_usb_endpoint_next_packet_size(ep);
...

prepare_playback_urb这个函数主要决定了音频回放的USB请求数据块（URB）准备工作，包括该传多少USB数据给界面，而这里可以看到snd_usb_endpoint_next_packet_size对于包大小很重要。除此之外没有什么其它作用

如果仔细读代码，可以发现ASYNC和别的同步方式的最大区别它如何影响主机发送数据的多少，其它是与对待别的同步方式一模一样的。

除显式反馈之外还有隐式反馈（这种Feedback是把主机传给USB设备的数据回传回来 让主机自己计算数据速率）。这里就不说明了

ASYNC的最大好处是，USB界面决定了主机每次Frame中每个包该给多少Samples给它，这样USB界面可以自己决定主时钟并且用这个时钟去“校准”主机发送的数据速率，而不再需要适应Host的发送频率

通常高速需要有125us x 2的Buffer，全速需要1ms x 2的buffer。这些构成了USB音频的最小延迟。配合一定的USB Buffer以及合适的FIFO Buffer，就可以从根本上对USB总线的不稳定时钟“去耦”了。这就好比在线看视频听音乐，你的播放软件会维护一个缓冲区，缓冲网络上的数据，这样你就不需要下载所有数据以后才开始观看，并且播放软件实际上也会反馈给服务器相对应的发送速率（虽然实际情形中反馈方式并不像UAC这样）。我觉得没人会说从网络上在线听音乐会有“jitter”吧？最多是缓冲区欠载产生播放停顿 或者缓冲区溢出程序没处理好造成程序崩溃

对于USB界面自身，需要监控自身主时钟与来自主机的SOF包之间的时间，计算出偏差不断给Host反馈。并且因为Host发送速率和实际播放速率并不一致，USB界面自身需要合成与播放相关的Clock（对于德西架构的DAC 最重要的是MCLK），这个合成实现具体做法十分影响最终出来的效果，这对嵌入式开发者是一个不小的挑战。早在十年前TAS1020就已经有异步模式，但需要自己开发单片机程序，开发难度高于像现在XMOS这样的一体式方案，最终出来的jitter也没有现在的XMOS/Amanero等界面那么优异。

另外还有一个常见的误区，就是异步每次数据包里包含的“采样数”可以变化很大，实际上并不是这样(从代码里就可以看出F有个合理范围，超出会认为错误)。USB规范中最多允许每个USB包包含的samples变化在±1内[7]。因此如果之前数据错误丢失了采样，也不可以因此“索取”更多的“采样”


而在实际应用中，解码器厂商需要做好对USB的电气隔离/地线隔离，以免影响USB界面的工作能力以及把PC传过来的共模干扰带进DAC里。

以上的文章内容来自于我对USB2.0/UAC规范的理解。但为了“相对”严谨起见，我列出以下参考以便印证。如有错误欢迎指正
[1]USB的英文维基百科：https://en.wikipedia.org/wiki/USB
[2]USB协议以及其SOF包时间：http://www.beyondlogic.org/usbnutshell/usb3.shtml
[3]共享带宽的方式：https://www.totalphase.com/support/articles/200349256-USB-Background/#s1.1.2.1
[4]Isochronous的通信方式：http://www.beyondlogic.org/usbnutshell/usb4.shtml
[5]UAC1规范：www.usb.org/developers/docs/devclass_docs/audio10.pdf
[6]PCM2706的jitter测量以及主机电源如何影响时钟稳定性：https://www.audialonline.com/articles/spdif-or-usb/
[7]关于XMOS界面的工作原理：https://www.xmos.com/download/private/USB-Audio-Software-Design-Guide(6.6.0rc5.a).pdf

aarwwefdds

其实本来是想包含在“15周年征文”里的 然而发现篇幅变得太大可以单独出来了。所以单独出来发表了

补充一下一些可能的“小技巧”。这些“技巧”与上文不同，没有什么可靠来源，仅供参考：
1.尽可能单独一个控制器下挂解码器，减轻控制器与USB界面的负担。避免额外的HUB
2.对于USB界面有独立供电的，可以考虑断开供电/地线，以及单边断开USB线的屏蔽层，避免诸如共地干扰这样的问题。
3.使用合格的USB线
4.PC优化ISR与DPC延迟，这对于降低延迟有好处。虽然低延迟对于高保真音频回放没什么用，只对监听有用

ktvzk

最近，技术文不少啊

soil

技术贴，支持！

cloud119

技术贴支持了
坐等坛子的大神出来开撕

aarwwefdds

cloud119 发表于 2017-4-23 20:32
技术贴支持了
坐等坛子的大神出来开撕

不要撕，要和气。我觉得大神都不屑于和我撕呢...

