在线行为广告及其相关的跟踪技术对用户隐私构成严重威胁。现有的隐私增强工具（如广告拦截器、防跟踪插件）在面对日益复杂的广告和跟踪系统时效果有限。为此，本文提出了HARPO（一种基于学习的系统），旨在通过混淆手段颠覆在线行为广告。HARPO采用强化学习（Reinforcement Learning）框架，自适应地在用户的真实页面浏览中穿插访问虚假页面，从而扭曲跟踪器对用户浏览画像的认知。具体而言，HARPO将用户与跟踪器的交互建模为一个序贯决策问题，智能体（agent）根据当前状态选择行动（访问真实页面或虚假页面），以最大化隐私收益（如错误兴趣分段数量、出价干扰等）。实验评估基于真实世界的用户画像和广告定向模型，结果表明HARPO能够触发超过40%的错误兴趣分段，并将广告出价提升6倍以上（相比基准）。与现有的混淆工具相比，在相同开销下，HARPO的隐私提升幅度高达16倍。此外，HARPO在对抗检测方面也具有更好的隐蔽性，能够有效躲避跟踪器对混淆行为的识别。本研究的核心贡献在于：首次将强化学习应用于广告混淆领域；在真实广告系统中验证了有效性；展示了比现有方法更优的隐私保护效果与抗检测能力。适合关注在线隐私、广告技术、强化学习应用的安全研究人员阅读。