#dao

共收录 3 条相关安全情报。

← 返回所有主题
👥 作者: Zibo Zhou, Zongyang Zhang, Feng Hao 0001, Bowen Zheng, Zulkarnaim Masyhur

该论文提出了QV-net,一种去中心化的自计票二次投票协议,旨在解决现有基于区块链的二次投票(QV)系统中投票隐私缺失的问题。在当前的DAO(去中心化自治组织)投票实践中,QV被广泛用于缓解大额代币持有者的主导作用,但选票以明文形式公开并附带数字签名,严重侵犯了投票者的隐私,可能影响诚实参与。先前的研究虽然使用同态加密等密码学技术对QV选票进行加密,但这些方案均依赖中心化的计票权威机构,不适用于无需可信第三方的DAO场景。QV-net基于自计票(self-tallying)设计,允许所有节点在无需任何可信方的情况下共同完成计票,同时实现最大选票保密性(maximal ballot secrecy),即除了最终的计票结果外,不泄露任何单个选票的详细信息。协议采用分布式密钥生成和零知识证明来确保选票的合法性和完整性,并防止双花或虚假投票。实验分析表明,该方案在计算和通信开销方面具有可行性,能够支持中等规模的DAO选举。该论文的主要贡献包括:首次将自计票概念引入二次投票,提出了一种完全去中心化且保护隐私的QV方案;形式化定义了最大选票保密性的安全模型;通过原型实现验证了协议的效率。适合阅读人群:区块链安全研究者、密码学协议设计者、DAO治理参与者。

💡 推荐理由: 该工作解决了DAO投票中隐私与公平性的核心矛盾,为去中心化治理提供了可实践的隐私保护方案,有助于提升投票参与率和最终决策的公正性。

🎯 建议动作: 研究跟进

排序因子: 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
👥 作者: Austin Bennett, Preston Vander Vos, Duc V. Le, Mira Belenkiy

该论文研究了去中心化自治组织(DAO)中反富豪投票机制的有效性问题。在典型的DAO治理中,投票权与代币持有量成正比,这导致少数大户集中控制权,从而引发基于代币控制的治理攻击。社区因此转向反富豪投票机制,如二次投票(QV),旨在通过赋予每个代币次线性投票权来削弱大户的影响力。然而,论文通过建立包含区块链现实摩擦(如按钱包拆分和投票成本、固定设置成本、最小余额要求)的链上投票成本模型,证明在无许可区块链上,任何仅从钱包余额派生投票权的规则都无法成功防止Sybil攻击。具体地,论文证明:无论采用何种成本方案,只要任意大小的钱包具有非零投票权,Sybil攻击者通过将代币拆分到多个钱包即可实现至少与代币持有量成正比的投票权增长。对于实际提出的用于抑制治理权力的凹函数规则(单调递增、有限且正值),最优策略下的投票权在代币持有量上渐近线性。将模型应用于真实DAO(ENS、Compound、Uniswap、Arbitrum、ZKsync)的数据,发现攻击成本远低于风险资产价值。作者重放了这五个DAO最近十个最终提案的投票过程,在线性、二次、对数和幂(β=0.25)投票规则下,测得二次投票的Sybil放大因子在1172倍至4039倍之间,而在更陡峭的幂规则下超过229000倍。因此,论文从根本上质疑了当前主流反富豪机制的有效性,对DAO治理安全设计具有重要理论指导意义。

💡 推荐理由: 揭示了当前主流DAO反富豪投票机制(如二次投票)的根本性缺陷,证明在无许可区块链上无法仅通过调整投票规则避免权力集中,对治理安全设计有深远影响。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
推荐 3.5
Conf: 50%
👥 作者: Thomas Lloyd, Daire Ó Broin, Martin Harrigan

该论文提出了一种通过分析链上投票行为来检测去中心化自治组织(DAO)内部党派社区形成的方法,以预判组织分裂(分叉)事件。作者从治理智能合约中提取投票事件,构建投票者矩阵编码参与模式,并通过成对相异性分析量化地址之间的意识形态分歧。利用多维尺度分析(MDS)可视化关系,结合轮廓系数优化的k-means聚类识别党派社区。以Nouns DAO为案例(该协议经历过多次分叉),研究表明将在分叉中分裂的地址在实际分叉事件前数月就已聚类在一起。对从合约部署到第一次大分叉的330个提案的分析显示,90%的分叉地址在最后44个提案中聚类,而随机数据中仅为47%。结果表明,通过链上治理分析可以检测并可视化党派社区,在组织分裂前提供早期预警。

💡 推荐理由: 为DAO治理中的分裂预警提供了可量化方法,有助于管理者早期干预、维护组织稳定。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)