既然走tcp，明显通过指令识别。 socket建立长连接，用char数组封装那些操作，发送到硬件端。 比如拍照 发送个0x01，录像发送个0x02，删除发送个0x03.通过json就比较慢了，硬件识别的也就是二进制的0，1.

视频的话，从硬件到ios的话： 1，自定义协议。socket长连接，一直监听着硬件过来的数据，自己拼装成一张张图片并显示。 2，RTSP协议，使用ffmpeg，连接到硬件发送视频的端口，解析数据流，并显示。

我以前发过类似的问题，通过简易方法解决了，你可以搜下。