رایانش ابری مدل محاسباتی درخواستی است که نیازمند حجم وسیعی از ابزارهای فیزیکی هست و بر اساس درخواست هر کاربر خدمات ارائه می کند؛ بهینه سازی منابع، کاهش مصرف انرژی و تثبیت ماشین مجازی از چالش های مطرح در این زمینه می باشند. در طی دهه های اخیر تعداد سیستم های پایش ویدیوی ابری به سرعت در حال رشد بوده است. ازآنجاکه سیستم های پایش ویدیوی ابری یکی از مصرف کنندگان اصلی انرژی در رایانش ابری هستند، توجه به بهینه سازی مصرف انرژی پایش ویدیوی ابری ضروری می باشد. در تحقیق های مختلف با استفاده از معماری پردازش ابری و تخصیص و مهاجرت ماشین های مجازی راهکارهایی برای کاهش مصرف انرژی و افزایش بهره وری منابع رایانش ابری ارائه شده است. با این وجود مصرف انرژی و تولید گرما به عنوان یک چالش باز در این عرصه مورد توجه محققان قرار دارد. در این تحقیق با ارائه روشی جدید برمبنای تخصیص ماشین های مجازی سعی در بهبود مصرف انرژی در مراکز داده پایش ویدیوی ابری شده است. در روش پیشنهادی از خوشه بندی K-means برای دسته بندی درخواست ها و ماشین های مجازی و میزبان ها استفاده می شود و به این ترتیب روشی جدید جهت تخصیص ماشین های مجازی ارائه می شود. علاوه بر دسته بندی منابع، استفاده از حد آستانه و الگوریتم خواب بیدار در الگوریتم پیشنهادی باعث کاهش مصرف انرژی و افزایش کیفیت خدمات و کاهش اتلاف منابع می شود. نتایج حاصل از پیاده سازی روش پیشنهادی در نرم افزار Cloudsim نشان می دهد که روش پیشنهادی تا حد زیادی در کاهش مصرف انرژی در مراکز پایش ویدیوی ابری موفق عمل می نماید.
