La sicurezza informatica nel contesto dei big data è nota per essere un problema critico e rappresenta una grande sfida per la comunità di ricerca. Gli algoritmi di apprendimento automatico sono stati proposti come candidati per gestire i problemi di sicurezza dei big data. Tra questi algoritmi, le macchine a vettori di supporto (SVM) hanno ottenuto un notevole successo su vari problemi di classificazione. Tuttavia, per stabilire un SVM efficace, l'utente deve negare in anticipo la corretta configurazione dell'SVM, un compito impegnativo che richiede conoscenze specialistiche e una grande quantità di sforzi manuali per tentativi ed errori. Qui formuliamo il processo di configurazione dell'SVM come un problema di ottimizzazione bi-obiettivo in cui l'accuratezza e la complessità del modello sono considerati due obiettivi in conflitto. Proponiamo un nuovo framework iper-euristico per l'ottimizzazione bi-obiettivo che è indipendente dal dominio del problema. È la prima volta che viene sviluppato un iper-euristico per questo problema. La struttura iper-euristica proposta consiste in una strategia di alto livello e in un'euristica di basso livello.