在几个月前，Compound DAO 通过了 Proposal 289，这是一个典型的治理攻击事件，五个地址利用了 Compound DAO 的治理漏洞窃取了社区金库 5% 的控制权：约合 2400万美金的资产，通过这个提案，控制权会交给一个社区完全不可控的多签钱包。

但在这场事件发生之前，没有现有的去中心化指标能明确预期风险，当下流行的分析指标其实是相对落后的，比如中本聪系数和基尼(Gini)系数，都以代币在不同地址的分布为中心展开分析，这很明显会忽视地址背后的隐秘连结，忽视 Dark DAO 的存在，Dark DAO 是一种泛指，用来描述任何以不透明方式购买（也就是贿选）链上投票的去中心化联盟。

那我们如何穿透表面上的地址，找到地址背后的集群连结，牵出隐秘的风险呢？DAO 这三个词中，最重要也是最难量化分析的就是第一个 D，去中心化，https://www.initc3.org/ 发表了一个试图拉出地址群背后“隐秘联盟”的指标，VBE，Voting Bloc Entropy 的缩写，对应三个核心概念：

1. Voting（投票）
2. Bloc（区块/利益联盟）：在 VBE 中，Bloc 指的是一群行为高度相似的投票者，无论这些地址是否属于同一实体或是否公开关联。
3. Entropy（熵）：熵是用来衡量系统中不确定性或分布均匀性的一个概念，VBE 将其用于评估投票区块的集中度和权力分布。
   • 高熵：表示投票行为分布较为分散，多个投票区块对提案有不同的看法，治理更加去中心化。
   • 低熵：意味着投票行为集中在少数区块上，治理容易受到操纵，去中心化程度较差。

VBE 读作 vibe，代表着社区的氛围，很抽象，很重要。

VBE 的核心原则：投票者在多次选举中的利益一致性（即形成投票集团）是一种集中化表现。VBE通过对一组投票中效用函数相似的参与者进行聚类并测算熵值，来衡量这种集中化程度。

那 VBE 是如何穿透分析，如何将抽象的 vibe 量化成具体指标呢？让我们从跳进兔子洞来一探究竟吧！！！

VBE：Voting Bloc Entropy

VBE 的框架可以拆分成两个关键部分：聚类度量（clustering metric），熵：

1. 聚类（Clustering）

   VBE 定义 𝜖-阈值序数聚类 (𝜖-threshold ordinal clustering, 𝜖-TOC)，规则如下：

   

   • 𝜖-TOC 将代币持有者聚为一类，条件是他们在所有选举中的偏好结果相同，无论偏好强度如何。这意味着其效用函数在序数上等价。
   • 尽管更细粒度的度量可以基于效用的基数（Cardinal Utility）进行聚类，但序数等价已能有效表明偏好一致性。
   • ǫ-TOC 可以基于历史投票数据进行计算。
   • 额外集群：𝜖-TOC 将所有效用接近 0 的冷漠选民 A 划为一个额外的类，表示他们对选举结果几乎无兴趣。

2. 熵（Entropy）

   VBE 采用 最小熵 (min-entropy) 作为熵的度量方式。对于地址集合 A 和总代币量 T，定义如下：

   

   • 最小熵度量以代币持有量最大的投票区块为核心，衡量其“信息量”。
   • 更细粒度的熵（如 Shannon 熵）可用于更复杂的分析，但难以实际估计，计算成本高。

VBE 的实例化公式

结合如上的聚类和熵定义，对于选举集合 E、玩家集合 P 及其对应效用 U(E,P)，代币分布函数 tokens、聚类度量 C 和熵函数 F，VBE 的具体实例化公式为：

• **直接计算的困难：**效用函数无法直接测量，VBE 无法直接计算。
• **推理工具：**但 VBE 可作为一种概念工具，用于分析系统变化（如政策实施）对 DAO 去中心化的影响。例如，可以推断这些变化如何方向性地影响玩家的效用函数，并据此判断 VBE 是增加还是减少。
• **基于可观测变量的估计：**效用函数可以通过直接可观测变量进行估计，这时可显式计算 VBE 并导出具体指标。聚类算法的选择对变量准确性影响极大。

VBE 主定理