去中心化自治组织（DAO）治理的风险日益凸显，传统的去中心化衡量方法难以识别投票行为背后隐藏的利益联盟，尤其难以应对Dark DAO等隐秘操控行为带来的威胁。为此，本文介绍了一种创新指标——投票集体熵（VBE，Voting Bloc Entropy），它通过聚类和熵的计算，量化评估DAO的集中化程度，揭示治理风险。

Compound DAO的Proposal 289事件就是一个典型的案例，五个地址利用治理漏洞窃取了社区金库5%的控制权（约2400万美元）。此类事件暴露出现有指标（如中本聪系数和基尼系数）的局限性，这些指标主要关注代币分布，忽略了地址背后的隐秘关联和Dark DAO的存在。Dark DAO泛指通过不透明手段（如贿选）操控链上投票的去中心化联盟。

VBE指标的核心在于识别和量化投票行为中存在的“投票集团”。它基于三个核心概念：投票行为、利益联盟（区块）和熵。熵用来衡量投票区块的集中度和权力分布。高熵代表投票行为分散，治理去中心化；低熵代表投票行为集中，治理容易被操纵。

VBE框架由两部分构成：聚类度量和熵。聚类度量（?-阈值序数聚类，?-TOC）根据投票者在多次提案中的行为相似性（投票倾向一致或偏好差异足够小）将他们分组。熵（最小熵）则衡量这些投票区块的代币集中度，最大代币持有区块的占比越大，熵值越低，集中化程度越高。

VBE的核心定理提供了一个通用框架，用于分析系统变更如何影响去中心化程度。通过比较系统变换前后最大投票区块的影响，可以量化系统去中心化程度的变化。

VBE可以应用于多种场景，例如：识别女巫攻击、分析治理冷漠的影响、评估委托投票的影响、揭示从众效应对中心化的影响、分析投票组对去中心化的影响、分析贿选对去中心化的影响，以及分析平方募资法（QV）中的潜在风险。

然而，VBE也存在一些局限性，例如：难以直接比较不同VBE实例的结果；偏重于最大投票区块；聚类度量可能过于严格等。

Dark DAO作为一种隐秘的、去中心化的组织，通过干预其他DAO的投票决策过程来颠覆现有的去中心化凭证系统，其主要手段包括买票、价格操控、破坏选举公信力、利用QV和QF漏洞以及攻击隐私池等。

最后，本文介绍了一个名为”DAO oVBE Dashboard”的仪表盘，用于展示VBE指标在实际DAO中的应用，该仪表盘收集了27个DAO的VBE数据，并提供多种分析维度，例如：平均VBE值、平均参与率、平均每位投票者票数、潜在可贿赂提案数量、最大集群占比等。

总而言之，VBE提供了一种量化分析DAO去中心化程度的有效方法，有助于识别和应对Dark DAO等潜在威胁，促进DAO治理的健康发展。未来研究方向包括：如何在保证投票隐私的同时收集足够数据；研究DAO分叉与逃生机制对去中心化的影响；以及VBE与DAO决策和社区发展之间的关系。