crypto/modes/asm/ghash-x86.pl

   1 #! /usr/bin/env perl
   2 # Copyright 2010-2020 The OpenSSL Project Authors. All Rights Reserved.
   3 #
   4 # Licensed under the Apache License 2.0 (the "License").  You may not use
   5 # this file except in compliance with the License.  You can obtain a copy
   6 # in the file LICENSE in the source distribution or at
   7 # https://www.openssl.org/source/license.html
   8
   9 #
  10 # ====================================================================
  11 # Written by Andy Polyakov <appro@openssl.org> for the OpenSSL
  12 # project. The module is, however, dual licensed under OpenSSL and
  13 # CRYPTOGAMS licenses depending on where you obtain it. For further
  14 # details see http://www.openssl.org/~appro/cryptogams/.
  15 # ====================================================================
  16 #
  17 # March, May, June 2010
  18 #
  19 # The module implements "4-bit" GCM GHASH function and underlying
  20 # single multiplication operation in GF(2^128). "4-bit" means that it
  21 # uses 256 bytes per-key table [+64/128 bytes fixed table]. It has two
  22 # code paths: vanilla x86 and vanilla SSE. Former will be executed on
  23 # 486 and Pentium, latter on all others. SSE GHASH features so called
  24 # "528B" variant of "4-bit" method utilizing additional 256+16 bytes
  25 # of per-key storage [+512 bytes shared table]. Performance results
  26 # are for streamed GHASH subroutine and are expressed in cycles per
  27 # processed byte, less is better:
  28 #
  29 #               gcc 2.95.3(*)   SSE assembler   x86 assembler
  30 #
  31 # Pentium       105/111(**)     -               50
  32 # PIII          68 /75          12.2            24
  33 # P4            125/125         17.8            84(***)
  34 # Opteron       66 /70          10.1            30
  35 # Core2         54 /67          8.4             18
  36 # Atom          105/105         16.8            53
  37 # VIA Nano      69 /71          13.0            27
  38 #
  39 # (*)   gcc 3.4.x was observed to generate few percent slower code,
  40 #       which is one of reasons why 2.95.3 results were chosen,
  41 #       another reason is lack of 3.4.x results for older CPUs;
  42 #       comparison with SSE results is not completely fair, because C
  43 #       results are for vanilla "256B" implementation, while
  44 #       assembler results are for "528B";-)
  45 # (**)  second number is result for code compiled with -fPIC flag,
  46 #       which is actually more relevant, because assembler code is
  47 #       position-independent;
  48 # (***) see comment in non-MMX routine for further details;
  49 #
  50 # To summarize, it's >2-5 times faster than gcc-generated code. To
  51 # anchor it to something else SHA1 assembler processes one byte in
  52 # ~7 cycles on contemporary x86 cores. As for choice of MMX/SSE
  53 # in particular, see comment at the end of the file...
  54
  55 # May 2010
  56 #
  57 # Add PCLMULQDQ version performing at 2.10 cycles per processed byte.
  58 # The question is how close is it to theoretical limit? The pclmulqdq
  59 # instruction latency appears to be 14 cycles and there can't be more
  60 # than 2 of them executing at any given time. This means that single
  61 # Karatsuba multiplication would take 28 cycles *plus* few cycles for
  62 # pre- and post-processing. Then multiplication has to be followed by
  63 # modulo-reduction. Given that aggregated reduction method [see
  64 # "Carry-less Multiplication and Its Usage for Computing the GCM Mode"
  65 # white paper by Intel] allows you to perform reduction only once in
  66 # a while we can assume that asymptotic performance can be estimated
  67 # as (28+Tmod/Naggr)/16, where Tmod is time to perform reduction
  68 # and Naggr is the aggregation factor.
  69 #
  70 # Before we proceed to this implementation let's have closer look at
  71 # the best-performing code suggested by Intel in their white paper.
  72 # By tracing inter-register dependencies Tmod is estimated as ~19
  73 # cycles and Naggr chosen by Intel is 4, resulting in 2.05 cycles per
  74 # processed byte. As implied, this is quite optimistic estimate,
  75 # because it does not account for Karatsuba pre- and post-processing,
  76 # which for a single multiplication is ~5 cycles. Unfortunately Intel
  77 # does not provide performance data for GHASH alone. But benchmarking
  78 # AES_GCM_encrypt ripped out of Fig. 15 of the white paper with aadt
  79 # alone resulted in 2.46 cycles per byte of out 16KB buffer. Note that
  80 # the result accounts even for pre-computing of degrees of the hash
  81 # key H, but its portion is negligible at 16KB buffer size.
  82 #
  83 # Moving on to the implementation in question. Tmod is estimated as
  84 # ~13 cycles and Naggr is 2, giving asymptotic performance of ...
  85 # 2.16. How is it possible that measured performance is better than
  86 # optimistic theoretical estimate? There is one thing Intel failed
  87 # to recognize. By serializing GHASH with CTR in same subroutine
  88 # former's performance is really limited to above (Tmul + Tmod/Naggr)
  89 # equation. But if GHASH procedure is detached, the modulo-reduction
  90 # can be interleaved with Naggr-1 multiplications at instruction level
  91 # and under ideal conditions even disappear from the equation. So that
  92 # optimistic theoretical estimate for this implementation is ...
  93 # 28/16=1.75, and not 2.16. Well, it's probably way too optimistic,
  94 # at least for such small Naggr. I'd argue that (28+Tproc/Naggr),
  95 # where Tproc is time required for Karatsuba pre- and post-processing,
  96 # is more realistic estimate. In this case it gives ... 1.91 cycles.
