1.一种物联网恶意节点的检测方法，其特征在于，包括：

S1：获取物联网网络中恶意节点的行为数据；

S2：将恶意节点的行为数据嵌入向量表示得到恶意节点的信任向量；

S3：创建节点分类模型；将恶意节点的信任向量作为训练样本对节点分类模型进行训练；所述节点分类模型包括：第一生成对抗网络、第二生成对抗网络、第三生成对抗网络和K‑MEANS聚类模块；

S4：获取物联网网络中目标节点的行为数据并生成目标节点的信任向量，将目标节点的信任向量输入节点分类模型输出目标节点的类型；

S5：根据目标节点的类型对目标节点进行管理，所述对目标节点进行管理包括：将目标节点从物联网网络中剔除、对目标节点进行修复或对目标节点进行更换。

2.根据权利要求1所述的一种物联网恶意节点的检测方法，其特征在于，所述物联网网络中的恶意节点包括：物联网网络中的硬件节点在数据传输过程中丢失数据包和延迟转发数据包的概率达到30％以上的硬件节点；所述恶意节点的行为数据包括：恶意节点分别在N次数据传输过程中是否丢失数据包和是否延迟转发数据包；若恶意节点在第i次数据传输过程中丢失数据包则Ri＝1反之则为0；若恶意节点在第i次数据传输过程中延迟转发数据包则Xi＝1反之则为0。

3.根据权利要求1所述的一种物联网恶意节点的检测方法，其特征在于，所述将恶意节点的信任向量作为训练样本输入节点分类模型进行训练包括：S31：将恶意节点的信任向量分别输入第一生成对抗网络和第二生成对抗网络生成恶意节点的第一生成向量和第二生成向量，并根据第一生成对抗网络的判别器对第一生成向量的判别结果通过反向传播机制更新第一生成对抗网络的生成器的参数；根据第二生成对抗网络的判别器对第二生成向量的判别结果通过反向传播机制更新第二生成对抗网络的生成器的参数；

S32：将恶意节点的第一生成向量和第二生成向量进行逻辑或运算后输入第三生成对抗网络生成恶意节点的第三生成向量；并根据第三生成对抗网络的判别器对第三生成向量的判别结果通过梯度下降的方式更新第一生成对抗网络、第二生成对抗网络和第三生成对抗网络的生成器的参数，重复步骤S31‑S32完成第一生成对抗网络、第二生成对抗网络和第三生成对抗网络的训练；

S33：将恶意节点的第三生成向量输入K‑MEANS聚类模块利用K‑MEANS算法对恶意节点进行分类并完成K‑MEANS聚类模块的训练。

4.根据权利要求1所述的一种物联网恶意节点的检测方法，其特征在于，所述第一生成对抗网络的生成器包括依次连接的输入层、卷积层1、最大池化层1、卷积层2、池化层2、全连接层1、全连接层2和tanh激活函数；

所述第二生成对抗网络的生成器包括依次连接的输入层、卷积层1、最大池化层1、卷积层2、池化层2、全连接层1、全连接层2、ReLu激活函数；

所述第三生成对抗网络的生成器包括依次连接的输入层、全连接层1，全连接层2，反卷积层1、上采样层1，反卷积层2、上采样层2和Sigmoid激活函数。

5.根据权利要求3所述的一种物联网恶意节点的检测方法，其特征在于，所述将恶意节点的第三生成向量输入K‑MEANS聚类模块利用K‑MEANS算法对恶意节点进行分类包括：S331：随机选取k个恶意节点的第三生成向量作为聚类中心；

S332：将每个恶意节点的第三生成向量利用欧式距离公式将其分配到距离最近的聚类中心得到k个聚类；

S333：利用误差平方和SSE计算k个聚类的中心点作为下一次迭代的聚类中心并重复执行步骤S331‑S333直至聚类中心不发生变化为止。

6.根据权利要求4所述的一种物联网恶意节点的检测方法，其特征在于，所述利用误差平方和SSE计算k个聚类的中心点作为下一次迭代的聚类中心包括：其中，x表示恶意节点的第三生成向量，ci表示第i个聚类中心，dist(ci,x)表示恶意节点的第三生成向量与第i个聚类中心的欧氏距离，Ri表示第i个聚类，mi是导数求根公式求出来的值，ci′是下一次迭代的聚类中心。