diff --git a/docs/zh_CN/images/hive_kerberos.png b/docs/zh_CN/images/hive_kerberos.png
new file mode 100644
index 0000000000..1532934f92
Binary files /dev/null and b/docs/zh_CN/images/hive_kerberos.png differ
diff --git a/docs/zh_CN/images/sparksql_kerberos.png b/docs/zh_CN/images/sparksql_kerberos.png
new file mode 100644
index 0000000000..761279b301
Binary files /dev/null and b/docs/zh_CN/images/sparksql_kerberos.png differ
diff --git a/docs/zh_CN/系统使用手册.md b/docs/zh_CN/系统使用手册.md
index fc0e999118..595850bade 100644
--- a/docs/zh_CN/系统使用手册.md
+++ b/docs/zh_CN/系统使用手册.md
@@ -60,7 +60,7 @@
 ### 执行流程定义
   - **未上线状态的流程定义可以编辑，但是不可以运行**，所以先上线工作流
   > 点击工作流定义，返回流程定义列表，点击”上线“图标，上线工作流定义。
-  
+
   > "下线"工作流之前，要先将定时管理的定时下线，才能成功下线工作流定义  
 
   - 点击”运行“，执行工作流。运行参数说明：
@@ -98,28 +98,28 @@
 
 ### 查看流程实例
   > 点击“工作流实例”，查看流程实例列表。
-  
+
   > 点击工作流名称，查看任务执行状态。
-  
+
   <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/instance-detail.png" width="60%" />
  </p>
 
   > 点击任务节点，点击“查看日志”，查看任务执行日志。
-  
+
   <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/task-log.png" width="60%" />
  </p>
- 
+
  > 点击任务实例节点，点击**查看历史**，可以查看该流程实例运行的该任务实例列表
- 
+
  <p align="center">
     <img src="https://analysys.github.io/EasyScheduler/zh_CN/images/task_history.png" width="60%" />
   </p>
  
 
   > 对工作流实例的操作：
-  
+
 <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/instance-list.png" width="60%" />
 </p>
@@ -165,7 +165,7 @@
   - 密码：设置连接MySQL的密码
   - 数据库名：输入连接MySQL的数据库名称
   - Jdbc连接参数：用于MySQL连接的参数设置，以JSON形式填写
-  
+
 <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/mysql_edit.png" width="60%" />
  </p>
@@ -191,7 +191,7 @@
 #### 创建、编辑HIVE数据源
 
 1.使用HiveServer2方式连接
- 
+
  <p align="center">
     <img src="https://analysys.github.io/easyscheduler_docs_cn/images/hive_edit.png" width="60%" />
   </p>
@@ -207,12 +207,19 @@
   - Jdbc连接参数：用于HIVE连接的参数设置，以JSON形式填写
 
 2.使用HiveServer2 HA Zookeeper方式连接
- 
+
  <p align="center">
     <img src="https://analysys.github.io/easyscheduler_docs_cn/images/hive_edit2.png" width="60%" />
   </p>
 
 
+注意：如果开启了**kerberos**，则需要填写 **Principal**
+<p align="center">
+    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/hive_edit2.png" width="60%" />
+  </p>
+
+
+
 #### 创建、编辑Spark数据源
 
 <p align="center">
@@ -231,7 +238,7 @@
 
 ### 上传资源
   - 上传资源文件和udf函数，所有上传的文件和资源都会被存储到hdfs上，所以需要以下配置项：
-  
+
 ```
 conf/common/common.properties
     -- hdfs.startup.state=true
@@ -242,7 +249,7 @@ conf/common/hadoop.properties
 ```
 
 #### 文件管理
-  
+
   > 是对各种资源文件的管理，包括创建基本的txt/log/sh/conf等文件、上传jar包等各种类型文件，以及编辑、下载、删除等操作。
   <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/file-manage.png" width="60%" />
@@ -287,7 +294,7 @@ conf/common/hadoop.properties
 
 #### 资源管理
   > 资源管理和文件管理功能类似，不同之处是资源管理是上传的UDF函数，文件管理上传的是用户程序，脚本及配置文件
- 
+
   * 上传udf资源
   > 和上传文件相同。
 
@@ -303,7 +310,7 @@ conf/common/hadoop.properties
   - 参数：用来标注函数的输入参数
   - 数据库名：预留字段，用于创建永久UDF函数
   - UDF资源：设置创建的UDF对应的资源文件
-  
+
 <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/udf_edit.png" width="60%" />
  </p>
@@ -312,7 +319,7 @@ conf/common/hadoop.properties
 
   - 安全中心是只有管理员账户才有权限的功能，有队列管理、租户管理、用户管理、告警组管理、worker分组、令牌管理等功能，还可以对资源、数据源、项目等授权
   - 管理员登录，默认用户名密码：admin/escheduler123
-  
+
 ### 创建队列
   - 队列是在执行spark、mapreduce等程序，需要用到“队列”参数时使用的。
   - “安全中心”->“队列管理”->“创建队列”
@@ -357,7 +364,7 @@ conf/common/hadoop.properties
 ### 令牌管理
   - 由于后端接口有登录检查，令牌管理，提供了一种可以通过调用接口的方式对系统进行各种操作。
   - 调用示例：
-  
+
 ```令牌调用示例
     /**
      * test token
@@ -477,15 +484,15 @@ conf/common/hadoop.properties
 
 ### 依赖(DEPENDENT)节点
   - 依赖节点，就是**依赖检查节点**。比如A流程依赖昨天的B流程执行成功，依赖节点会去检查B流程在昨天是否有执行成功的实例。
-  
+
 > 拖动工具栏中的![PNG](https://analysys.github.io/easyscheduler_docs_cn/images/toolbar_DEPENDENT.png)任务节点到画板中，双击任务节点，如下图：
 
 <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/dependent_edit.png" width="60%" />
  </p>
-  
+
   > 依赖节点提供了逻辑判断功能，比如检查昨天的B流程是否成功，或者C流程是否执行成功。
-  
+
   <p align="center">
    <img src="https://analysys.github.io/easyscheduler_docs_cn/images/depend-node.png" width="80%" />
  </p>
@@ -536,7 +543,7 @@ conf/common/hadoop.properties
 
 ### SPARK节点
   - 通过SPARK节点，可以直接直接执行SPARK程序，对于spark节点，worker会使用`spark-submit`方式提交任务
-  
+
 > 拖动工具栏中的![PNG](https://analysys.github.io/easyscheduler_docs_cn/images/toolbar_SPARK.png)任务节点到画板中，双击任务节点，如下图：
 
 <p align="center">
@@ -563,7 +570,7 @@ conf/common/hadoop.properties
 > 拖动工具栏中的![PNG](https://analysys.github.io/easyscheduler_docs_cn/images/toolbar_MR.png)任务节点到画板中，双击任务节点，如下图：
 
  1. JAVA程序
- 
+
  <p align="center">
     <img src="https://analysys.github.io/easyscheduler_docs_cn/images/mr_java.png" width="60%" />
   </p>
@@ -592,7 +599,7 @@ conf/common/hadoop.properties
 
 ### Python节点
   - 使用python节点，可以直接执行python脚本，对于python节点，worker会使用`python **`方式提交任务。
-  
+
 
 > 拖动工具栏中的![PNG](https://analysys.github.io/easyscheduler_docs_cn/images/toolbar_PYTHON.png)任务节点到画板中，双击任务节点，如下图：