5.2 Reputation Scoring Vector

Omni-Score () 是一个介于 0 到 1000 之间的动态数值。它不是一个静态的存储值，而是基于用户的历史交互向量 实时计算得出的函数结果。

5.2.1 The Decay Algorithm: calculation

为了体现“信誉的时效性”（即：一年前的诚实不如昨天的诚实重要），所有的正向行为积分都受到半衰期算法 (Half-Life Algorithm) 的约束。

基础衰减公式 (Basic Decay Formula):

用户的当前信誉 $S(t)$ 定义为：

$$(t) = \sum_{i=1}^{n} \left( P_i \cdot e^{-\lambda(t_{now} - t_i)} \right)$$

• : 第 次成功交易获得的基础积分。

• : 当前区块时间戳。

• : 第 次交易完成的时间戳。

• : 衰减常数 (Decay Constant)。设定 ，意味着信誉积分的半衰期约为 6 个月。

机制意义:

这意味着用户不能仅靠早期积累的高分“坐吃山空”。如果一个高分用户停止活跃（Inactivity），其分数将随时间平滑下降，最终回归到基准线。这迫使商业节点必须保持持续、稳定的履约表现。

5.2.2 Multi-dimensional Weighting

除了时间维度，单次交易的基础积分 由三个核心维度的加权向量决定：交易体量 (Volume)、交互频率 (Frequency) 和 对手方质量 (Counterparty Quality)。

积分生成函数 ：

$$P_{Tx} = \underbrace{w_1 \cdot \ln(1 + V_{usd})}_{\text{Volume (Logarithmic)}} + \underbrace{w_2 \cdot \mathbb{I}_{diverse}}_{\text{Diversity Bonus}} - \underbrace{w_3 \cdot \text{Risk}}_{\text{Risk Factor}}$$

1. Volume: Logarithmic Growth

我们对交易金额 采用自然对数 处理，而非线性处理。

• 原因: 防止“巨鲸霸权”。一笔 100 万美元的交易带来的信誉提升，应该远小于 100 万笔 1 美元的交易。信誉来源于经过多次验证的诚实，而非单纯的财富展示。

• 示例: 交易 100 U 得 10 分，交易 10,000 U 得 20 分（而非 1000 分）。

2. Frequency & Diversity

为了防御“刷单攻击 (Sybil Washing)”（即自己创建两个小号互相交易刷分），引入了 对手方多样性系数 ()。

• 算法构建了一个局部社交图谱 。

• 如果用户总是与同一个地址交易， 将呈指数级衰减至 0。

• 只有与新的、高信誉的对手方交易，才能获得满额积分。

3. The "Glass Cannon" Penalty Logic

在 Omni-ID 模型中，建立信誉如徒步登山，毁灭信誉如高空坠落。

一旦用户在 DAN 仲裁中被判定为“欺诈 (Fraud)”（即仲裁败诉且被标记为恶意），其信誉分将触发 归零乘数 (Nullifier)：

$$S_{new} = S_{old} \times (1 - \text{SeverityFactor})$$

• SeverityFactor: 对于严重欺诈（如提供虚假物流），该因子为 1.0（直接归零）；对于轻微违约（如延期），该因子可能为 0.2（扣除 20%）。

• 这种非对称设计确保了作恶成本极高，使得理性的用户会像爱惜羽毛一样爱惜自己的 Omni-Score。