1.一种网络流量分类方法，其特征在于，包括：
获取基于损失函数训练后的目标分类模型；
基于所述目标分类模型，对待分类流量数据进行分类；
其中，所述损失函数基于网络流量数据中训练样本的权重参数确定。
2.根据权利要求1所述的网络流量分类方法，其特征在于，所述损失函数基于网络流量数据中训练样本的权重参数确定，包括：
在所述损失函数中设置训练样本的权重，所述训练样本的权重为预设值。
3.根据权利要求1所述的网络流量分类方法，其特征在于，所述获取基于损失函数训练后的目标分类模型之前，包括：
在每一次分类模型训练过程中，从网络流量样本中随机获取至少一个流量数据训练样本，通过分类模型获得所述流量数据训练样本的分类概率；
基于所述分类概率，通过损失函数训练所述分类模型，训练后的分类模型用于下一次分类模型训练过程中所述分类概率的获取。
4.根据权利要求3所述的网络流量分类方法，其特征在于，所述方法还包括：
在每一次分类模型训练过程结束时，确定分类模型训练次数小于预设分类模型训练次数后，开始下一轮的分类模型训练过程；或
在每一次网络流量分类模型训练过程结束时，确定当前分类模型训练次数等于或大于所述分类模型训练次数后，确定所述网络流量分类模型训练过程中训练的分类模型为所述目标分类模型。
5.根据权利要求3所述的网络流量分类方法，其特征在于，所述从网络流量样本中随机获取至少一个流量数据训练样本之前，所述方法还包括：
对网络流量数据进行标记；
对标记后的网络流量数据进行预处理，获得所述网络流量样本。
6.根据权利要求3所述的网络流量分类方法，其特征在于，在第一次的所述分类模型训练过程之前，所述方法还包括：
构建一个用于网络流量分类的卷积神经网络，初始化所述卷积神经网络的分类模型。
7.根据权利要求1所述的网络流量分类方法，其特征在于，所述方法还包括：
基于所述目标分类模型，输入带标记的网络流量数据进行测试，以获得所述目标分类模型的准确率。
8.一种网络流量分类装置，其特征在于，包括：
获取模块，用于获取基于损失函数训练后的目标分类模型；
分类模块，用于基于所述目标分类模型，对待分类流量数据进行分类；
其中，所述损失函数基于网络流量数据中训练样本的权重参数确定。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述网络流量分类方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述网络流量分类方法的步骤。