  97 # Or in other words, depending on how well we can interleave reduction
  98 # and one of the two multiplications the performance should be between
  99 # 1.91 and 2.16. As already mentioned, this implementation processes
 100 # one byte out of 8KB buffer in 2.10 cycles, while x86_64 counterpart
 101 # - in 2.02. x86_64 performance is better, because larger register
 102 # bank allows to interleave reduction and multiplication better.
 103 #
 104 # Does it make sense to increase Naggr? To start with it's virtually
 105 # impossible in 32-bit mode, because of limited register bank
 106 # capacity. Otherwise improvement has to be weighed against slower
 107 # setup, as well as code size and complexity increase. As even
 108 # optimistic estimate doesn't promise 30% performance improvement,
 109 # there are currently no plans to increase Naggr.
 110 #
 111 # Special thanks to David Woodhouse for providing access to a
 112 # Westmere-based system on behalf of Intel Open Source Technology Centre.
 113
 114 # January 2010
 115 #
 116 # Tweaked to optimize transitions between integer and FP operations
 117 # on same XMM register, PCLMULQDQ subroutine was measured to process
 118 # one byte in 2.07 cycles on Sandy Bridge, and in 2.12 - on Westmere.
 119 # The minor regression on Westmere is outweighed by ~15% improvement
 120 # on Sandy Bridge. Strangely enough attempt to modify 64-bit code in
 121 # similar manner resulted in almost 20% degradation on Sandy Bridge,
 122 # where original 64-bit code processes one byte in 1.95 cycles.
 123
 124 #####################################################################
 125 # For reference, AMD Bulldozer processes one byte in 1.98 cycles in
 126 # 32-bit mode and 1.89 in 64-bit.
 127
 128 # February 2013
 129 #
 130 # Overhaul: aggregate Karatsuba post-processing, improve ILP in
 131 # reduction_alg9. Resulting performance is 1.96 cycles per byte on
 132 # Westmere, 1.95 - on Sandy/Ivy Bridge, 1.76 - on Bulldozer.
 133
 134 $0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
 135 push(@INC,"${dir}","${dir}../../perlasm");
 136 require "x86asm.pl";
 137
 138 $output=pop and open STDOUT,">$output";
 139
 140 &asm_init($ARGV[0],$x86only = $ARGV[$#ARGV] eq "386");
 141
 142 $sse2=0;
 143 for (@ARGV) { $sse2=1 if (/-DOPENSSL_IA32_SSE2/); }
 144
 145 ($Zhh,$Zhl,$Zlh,$Zll) = ("ebp","edx","ecx","ebx");
 146 $inp  = "edi";
 147 $Htbl = "esi";
 148 \f
 149 $unroll = 0;    # Affects x86 loop. Folded loop performs ~7% worse
 150                 # than unrolled, which has to be weighted against
 151                 # 2.5x x86-specific code size reduction.
 152
 153 sub x86_loop {
 154     my $off = shift;
 155     my $rem = "eax";
 156
 157         &mov    ($Zhh,&DWP(4,$Htbl,$Zll));
 158         &mov    ($Zhl,&DWP(0,$Htbl,$Zll));
 159         &mov    ($Zlh,&DWP(12,$Htbl,$Zll));
 160         &mov    ($Zll,&DWP(8,$Htbl,$Zll));
 161         &xor    ($rem,$rem);    # avoid partial register stalls on PIII
 162
 163         # shrd practically kills P4, 2.5x deterioration, but P4 has
 164         # MMX code-path to execute. shrd runs tad faster [than twice
 165         # the shifts, move's and or's] on pre-MMX Pentium (as well as
 166         # PIII and Core2), *but* minimizes code size, spares register
 167         # and thus allows to fold the loop...
 168         if (!$unroll) {
 169         my $cnt = $inp;
 170         &mov    ($cnt,15);
 171         &jmp    (&label("x86_loop"));
 172         &set_label("x86_loop",16);
 173             for($i=1;$i<=2;$i++) {
 174                 &mov    (&LB($rem),&LB($Zll));
 175                 &shrd   ($Zll,$Zlh,4);
 176                 &and    (&LB($rem),0xf);
 177                 &shrd   ($Zlh,$Zhl,4);
 178                 &shrd   ($Zhl,$Zhh,4);
 179                 &shr    ($Zhh,4);
 180                 &xor    ($Zhh,&DWP($off+16,"esp",$rem,4));
 181
 182                 &mov    (&LB($rem),&BP($off,"esp",$cnt));
 183                 if ($i&1) {
 184                         &and    (&LB($rem),0xf0);
 185                 } else {
 186                         &shl    (&LB($rem),4);
 187                 }
 188
 189                 &xor    ($Zll,&DWP(8,$Htbl,$rem));
 190                 &xor    ($Zlh,&DWP(12,$Htbl,$rem));
 191                 &xor    ($Zhl,&DWP(0,$Htbl,$rem));
 192                 &xor    ($Zhh,&DWP(4,$Htbl,$rem));
 193
 194                 if ($i&1) {
 195                         &dec    ($cnt);
 196                         &js     (&label("x86_break"));
 197                 } else {
 198                         &jmp    (&label("x86_loop"));
 199                 }
 200             }
 201         &set_label("x86_break",16);
 202         } else {
 203             for($i=1;$i<32;$i++) {
 204                 &comment($i);
 205                 &mov    (&LB($rem),&LB($Zll));
