راجع به مسائل مربوط به پروتكل اينترنت (IP) صحبت كردند. و در مورد مسائل مربوط به شبكه ها و روش هاي انتقال ديجيتالي صداي كد گذاري شده روي اين شبكه ها به بحث و بررسي پرداختند. در مورد انتقال صدا با استفاده از IP صحبت شد و روش انتقال بسته هاي RTP را بين جلسات فعال مورد بررسي قرار داديم. آنچه ما مشخص نكرديم ، اگر چه ، برپاسازي و روش اجراي اين جلسات صوتي مي باشد. ما فرض كرديم اين جلسات (Session) از وجود يكديگر مطلع بوده و جلسات رسانه اي به روش خاصي ايجاد مي شوند كه بتوانند صدا را با استفاده از بسته هاي RTP منتقل كنند. پس اين جلسات چگونه بوجود مي آيند و چگونه به اتمام مي رسند؟ چگونه اين طرفين به طرف ديگر اشاره مي كنند تا يك ارتباط را فراخواني كنند، و چگونه طرف دوم اين فراخواني كنند، و چگونه طرف دوم اين فراخواني را مي پذيرد؟ جواب استفاده از سيگنال است.
در شبكه هاي سنتي تلفن ، قراردادهاي سيگنالي مشخصي وجود داشته كه قبل و در حين فراخواني استفاده مي شوند. يكي از محدوديت هاي فوري اين بود كه دو كاربر در صورتي با هم تماس برقرار مي كردند كه سيستم مشابهي خريداري كرده باشند. اين كمبود كار كردن همزمان سيستم هاي متفاوت باعث يك نارضايتي عمومي شد و باعث ناكارآمدي سيستم هاي VolP اوليه شد. در پاسخ به اين مشكل ، VOIP H.323, ITV را پيشنهاد كرد كه وسيع ترين استاندارد مورد استفاده بود. اولين نسخه VOLP در 1996 پديد آمد و عنوان سيستم تلفن تصويري و تجهيزات براي شبكه هاي محلي كه خدمات غير تضميني ارائه مي كنند، ناميده شد . نهايتاً مهندسين H.323 را طراحي كردند، و در 1998 نسخه دوم H323 را منشتر كردند. اين پيشنهاد عنوان به مراتب دوستانه تري داشت سيستم هاي ارتباطي چند رساني بر مبناي بسته اين نسخه از H323 پشتيباني بيشتري از اجداد خود بدست آورد نسخه دوم بطور وسيعي در راه حل هاي Volp پياده سازي شد و در بسياري جهات ، اين نسخه استانداردي براي سيستم هاي VOIP امروزي است .نسخه دوم VOIP مبحث اصلي ما در اين فصل است بنابراين به تشريح ساختار H323 مي پردازيم.