diff --git a/README.md b/README.md
index 243455f..b18947d 100644
--- a/README.md
+++ b/README.md
@@ -612,3 +612,11 @@ spark.shuffle.io.retryWait 5s
 spark作业的数据来源，通常是从hive表。对于spark作业的输入源头，可以将同一key的数据进行拼接，对于这种操作，之后可能就没有shuffle操作了，何来数据倾斜？
 
 如果没法对每一个key进行聚合出来一条数据。可以对于数据进行粗粒度的聚合，比如根据时间或者地域进行聚合，尽量去聚合，减少每个key的数量，也许聚合到比较粗的粒度后，原来的数据减少了，减轻了数据倾斜的现象和问题。
+### 数据倾斜解决方案之提高shuffle操作reduce端的并行度
+将reduce task的数量变多，就可以让每个reduce task分配到更少的数据量，这样的话，也许就可以缓解，或者甚至是解决数据倾斜的问题
+
+提升shuffle reduce端并行度，怎么操作？
+
+在调用的时候，传入进入一个参数，这个数字表示reduce端的并行度。
+
+这个方案只是缓解了数据倾斜的问题。