 206                 &shrd   ($Zll,$Zlh,4);
 207                 &and    (&LB($rem),0xf);
 208                 &shrd   ($Zlh,$Zhl,4);
 209                 &shrd   ($Zhl,$Zhh,4);
 210                 &shr    ($Zhh,4);
 211                 &xor    ($Zhh,&DWP($off+16,"esp",$rem,4));
 212
 213                 if ($i&1) {
 214                         &mov    (&LB($rem),&BP($off+15-($i>>1),"esp"));
 215                         &and    (&LB($rem),0xf0);
 216                 } else {
 217                         &mov    (&LB($rem),&BP($off+15-($i>>1),"esp"));
 218                         &shl    (&LB($rem),4);
 219                 }
 220
 221                 &xor    ($Zll,&DWP(8,$Htbl,$rem));
 222                 &xor    ($Zlh,&DWP(12,$Htbl,$rem));
 223                 &xor    ($Zhl,&DWP(0,$Htbl,$rem));
 224                 &xor    ($Zhh,&DWP(4,$Htbl,$rem));
 225             }
 226         }
 227         &bswap  ($Zll);
 228         &bswap  ($Zlh);
 229         &bswap  ($Zhl);
 230         if (!$x86only) {
 231                 &bswap  ($Zhh);
 232         } else {
 233                 &mov    ("eax",$Zhh);
 234                 &bswap  ("eax");
 235                 &mov    ($Zhh,"eax");
 236         }
 237 }
 238
 239 if ($unroll) {
 240     &function_begin_B("_x86_gmult_4bit_inner");
 241         &x86_loop(4);
 242         &ret    ();
 243     &function_end_B("_x86_gmult_4bit_inner");
 244 }
 245
 246 sub deposit_rem_4bit {
 247     my $bias = shift;
 248
 249         &mov    (&DWP($bias+0, "esp"),0x0000<<16);
 250         &mov    (&DWP($bias+4, "esp"),0x1C20<<16);
 251         &mov    (&DWP($bias+8, "esp"),0x3840<<16);
 252         &mov    (&DWP($bias+12,"esp"),0x2460<<16);
 253         &mov    (&DWP($bias+16,"esp"),0x7080<<16);
 254         &mov    (&DWP($bias+20,"esp"),0x6CA0<<16);
 255         &mov    (&DWP($bias+24,"esp"),0x48C0<<16);
 256         &mov    (&DWP($bias+28,"esp"),0x54E0<<16);
 257         &mov    (&DWP($bias+32,"esp"),0xE100<<16);
 258         &mov    (&DWP($bias+36,"esp"),0xFD20<<16);
 259         &mov    (&DWP($bias+40,"esp"),0xD940<<16);
 260         &mov    (&DWP($bias+44,"esp"),0xC560<<16);
 261         &mov    (&DWP($bias+48,"esp"),0x9180<<16);
 262         &mov    (&DWP($bias+52,"esp"),0x8DA0<<16);
 263         &mov    (&DWP($bias+56,"esp"),0xA9C0<<16);
 264         &mov    (&DWP($bias+60,"esp"),0xB5E0<<16);
 265 }
 266 \f
 267 $suffix = $x86only ? "" : "_x86";
 268
 269 &function_begin("gcm_gmult_4bit".$suffix);
 270         &stack_push(16+4+1);                    # +1 for stack alignment
 271         &mov    ($inp,&wparam(0));              # load Xi
 272         &mov    ($Htbl,&wparam(1));             # load Htable
 273
 274         &mov    ($Zhh,&DWP(0,$inp));            # load Xi[16]
 275         &mov    ($Zhl,&DWP(4,$inp));
 276         &mov    ($Zlh,&DWP(8,$inp));
 277         &mov    ($Zll,&DWP(12,$inp));
 278
 279         &deposit_rem_4bit(16);
 280
 281         &mov    (&DWP(0,"esp"),$Zhh);           # copy Xi[16] on stack
 282         &mov    (&DWP(4,"esp"),$Zhl);
 283         &mov    (&DWP(8,"esp"),$Zlh);
 284         &mov    (&DWP(12,"esp"),$Zll);
 285         &shr    ($Zll,20);
 286         &and    ($Zll,0xf0);
 287
 288         if ($unroll) {
 289                 &call   ("_x86_gmult_4bit_inner");
 290         } else {
 291                 &x86_loop(0);
 292                 &mov    ($inp,&wparam(0));
 293         }
 294
 295         &mov    (&DWP(12,$inp),$Zll);
 296         &mov    (&DWP(8,$inp),$Zlh);
 297         &mov    (&DWP(4,$inp),$Zhl);
 298         &mov    (&DWP(0,$inp),$Zhh);
 299         &stack_pop(16+4+1);
 300 &function_end("gcm_gmult_4bit".$suffix);
 301
 302 &function_begin("gcm_ghash_4bit".$suffix);
 303         &stack_push(16+4+1);                    # +1 for 64-bit alignment
 304         &mov    ($Zll,&wparam(0));              # load Xi
 305         &mov    ($Htbl,&wparam(1));             # load Htable
 306         &mov    ($inp,&wparam(2));              # load in
 307         &mov    ("ecx",&wparam(3));             # load len
 308         &add    ("ecx",$inp);
 309         &mov    (&wparam(3),"ecx");
 310
 311         &mov    ($Zhh,&DWP(0,$Zll));            # load Xi[16]
 312         &mov    ($Zhl,&DWP(4,$Zll));
 313         &mov    ($Zlh,&DWP(8,$Zll));
 314         &mov    ($Zll,&DWP(12,$Zll));
 315
 316         &deposit_rem_4bit(16);
 317
 318     &set_label("x86_outer_loop",16);
 319         &xor    ($Zll,&DWP(12,$inp));           # xor with input
 320         &xor    ($Zlh,&DWP(8,$inp));
 321         &xor    ($Zhl,&DWP(4,$inp));
 322         &xor    ($Zhh,&DWP(0,$inp));
 323         &mov    (&DWP(12,"esp"),$Zll);          # dump it on stack
 324         &mov    (&DWP(8,"esp"),$Zlh);
 325         &mov    (&DWP(4,"esp"),$Zhl);
 326         &mov    (&DWP(0,"esp"),$Zhh);
 327
