Vergleich der Implementierungsmethoden für relationale Datenbanken in AWS VPC

German:

Diese Masterarbeit vergleicht drei Methoden zur Implementierung relationaler Datenbanken in einer Amazon Web Services Virtual Private Cloud (AWS VPC): die manuelle Konfiguration, die Infrastructure-as-Code-Bereitstellung mit Terraform und die KI-gestützte Implementierung mit Amazon Q.
Ziel ist es, jene Methode zu identifizieren, die den größten Nutzen hinsichtlich Effizienz, Automatisierung und Fehlerminimierung bietet.

Basierend auf dem Design Science Research (DSR)-Ansatz wurden drei Prototypen entwickelt und mittels Nutzwertanalyse (NWA) nach Kriterien wie Implementierungszeit, Wartbarkeit, Skalierbarkeit, Sicherheit und Automatisierungsgrad bewertet.

Die Ergebnisse zeigen: Die manuelle Methode ist transparent, aber zeitaufwendig; Terraform bietet Konsistenz und Wiederholbarkeit; die Amazon Q-Methode erzielt durch KI-gestützte Generierung die höchste Effizienz und geringste Fehlerquote.

Die Hypothese wurde bestätigt, dass die KI-basierte Implementierung mit Amazon Q erzielt den höchsten Gesamtnutzen und stellt das zukunftsorientierteste Modell dar.

Die Arbeit verdeutlicht, dass die Verbindung von Automatisierung und Künstlicher Intelligenz neue Maßstäbe für Effizienz und Qualität in Cloud-Deployments setzt.

English:

This thesis compares three methods for deploying relational databases within an Amazon Web Services Virtual Private Cloud (AWS VPC):
1) manual setup,
2) Infrastructure-as-Code with Terraform, and
3) AI-assisted deployment using Amazon Q.

The aim is to determine which approach delivers the greatest efficiency, automation, and reliability. Following the Design Science Research (DSR) framework, three prototypes were developed and assessed through a Utility Analysis using criteria such as implementation time, maintainability, scalability, security, and automation level.

Results show that the manual method is transparent but slow, Terraform offers reproducibility, and Amazon Q achieves the highest efficiency through AI-driven code generation.

The hypothesis was confirmed that the AI-assisted Amazon Q approach provides the highest overall benefit and represents the most future-oriented model.

The thesis demonstrates how combining Automation and Artificial Intelligence defines a new standard for intelligent and efficient cloud deployment.