4. 分布式事务基础：ACID与BASE理论、CAP定理在缓存场景下的权衡、分布式事务的常见解决方案概览
在深入探讨缓存一致性之前，必须建立分布式事务的理论基石。传统单体数据库的ACID特性在分布式环境下难以维系，由此衍生出BASE理论与CAP定理。本章将剖析这些核心概念，并重点分析它们在缓存场景下的特殊权衡，最后概览主流分布式事务解决方案。
4.1 ACID：传统事务的黄金标准
ACID是数据库事务正确执行的四个基本特性，适用于单机关系型数据库：
| 特性 | 全称 | 核心含义 | 缓存场景挑战 |
|---|---|---|---|
| A | 原子性 (Atomicity) | 事务中的所有操作要么全部成功，要么全部失败回滚 | 缓存写入与数据库写入无法绑定在同一个本地事务中 |
| C | 一致性 (Consistency) | 事务执行前后，数据必须满足所有预定义的约束 | 缓存中的过期数据可能导致业务读到不一致的状态 |
| I | 隔离性 (Isolation) | 并发执行的事务之间互不干扰 | 缓存穿透、击穿、雪崩本质是隔离性失效的表现 |
| D | 持久性 (Durability) | 已提交的事务对数据的修改是永久的 | 缓存数据存储在内存中，宕机即丢失，需依赖持久化策略 |
关键认知： 在分布式缓存+数据库的混合架构中，ACID的原子性和隔离性是最先被打破的边界。缓存操作与数据库操作分属不同存储系统，无法通过单机锁或事务日志保证原子回滚。
4.2 BASE：分布式系统的务实选择
BASE理论是对ACID在分布式场景下的妥协与演进，由eBay架构师Dan Pritchett提出：
- BA (Basically Available) —— 基本可用：系统允许部分功能降级，但核心服务始终可用。例如缓存集群中部分节点宕机，仍可通过降级策略返回旧缓存数据。
- S (Soft State) —— 软状态：允许系统在不同节点间存在数据不一致的中间状态，不要求强一致性。
- E (Eventual Consistency) —— 最终一致性：经过一段时间的异步同步后，所有副本最终会达到一致状态。
缓存实践映射： 缓存回滚场景天然符合BASE思想。当数据库更新失败时，缓存可以先保持旧值（软状态），通过补偿机制（如SAGA回滚）最终将缓存恢复至正确状态（最终一致性）。
4.3 CAP定理：缓存场景下的三选二困境
CAP定理由Eric Brewer提出，指出分布式系统在一致性 (Consistency)、可用性 (Availability)、分区容错性 (Partition Tolerance) 三者中最多只能同时满足两个。在缓存场景下，这个权衡尤为尖锐。
缓存架构的CAP选择： 绝大多数生产级缓存系统（如Redis Cluster、Memcached）选择AP路线。它们优先保证缓存查询的低延迟和可用性，通过异步同步或失效策略实现最终一致性。在缓存回滚场景中，这意味着回滚操作本身也可能存在短暂的不一致窗口。
4.4 分布式事务常见解决方案概览
针对缓存与数据库之间的分布式事务问题，业界形成了多种解决方案。下表从一致性强度、性能影响和缓存适配度三个维度进行对比：
| 方案 | 核心机制 | 一致性强度 | 性能影响 | 缓存回滚适配度 |
|---|---|---|---|---|
| 2PC (两阶段提交) | 协调者+参与者，准备/提交两阶段 | 强一致 | 高（同步阻塞） | 低（缓存不支持XA协议） |
| TCC (Try-Confirm/Cancel) | 业务层面预留资源，确认或取消 | 最终一致 | 中（需业务改造） | 中（需实现缓存Try/Confirm/Cancel接口） |
| SAGA | 长事务拆分为子事务+补偿操作 | 最终一致 | 低（异步补偿） | 高（天然适合缓存回滚） |
| 本地消息表 | 数据库消息表+定时任务轮询 | 最终一致 | 低（异步） | 中（需额外消息表维护） |
| 可靠消息最终一致性 | 消息中间件（RocketMQ/RabbitMQ） | 最终一致 | 低（异步） | 高（消息驱动缓存失效/更新） |
4.5 缓存场景下的方案选型建议
基于上述理论分析，在缓存一致性边界问题上，推荐以下选型路径：
- 强一致场景（金融、库存）：优先考虑TCC或2PC，但需接受性能损失。缓存层建议使用分布式锁+缓存穿透保护。
- 最终一致场景（商品详情、用户信息）：SAGA模式是最佳选择。缓存回滚作为SAGA的补偿子事务，通过异步消息触发缓存失效或恢复旧值。
- 高并发读场景（热点数据）：采用可靠消息最终一致性，缓存更新由消息队列异步驱动，避免写操作阻塞读路径。