 328         &shr    ($Zll,20);
 329         &and    ($Zll,0xf0);
 330
 331         if ($unroll) {
 332                 &call   ("_x86_gmult_4bit_inner");
 333         } else {
 334                 &x86_loop(0);
 335                 &mov    ($inp,&wparam(2));
 336         }
 337         &lea    ($inp,&DWP(16,$inp));
 338         &cmp    ($inp,&wparam(3));
 339         &mov    (&wparam(2),$inp)       if (!$unroll);
 340         &jb     (&label("x86_outer_loop"));
 341
 342         &mov    ($inp,&wparam(0));      # load Xi
 343         &mov    (&DWP(12,$inp),$Zll);
 344         &mov    (&DWP(8,$inp),$Zlh);
 345         &mov    (&DWP(4,$inp),$Zhl);
 346         &mov    (&DWP(0,$inp),$Zhh);
 347         &stack_pop(16+4+1);
 348 &function_end("gcm_ghash_4bit".$suffix);
 349 \f
 350 if (!$x86only) {{{
 351
 352 &static_label("rem_4bit");
 353
 354 if (!$sse2) {{  # pure-MMX "May" version...
 355
 356 $S=12;          # shift factor for rem_4bit
 357
 358 &function_begin_B("_mmx_gmult_4bit_inner");
 359 # MMX version performs 3.5 times better on P4 (see comment in non-MMX
 360 # routine for further details), 100% better on Opteron, ~70% better
 361 # on Core2 and PIII... In other words effort is considered to be well
 362 # spent... Since initial release the loop was unrolled in order to
 363 # "liberate" register previously used as loop counter. Instead it's
 364 # used to optimize critical path in 'Z.hi ^= rem_4bit[Z.lo&0xf]'.
 365 # The path involves move of Z.lo from MMX to integer register,
 366 # effective address calculation and finally merge of value to Z.hi.
 367 # Reference to rem_4bit is scheduled so late that I had to >>4
 368 # rem_4bit elements. This resulted in 20-45% procent improvement
 369 # on contemporary µ-archs.
 370 {
 371     my $cnt;
 372     my $rem_4bit = "eax";
 373     my @rem = ($Zhh,$Zll);
 374     my $nhi = $Zhl;
 375     my $nlo = $Zlh;
 376
 377     my ($Zlo,$Zhi) = ("mm0","mm1");
 378     my $tmp = "mm2";
 379
 380         &xor    ($nlo,$nlo);    # avoid partial register stalls on PIII
 381         &mov    ($nhi,$Zll);
 382         &mov    (&LB($nlo),&LB($nhi));
 383         &shl    (&LB($nlo),4);
 384         &and    ($nhi,0xf0);
 385         &movq   ($Zlo,&QWP(8,$Htbl,$nlo));
 386         &movq   ($Zhi,&QWP(0,$Htbl,$nlo));
 387         &movd   ($rem[0],$Zlo);
 388
 389         for ($cnt=28;$cnt>=-2;$cnt--) {
 390             my $odd = $cnt&1;
 391             my $nix = $odd ? $nlo : $nhi;
 392
 393                 &shl    (&LB($nlo),4)                   if ($odd);
 394                 &psrlq  ($Zlo,4);
 395                 &movq   ($tmp,$Zhi);
 396                 &psrlq  ($Zhi,4);
 397                 &pxor   ($Zlo,&QWP(8,$Htbl,$nix));
 398                 &mov    (&LB($nlo),&BP($cnt/2,$inp))    if (!$odd && $cnt>=0);
 399                 &psllq  ($tmp,60);
 400                 &and    ($nhi,0xf0)                     if ($odd);
 401                 &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem[1],8)) if ($cnt<28);
 402                 &and    ($rem[0],0xf);
 403                 &pxor   ($Zhi,&QWP(0,$Htbl,$nix));
 404                 &mov    ($nhi,$nlo)                     if (!$odd && $cnt>=0);
 405                 &movd   ($rem[1],$Zlo);
 406                 &pxor   ($Zlo,$tmp);
 407
 408                 push    (@rem,shift(@rem));             # "rotate" registers
 409         }
 410
 411         &mov    ($inp,&DWP(4,$rem_4bit,$rem[1],8));     # last rem_4bit[rem]
 412
 413         &psrlq  ($Zlo,32);      # lower part of Zlo is already there
 414         &movd   ($Zhl,$Zhi);
 415         &psrlq  ($Zhi,32);
 416         &movd   ($Zlh,$Zlo);
 417         &movd   ($Zhh,$Zhi);
 418         &shl    ($inp,4);       # compensate for rem_4bit[i] being >>4
 419
 420         &bswap  ($Zll);
 421         &bswap  ($Zhl);
 422         &bswap  ($Zlh);
 423         &xor    ($Zhh,$inp);
 424         &bswap  ($Zhh);
 425
 426         &ret    ();
 427 }
 428 &function_end_B("_mmx_gmult_4bit_inner");
 429
 430 &function_begin("gcm_gmult_4bit_mmx");
 431         &mov    ($inp,&wparam(0));      # load Xi
 432         &mov    ($Htbl,&wparam(1));     # load Htable
 433
 434         &call   (&label("pic_point"));
 435         &set_label("pic_point");
 436         &blindpop("eax");
 437         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
 438
 439         &movz   ($Zll,&BP(15,$inp));
 440
 441         &call   ("_mmx_gmult_4bit_inner");
 442
 443         &mov    ($inp,&wparam(0));      # load Xi
 444         &emms   ();
 445         &mov    (&DWP(12,$inp),$Zll);
 446         &mov    (&DWP(4,$inp),$Zhl);
 447         &mov    (&DWP(8,$inp),$Zlh);
 448         &mov    (&DWP(0,$inp),$Zhh);
 449 &function_end("gcm_gmult_4bit_mmx");
 450 \f
 451 # Streamed version performs 20% better on P4, 7% on Opteron,
 452 # 10% on Core2 and PIII...
