Update Umsetzung

Projektarbeit-3/Umsetzung.md

@@ -198,8 +198,11 @@ Die Berechnung dieser Tabelle dauert je nach Computer und Festplatte zwischen dr
 Durch all diese Optimierungen wuchs die Datenbank von 6.2 Gigabyte auf fast 10 Gigabyte an! Ein einzelner Index hat hierbei über 1.2 Gigabyte. Die initiale Ladezeit des Dashbaord eines belibigen Bikepoints wurde hierdurch von etwa 35 Sekunden auf unter eine Sekunde reduziert!
 
 ## Dockerization
-* Unabhängigkeit von system requirements
-* Native performance auf linux
+Um das Backend einfach deployen zu können, haben wir uns für einen Docker Container entschieden. Dadurch ist der Server sehr leicht aufzusetzen, da nur Docker benötigt wird. Weiter bietet Docker die Möglichkeit einen abgestürzten Container automatisch neu zu starten. Es können zudem die neusten Features von Python 3.9 benutzt werden, da diese Version noch nicht in den APT-Repositories von Ubuntu 20.04 existiert.
+
+Auch Performance geht dadurch nicht verloren, da Docker den gleichen Kernel wie der Host benutzt.
+
+Aktuell wird nur der Source Code in das Image kopiert und die vorher generierte SQLite Datenbankdatei von außen gemounted. Es wäre aber auch möglich einen "fat"-Container mit includierter Datenbank zu bauen.
  
 # Frontend
 ## erweiterte Leaflet-Bibliotheken