本研究提出了一种基于Transformer的自适应入侵检测系统（IDS）框架，旨在解决网络安全环境中威胁分布不断变化所导致的模型性能衰退问题。传统IDS在固定流量快照上训练，部署后会因数据分布偏移而性能下降；针对新攻击进行微调会导致灾难性遗忘，而完全重新训练则计算成本过高。基于回放的持续学习虽可缓解该问题，但现有方法通常假设良性流量仅出现在早期任务中，且忽视了回放缓冲区本身可能成为攻击面。作者设计了一个结合表格Transformer编码器与类别均衡经验回放缓冲区的自适应IDS框架，在每次更新时回放良性流量以稳定决策边界。同时提出了类别-实例增量（CII）场景，使良性流量与新攻击同时出现，作为更真实的压力测试；并针对回放缓冲区展开了标签翻转和隐蔽后门投毒攻击的探测研究。在CICIDS2017基准上，框架在传统类增量设置下达到0.9994准确率，在CII下达到0.9989，且遗忘可忽略，大幅优于顺序微调（0.0052）、EWC（0.0324）、LwF（0.0699）和iCaRL（0.8770）等基线。实验表明，每次经验注入良性流量是防止遗忘的关键，但回放缓冲区也引入了严重漏洞：1%预算的标签翻转攻击可使模型准确率崩溃至0.0053；后门攻击在保持整体准确率0.97的同时，触发流的攻击成功率高达95%，且能逃避标准监控。最终结论是，适度的回放预算可使模型性能接近联合训练，但缓冲区完整性成为严格的操作要求。论文适合入侵检测、持续学习、对抗机器学习方向的研究人员和安全工程师阅读。