 453 &function_begin("gcm_ghash_4bit_mmx");
 454         &mov    ($Zhh,&wparam(0));      # load Xi
 455         &mov    ($Htbl,&wparam(1));     # load Htable
 456         &mov    ($inp,&wparam(2));      # load in
 457         &mov    ($Zlh,&wparam(3));      # load len
 458
 459         &call   (&label("pic_point"));
 460         &set_label("pic_point");
 461         &blindpop("eax");
 462         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
 463
 464         &add    ($Zlh,$inp);
 465         &mov    (&wparam(3),$Zlh);      # len to point at the end of input
 466         &stack_push(4+1);               # +1 for stack alignment
 467
 468         &mov    ($Zll,&DWP(12,$Zhh));   # load Xi[16]
 469         &mov    ($Zhl,&DWP(4,$Zhh));
 470         &mov    ($Zlh,&DWP(8,$Zhh));
 471         &mov    ($Zhh,&DWP(0,$Zhh));
 472         &jmp    (&label("mmx_outer_loop"));
 473
 474     &set_label("mmx_outer_loop",16);
 475         &xor    ($Zll,&DWP(12,$inp));
 476         &xor    ($Zhl,&DWP(4,$inp));
 477         &xor    ($Zlh,&DWP(8,$inp));
 478         &xor    ($Zhh,&DWP(0,$inp));
 479         &mov    (&wparam(2),$inp);
 480         &mov    (&DWP(12,"esp"),$Zll);
 481         &mov    (&DWP(4,"esp"),$Zhl);
 482         &mov    (&DWP(8,"esp"),$Zlh);
 483         &mov    (&DWP(0,"esp"),$Zhh);
 484
 485         &mov    ($inp,"esp");
 486         &shr    ($Zll,24);
 487
 488         &call   ("_mmx_gmult_4bit_inner");
 489
 490         &mov    ($inp,&wparam(2));
 491         &lea    ($inp,&DWP(16,$inp));
 492         &cmp    ($inp,&wparam(3));
 493         &jb     (&label("mmx_outer_loop"));
 494
 495         &mov    ($inp,&wparam(0));      # load Xi
 496         &emms   ();
 497         &mov    (&DWP(12,$inp),$Zll);
 498         &mov    (&DWP(4,$inp),$Zhl);
 499         &mov    (&DWP(8,$inp),$Zlh);
 500         &mov    (&DWP(0,$inp),$Zhh);
 501
 502         &stack_pop(4+1);
 503 &function_end("gcm_ghash_4bit_mmx");
 504 \f
 505 }} else {{      # "June" MMX version...
 506                 # ... has slower "April" gcm_gmult_4bit_mmx with folded
 507                 # loop. This is done to conserve code size...
 508 $S=16;          # shift factor for rem_4bit
 509
 510 sub mmx_loop() {
 511 # MMX version performs 2.8 times better on P4 (see comment in non-MMX
 512 # routine for further details), 40% better on Opteron and Core2, 50%
 513 # better on PIII... In other words effort is considered to be well
 514 # spent...
