关于各种一致性的理解：
1、数据一致性，往往指的是缓存和数据库的一致性。
2、事务的一致性，和原子性类似，都是从一个状态变到另一个状态，但不同的是，原子性追求这个过程不能出错，不论结果对不对，不能出错。但一致性更追求结果一致，比如A减少100，B增加100，这是一致的。当A减少100，B增加60，这是原子的，但不是一致的。
3、分布式事务的一致性：本质上来说，分布式事务就是为了保证在分布式场景下，数据操作的正确执行。但分布式事务不像本地事务，可以做到ACID，分布式事务做不到。比如分布式存储场景下，一个存储节点通过本地事务减少100，不能同时保证另一个存储节点事务增加100，这实际上就是数据不一致。而在本地事务中，是可以做到的，本地事务把减100和加100当作一个原子操作来执行。
但是分布式事务也是可以解决这一类问题的，但从而带来了很高的代价，也就是我们说的CAP理论，P分区容错是一定的。那么当C很强时，也就是强一致性的时候，也就是说用户访问任何一台数据库服务器，必须都是要数据一致的，第一个存储节点减少100，另一个存储节点必须增加100，这就是强一致性，但是问题是有网络延迟，第一个节点减少了100，第二个还没来得及加100，此时用户要访问第二台数据库服务器，怎么办？ 那就不让他访问，也就是吸收Availability可用性。那如果要保证可用性怎么办？那就牺牲一致性，数据不一致没关系，最终一致就可以了。
那解决这样的问题的框架有哪些？比如seata的AT，TCC等，就是实现全局事务的统一提交，要么就不提交，那这样就能保证所有数据的一致了。但当全局事务没有统一提交的时候，可能用户的请求查数据库，可能查到的还是旧数据。
4、分布式事务的原子性：单个分枝事务成功，但其他事务可能失败，需要全局回滚。
5、注意：CAP理论强调的是说在分布式存储系统中的。
以上纯属个人理解，有问题请指出探讨。
参考：https://blog.csdn.net/yeyazhishang/article/details/80758354
参考：https://segmentfault.com/a/1190000040321750
参考：http://www.dockone.io/article/9804