前言

经济激励模型对于跨链生态的发展具有重要的作用：首先，通过丰厚的奖励鼓励社区竞选Storeman节点去参与到跨链生态建设中，推动跨链生态的繁荣发展；其次，通过对Storeman在跨链过程中的恶意行为进行惩罚，保证跨链过程的安全和可靠。下文将从奖励和惩罚两个角度去详细解析Wanchain 5.0的经济激励模型。

奖励机制

整体设计

Wanchain为实现跨链生态繁荣，在初始阶段采取双重激励机制，即对跨链功能的使用者不收取手续费，同时Wanchain基金会对跨链功能提供者（Storeman及其委托人）进行单独奖励。奖励方案的设计要把握两个原则，其一是要引导社区参与跨链功能建设，其二是要在跨链和星系共识之间达成均衡，防止恶性竞争。我们通过“收益率+硬顶”的方式来达到这一设计目标。

首先，我们将跨链收益率与PoS共识收益率进行锚定，即：

其中r1为PoS共识收益率，r2为跨链收益率，α为调节参数。当前，r1=7.67%，在初始阶段我们设置α=1.5，即跨链的平均收益率为PoS共识收益率的1.5倍，因此可以计算得到r2=11.5%。这样能够有效的鼓励社区竞选Storeman节点，参与到跨链生态的建设中。

其次，为保证跨链和星系共识之间达到均衡，我们为跨链单日奖励设置硬顶，即

其中HardCap为跨链单日奖励硬顶，PoSDR为PoS共识单日奖励，当前PoSDR=6027。

在“收益率+硬顶”的设计下，单日奖励CDR计算公示为：(w为跨链抵押金)

由以上公式可知，随着跨链抵押金的增加，跨链单日奖励CDR呈线性增长，而当跨链抵押金为1910万WAN时，到达硬顶6027，不再变化：

跨链收益率r2在跨链单日奖励CDR未达到硬顶时，保持为PoS收益率r1的1.5倍；当跨链单日奖励CDR达到硬顶后，跨链收益率r2线性递减，最终在28.6M的位置与PoS收益率r1保持一致：

因此在我们的设计下，在初始阶段，跨链收益率相较于PoS收益率更高，鼓励社区参与跨链生态。随着跨链抵押金的增长，由于硬顶的限制，最终跨链收益率会与PoS收益率持平，达到均衡。

Storeman与委托者的奖励分配

在Wanchain5.0跨链机制中，跨链功能由WAN Bridge完成，而每一座这样的桥是由一组Storeman运行。要成为Storeman，社区成员需要提供足够的抵押金参与竞选，一旦竞选成功，需要提供必要的算力、存储和带宽资源，以完成跨链功能。同时为了提高社区参与度，我们提供了委托机制，小额用户可以将资金委托于可信的Storeman从而参与到跨链中，并获得收益。上文中的r2为跨链的平均收益率，是Storeman和委托者收益加权后的结果。而由于Storeman要承担节点的运行成本，因此在奖励分配中将获得更高的权重。具体分配方案如下：

设Storeman的押金量为w1，委托者的押金量为w2，委托费率为Fr，加权参数为μ，那么Storeman的单日奖励数值CDRs和委托者的单日奖励数值CDRd计算为

Storeman的实际收益率rs和委托者的实际收益率rd计算为

若w1=2M，w2=10M，Fr=5%，μ=1.5，可计算得到CDR=3780，进而计算得到rs=18.57%，rd=10.08%

Storeman活跃度对奖励的影响

为了衡量Storeman参与跨链流程的活跃度，我们设计了活性指数δ，计算方式如下：

其中n为工作周期内总跨链次数，m为此Storeman成功参与的跨链次数。

同时，我们设置活跃度门限值τ，如果Storeman的活跃度低于此门限，将不会得到奖励。不妨设某Storeman押金为ws，则其工作收益R的计算公式为：

惩罚机制

整体设计

惩罚机制对Storeman在跨链过程中的恶意行为进行惩罚，以保证跨链流程的安全可靠，具有完全去中心化和精准的特性。具体而言，惩罚机制将会对Storeman在跨链各阶段的不同类型的恶意行为进行针对性的惩罚，惩罚的严厉程度与恶意行为的危害度成正比。惩罚的方式包括减少其奖励，扣除本金以及取消Storeman身份等。在此惩罚机制下，理性Storeman将严格遵守协议，以最大化其收益。

恶意行为判别方式

此惩罚机制完全采取去中心化的方式去对Storeman的恶意行为进行判定，不依赖于任何可信第三方。具体而言，在锁定账户生成阶段，各Storeman节点通过Wanchain完成数据交互，所有计算数据均在链上存证。同时我们设计了挑战应答机制，在数据发送方和数据接收方对数据正确性发生分歧时进行判定，准确定位其中的作恶节点并进行惩罚；而在锁定账户签名过程中，所有节点发送的数据均包含签名，具有不可抵赖性。同时在密码学层面我们使用了可验证秘密分享，因此任何节点都能够对其他节点发送给自己的数据进行正确性验证，一旦验证失败，则可将数据上传智能合约进行检举。智能合约通过预设逻辑对上传数据进行核验，检举通过后，将对作恶节点进行惩罚。综上可知，恶意行为判别的数据为链上数据或者签名后数据，同时判别过程由智能合约预设逻辑完成，能够有效避免错判和漏判，保证了奖惩机制的公平性和公共可验证性。

相关行为及其惩罚方式