 515     my $inp = shift;
 516     my $rem_4bit = shift;
 517     my $cnt = $Zhh;
 518     my $nhi = $Zhl;
 519     my $nlo = $Zlh;
 520     my $rem = $Zll;
 521
 522     my ($Zlo,$Zhi) = ("mm0","mm1");
 523     my $tmp = "mm2";
 524
 525         &xor    ($nlo,$nlo);    # avoid partial register stalls on PIII
 526         &mov    ($nhi,$Zll);
 527         &mov    (&LB($nlo),&LB($nhi));
 528         &mov    ($cnt,14);
 529         &shl    (&LB($nlo),4);
 530         &and    ($nhi,0xf0);
 531         &movq   ($Zlo,&QWP(8,$Htbl,$nlo));
 532         &movq   ($Zhi,&QWP(0,$Htbl,$nlo));
 533         &movd   ($rem,$Zlo);
 534         &jmp    (&label("mmx_loop"));
 535
 536     &set_label("mmx_loop",16);
 537         &psrlq  ($Zlo,4);
 538         &and    ($rem,0xf);
 539         &movq   ($tmp,$Zhi);
 540         &psrlq  ($Zhi,4);
 541         &pxor   ($Zlo,&QWP(8,$Htbl,$nhi));
 542         &mov    (&LB($nlo),&BP(0,$inp,$cnt));
 543         &psllq  ($tmp,60);
 544         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 545         &dec    ($cnt);
 546         &movd   ($rem,$Zlo);
 547         &pxor   ($Zhi,&QWP(0,$Htbl,$nhi));
 548         &mov    ($nhi,$nlo);
 549         &pxor   ($Zlo,$tmp);
 550         &js     (&label("mmx_break"));
 551
 552         &shl    (&LB($nlo),4);
 553         &and    ($rem,0xf);
 554         &psrlq  ($Zlo,4);
 555         &and    ($nhi,0xf0);
 556         &movq   ($tmp,$Zhi);
 557         &psrlq  ($Zhi,4);
 558         &pxor   ($Zlo,&QWP(8,$Htbl,$nlo));
 559         &psllq  ($tmp,60);
 560         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 561         &movd   ($rem,$Zlo);
 562         &pxor   ($Zhi,&QWP(0,$Htbl,$nlo));
 563         &pxor   ($Zlo,$tmp);
 564         &jmp    (&label("mmx_loop"));
 565
 566     &set_label("mmx_break",16);
 567         &shl    (&LB($nlo),4);
 568         &and    ($rem,0xf);
 569         &psrlq  ($Zlo,4);
 570         &and    ($nhi,0xf0);
 571         &movq   ($tmp,$Zhi);
 572         &psrlq  ($Zhi,4);
 573         &pxor   ($Zlo,&QWP(8,$Htbl,$nlo));
 574         &psllq  ($tmp,60);
 575         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 576         &movd   ($rem,$Zlo);
 577         &pxor   ($Zhi,&QWP(0,$Htbl,$nlo));
 578         &pxor   ($Zlo,$tmp);
 579
 580         &psrlq  ($Zlo,4);
 581         &and    ($rem,0xf);
 582         &movq   ($tmp,$Zhi);
 583         &psrlq  ($Zhi,4);
 584         &pxor   ($Zlo,&QWP(8,$Htbl,$nhi));
 585         &psllq  ($tmp,60);
 586         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 587         &movd   ($rem,$Zlo);
 588         &pxor   ($Zhi,&QWP(0,$Htbl,$nhi));
 589         &pxor   ($Zlo,$tmp);
 590
 591         &psrlq  ($Zlo,32);      # lower part of Zlo is already there
 592         &movd   ($Zhl,$Zhi);
 593         &psrlq  ($Zhi,32);
 594         &movd   ($Zlh,$Zlo);
 595         &movd   ($Zhh,$Zhi);
 596
 597         &bswap  ($Zll);
 598         &bswap  ($Zhl);
 599         &bswap  ($Zlh);
 600         &bswap  ($Zhh);
 601 }
 602
 603 &function_begin("gcm_gmult_4bit_mmx");
 604         &mov    ($inp,&wparam(0));      # load Xi
 605         &mov    ($Htbl,&wparam(1));     # load Htable
 606
 607         &call   (&label("pic_point"));
 608         &set_label("pic_point");
 609         &blindpop("eax");
 610         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
 611
 612         &movz   ($Zll,&BP(15,$inp));
 613
 614         &mmx_loop($inp,"eax");
 615
 616         &emms   ();
 617         &mov    (&DWP(12,$inp),$Zll);
 618         &mov    (&DWP(4,$inp),$Zhl);
 619         &mov    (&DWP(8,$inp),$Zlh);
 620         &mov    (&DWP(0,$inp),$Zhh);
 621 &function_end("gcm_gmult_4bit_mmx");
 622 \f
 623 ######################################################################
 624 # Below subroutine is "528B" variant of "4-bit" GCM GHASH function
 625 # (see gcm128.c for details). It provides further 20-40% performance
 626 # improvement over above mentioned "May" version.
 627
 628 &static_label("rem_8bit");
 629
 630 &function_begin("gcm_ghash_4bit_mmx");
 631 { my ($Zlo,$Zhi) = ("mm7","mm6");
 632   my $rem_8bit = "esi";
 633   my $Htbl = "ebx";
 634
 635     # parameter block
 636     &mov        ("eax",&wparam(0));             # Xi
 637     &mov        ("ebx",&wparam(1));             # Htable
 638     &mov        ("ecx",&wparam(2));             # inp
 639     &mov        ("edx",&wparam(3));             # len
 640     &mov        ("ebp","esp");                  # original %esp
 641     &call       (&label("pic_point"));
 642     &set_label  ("pic_point");
 643     &blindpop   ($rem_8bit);
 644     &lea        ($rem_8bit,&DWP(&label("rem_8bit")."-".&label("pic_point"),$rem_8bit));
 645
 646     &sub        ("esp",512+16+16);              # allocate stack frame...
 647     &and        ("esp",-64);                    # ...and align it
 648     &sub        ("esp",16);                     # place for (u8)(H[]<<4)
 649
 650     &add        ("edx","ecx");                  # pointer to the end of input
 651     &mov        (&DWP(528+16+0,"esp"),"eax");   # save Xi
 652     &mov        (&DWP(528+16+8,"esp"),"edx");   # save inp+len
 653     &mov        (&DWP(528+16+12,"esp"),"ebp");  # save original %esp
 654
 655     { my @lo  = ("mm0","mm1","mm2");
 656       my @hi  = ("mm3","mm4","mm5");
 657       my @tmp = ("mm6","mm7");
 658       my ($off1,$off2,$i) = (0,0,);
 659
 660       &add      ($Htbl,128);                    # optimize for size
 661       &lea      ("edi",&DWP(16+128,"esp"));
 662       &lea      ("ebp",&DWP(16+256+128,"esp"));
 663
 664       # decompose Htable (low and high parts are kept separately),
 665       # generate Htable[]>>4, (u8)(Htable[]<<4), save to stack...