当然我写的都是有来据可以相互印证的内容，有错误可以好好提，带上相关依据就可以，测量的数据/相关技术文章/代码等 什么都好。只要不是什么听感就行

real911

好东西先顶后看

夜惊风

USB之所以使用UAC传输音频，很大原因是接收端简陋的硬件条件造成的，早期的USB接收界面之所以简陋，那是因为这东西设计下来本就是随便用用的，穷人的劳斯莱斯啊，不用买碟就可以很方便的听歌，谁会想到今天一大帮人转着HIFI起来了

假如接收端有足够大的RAM，使用BULK完全没问题，基于ASRC时钟模式可以匹敌DP，之前听朋友说过，还真的有这么一台发烧机器，不过换曲延迟大一点。

夜惊风

额，假如是使用BULK就不能说是ASRC模式了，是本地时钟模式

aarwwefdds

夜惊风 发表于 2017-4-23 21:21
USB之所以使用UAC传输音频，很大原因是接收端简陋的硬件条件造成的，早期的USB接收界面之所以简陋，那是因 ...

其实buffer也没那么精贵，现在的设备挂个几兆RAM轻而易举的事情，也不增加多少成本

主要是现在有两种思路。

要么完全给HiFi玩，搞大量的buffer，完全不与PC同步。需要自己写实现写协议写驱动。最后出来的东西还只能给HiFi用，成本高

要么按标准走，走ASYNC同步，而ASYNC同步必须避免必要之外的缓存（要有缓存但是不能太多了），否则会影响反馈，有害无利（来自于XMOS文档）。


而这两者都是本地时钟生成，“理论上”不应该有多少差异。然后因为后者显然可以使得自己的解决方案适用于多种应用场景，还能解决例如MAC/Linux这样的系统的驱动问题。那自然就是后者用的多了

夜惊风

aarwwefdds 发表于 2017-4-23 21:53
其实buffer也没那么精贵，现在的设备挂个几兆闪存轻而易举的事情，也不增加多少成本

主要是现在有两种 ...

           buffer芯片现在很便宜，但是基于UAC的芯片设计思路已经转不过来了，为了适应市场不能再随意修改硬件架构。

          USB界面硬件设计得再豪华，一个UAC协议就是死穴，很多人说没误码没爆音就是没影响，就我调试数播的经验，优化一个SD读卡的函数都能带来不小区别。

aarwwefdds

夜惊风 发表于 2017-4-23 22:12
buffer芯片现在很便宜，但是基于UAC的芯片设计思路已经转不过来了，为了适应市场不能再随意修 ...

实干是好事，我也正考虑以后实干一下。在实干前先不烧了

不过不知道你遇上的影响是否用仪器测过，是否可以测出差异呢。

aarwwefdds

另外。。。不与PC同步的 某种意义上已经不能叫声卡 因为必定会导致音画不同步。这使得它应用范围就小了，只能用于高品质音乐回放。做方案的厂子显然不会给自己的东西那么窄的应用范围，不好不好卖啊

UAC我认为标准制定者在最开始的UAC1就给了ASYNC模式就是标准制定者的远见，说标准制定者没看到usb下可能存在的问题，这点我是持有异议的。而USB的坏名声也主要是因为多年前没啥厂子用好了它

蓝子风

aarwwefdds 发表于 2017-4-23 22:36
实干是好事，我也正考虑以后实干一下。在实干前先不烧了

不过不知道你遇上的影响是否用仪器测过，是否 ...

看处理顺序。我记得一个朋友做数播的时候，数据接收后的处理环节镶套顺序不同也会导致声音的变化。当然这个只是数播

反映过来，其实UAC规范不是问题，问题在于本地接收到数据之后怎么处理的问题

aarwwefdds

蓝子风 发表于 2017-4-23 23:11
看处理顺序。我记得一个朋友做数播的时候，数据接收后的处理环节镶套顺序不同也会导致声音的变化。当然这 ...

这是的，数据来了不能直接用，例如XMOS就有个去耦的过程。单片机上的最终实现方式对最终效果影响很大，就像以前的TAS1020的ASYNC出来的效果不能与现在的方案比不是

lmjnyhg

这代码没注释看着好累23333，恕我才疏学浅。

lmjnyhg

这代码没注释看着好累23333，恕我才疏学浅。

冯赌必晟

好贴 PChufi用户表示支持技术贴

夜惊风

aarwwefdds 发表于 2017-4-23 23:06
另外。。。不与PC同步的 某种意义上已经不能叫声卡 因为必定会导致音画不同步。这使得它应用范围就小了，只 ...

        其实吧，UAC协议的制定者只是给出了一个现实条件下最好的解决方案，就像你说的，要考虑音画同步，不能一昧的照顾HIFI，这必然存在妥协

        其实USB用BULK传输音频数据，跟做USB读取硬盘文件很像，硬件结构基本兼容，都是PHY之后大缓存，只是目前没有驱动方面的支援。