 666       for ($i=0;$i<18;$i++) {
 667
 668         &mov    ("edx",&DWP(16*$i+8-128,$Htbl))         if ($i<16);
 669         &movq   ($lo[0],&QWP(16*$i+8-128,$Htbl))        if ($i<16);
 670         &psllq  ($tmp[1],60)                            if ($i>1);
 671         &movq   ($hi[0],&QWP(16*$i+0-128,$Htbl))        if ($i<16);
 672         &por    ($lo[2],$tmp[1])                        if ($i>1);
 673         &movq   (&QWP($off1-128,"edi"),$lo[1])          if ($i>0 && $i<17);
 674         &psrlq  ($lo[1],4)                              if ($i>0 && $i<17);
 675         &movq   (&QWP($off1,"edi"),$hi[1])              if ($i>0 && $i<17);
 676         &movq   ($tmp[0],$hi[1])                        if ($i>0 && $i<17);
 677         &movq   (&QWP($off2-128,"ebp"),$lo[2])          if ($i>1);
 678         &psrlq  ($hi[1],4)                              if ($i>0 && $i<17);
 679         &movq   (&QWP($off2,"ebp"),$hi[2])              if ($i>1);
 680         &shl    ("edx",4)                               if ($i<16);
 681         &mov    (&BP($i,"esp"),&LB("edx"))              if ($i<16);
 682
 683         unshift (@lo,pop(@lo));                 # "rotate" registers
 684         unshift (@hi,pop(@hi));
 685         unshift (@tmp,pop(@tmp));
 686         $off1 += 8      if ($i>0);
 687         $off2 += 8      if ($i>1);
 688       }
 689     }
 690
 691     &movq       ($Zhi,&QWP(0,"eax"));
 692     &mov        ("ebx",&DWP(8,"eax"));
 693     &mov        ("edx",&DWP(12,"eax"));         # load Xi
 694
 695 &set_label("outer",16);
 696   { my $nlo = "eax";
 697     my $dat = "edx";
 698     my @nhi = ("edi","ebp");
 699     my @rem = ("ebx","ecx");
 700     my @red = ("mm0","mm1","mm2");
 701     my $tmp = "mm3";
 702
 703     &xor        ($dat,&DWP(12,"ecx"));          # merge input data
 704     &xor        ("ebx",&DWP(8,"ecx"));
 705     &pxor       ($Zhi,&QWP(0,"ecx"));
 706     &lea        ("ecx",&DWP(16,"ecx"));         # inp+=16
 707     #&mov       (&DWP(528+12,"esp"),$dat);      # save inp^Xi
 708     &mov        (&DWP(528+8,"esp"),"ebx");
 709     &movq       (&QWP(528+0,"esp"),$Zhi);
 710     &mov        (&DWP(528+16+4,"esp"),"ecx");   # save inp
 711
 712     &xor        ($nlo,$nlo);
 713     &rol        ($dat,8);
 714     &mov        (&LB($nlo),&LB($dat));
 715     &mov        ($nhi[1],$nlo);
 716     &and        (&LB($nlo),0x0f);
 717     &shr        ($nhi[1],4);
 718     &pxor       ($red[0],$red[0]);
 719     &rol        ($dat,8);                       # next byte
 720     &pxor       ($red[1],$red[1]);
 721     &pxor       ($red[2],$red[2]);
 722
 723     # Just like in "May" version modulo-schedule for critical path in
 724     # 'Z.hi ^= rem_8bit[Z.lo&0xff^((u8)H[nhi]<<4)]<<48'. Final 'pxor'
 725     # is scheduled so late that rem_8bit[] has to be shifted *right*
 726     # by 16, which is why last argument to pinsrw is 2, which
 727     # corresponds to <<32=<<48>>16...
 728     for ($j=11,$i=0;$i<15;$i++) {
 729
 730       if ($i>0) {
 731         &pxor   ($Zlo,&QWP(16,"esp",$nlo,8));           # Z^=H[nlo]
 732         &rol    ($dat,8);                               # next byte
 733         &pxor   ($Zhi,&QWP(16+128,"esp",$nlo,8));
 734
 735         &pxor   ($Zlo,$tmp);
 736         &pxor   ($Zhi,&QWP(16+256+128,"esp",$nhi[0],8));
 737         &xor    (&LB($rem[1]),&BP(0,"esp",$nhi[0]));    # rem^(H[nhi]<<4)
 738       } else {
 739         &movq   ($Zlo,&QWP(16,"esp",$nlo,8));
 740         &movq   ($Zhi,&QWP(16+128,"esp",$nlo,8));
 741       }
 742
 743         &mov    (&LB($nlo),&LB($dat));
 744         &mov    ($dat,&DWP(528+$j,"esp"))               if (--$j%4==0);
 745
 746         &movd   ($rem[0],$Zlo);
 747         &movz   ($rem[1],&LB($rem[1]))                  if ($i>0);
 748         &psrlq  ($Zlo,8);                               # Z>>=8
 749
 750         &movq   ($tmp,$Zhi);
 751         &mov    ($nhi[0],$nlo);
 752         &psrlq  ($Zhi,8);
 753
 754         &pxor   ($Zlo,&QWP(16+256+0,"esp",$nhi[1],8));  # Z^=H[nhi]>>4
 755         &and    (&LB($nlo),0x0f);
 756         &psllq  ($tmp,56);
 757
 758         &pxor   ($Zhi,$red[1])                          if ($i>1);
 759         &shr    ($nhi[0],4);
 760         &pinsrw ($red[0],&WP(0,$rem_8bit,$rem[1],2),2)  if ($i>0);
 761
 762         unshift (@red,pop(@red));                       # "rotate" registers
 763         unshift (@rem,pop(@rem));
 764         unshift (@nhi,pop(@nhi));
 765     }
 766
 767     &pxor       ($Zlo,&QWP(16,"esp",$nlo,8));           # Z^=H[nlo]
 768     &pxor       ($Zhi,&QWP(16+128,"esp",$nlo,8));
 769     &xor        (&LB($rem[1]),&BP(0,"esp",$nhi[0]));    # rem^(H[nhi]<<4)
 770
 771     &pxor       ($Zlo,$tmp);
 772     &pxor       ($Zhi,&QWP(16+256+128,"esp",$nhi[0],8));
 773     &movz       ($rem[1],&LB($rem[1]));
 774
 775     &pxor       ($red[2],$red[2]);                      # clear 2nd word
 776     &psllq      ($red[1],4);
 777
 778     &movd       ($rem[0],$Zlo);
 779     &psrlq      ($Zlo,4);                               # Z>>=4
 780
 781     &movq       ($tmp,$Zhi);
 782     &psrlq      ($Zhi,4);
 783     &shl        ($rem[0],4);                            # rem<<4
 784
 785     &pxor       ($Zlo,&QWP(16,"esp",$nhi[1],8));        # Z^=H[nhi]
 786     &psllq      ($tmp,60);
 787     &movz       ($rem[0],&LB($rem[0]));
 788
 789     &pxor       ($Zlo,$tmp);
 790     &pxor       ($Zhi,&QWP(16+128,"esp",$nhi[1],8));
 791
 792     &pinsrw     ($red[0],&WP(0,$rem_8bit,$rem[1],2),2);
 793     &pxor       ($Zhi,$red[1]);
 794
 795     &movd       ($dat,$Zlo);
 796     &pinsrw     ($red[2],&WP(0,$rem_8bit,$rem[0],2),3); # last is <<48
 797
 798     &psllq      ($red[0],12);                           # correct by <<16>>4
 799     &pxor       ($Zhi,$red[0]);
 800     &psrlq      ($Zlo,32);
 801     &pxor       ($Zhi,$red[2]);
 802
 803     &mov        ("ecx",&DWP(528+16+4,"esp"));   # restore inp
 804     &movd       ("ebx",$Zlo);
 805     &movq       ($tmp,$Zhi);                    # 01234567
 806     &psllw      ($Zhi,8);                       # 1.3.5.7.
 807     &psrlw      ($tmp,8);                       # .0.2.4.6
 808     &por        ($Zhi,$tmp);                    # 10325476
 809     &bswap      ($dat);
 810     &pshufw     ($Zhi,$Zhi,0b00011011);         # 76543210
 811     &bswap      ("ebx");
 812
 813     &cmp        ("ecx",&DWP(528+16+8,"esp"));   # are we done?
 814     &jne        (&label("outer"));
 815   }
 816
 817     &mov        ("eax",&DWP(528+16+0,"esp"));   # restore Xi
 818     &mov        (&DWP(12,"eax"),"edx");
 819     &mov        (&DWP(8,"eax"),"ebx");
 820     &movq       (&QWP(0,"eax"),$Zhi);
 821
 822     &mov        ("esp",&DWP(528+16+12,"esp"));  # restore original %esp
 823     &emms       ();
 824 }
 825 &function_end("gcm_ghash_4bit_mmx");
 826 }}
 827 \f
 828 if ($sse2) {{
 829 ######################################################################
 830 # PCLMULQDQ version.
 831
 832 $Xip="eax";
 833 $Htbl="edx";
 834 $const="ecx";
 835 $inp="esi";
 836 $len="ebx";
 837
 838 ($Xi,$Xhi)=("xmm0","xmm1");     $Hkey="xmm2";
 839 ($T1,$T2,$T3)=("xmm3","xmm4","xmm5");
 840 ($Xn,$Xhn)=("xmm6","xmm7");
 841
 842 &static_label("bswap");
 843
 844 sub clmul64x64_T2 {     # minimal "register" pressure
 845 my ($Xhi,$Xi,$Hkey,$HK)=@_;
 846
 847         &movdqa         ($Xhi,$Xi);             #
 848         &pshufd         ($T1,$Xi,0b01001110);
 849         &pshufd         ($T2,$Hkey,0b01001110)  if (!defined($HK));
 850         &pxor           ($T1,$Xi);              #
 851         &pxor           ($T2,$Hkey)             if (!defined($HK));
 852                         $HK=$T2                 if (!defined($HK));
 853
 854         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
 855         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
 856         &pclmulqdq      ($T1,$HK,0x00);         #######
 857         &xorps          ($T1,$Xi);              #
 858         &xorps          ($T1,$Xhi);             #
 859
 860         &movdqa         ($T2,$T1);              #
 861         &psrldq         ($T1,8);
 862         &pslldq         ($T2,8);                #
 863         &pxor           ($Xhi,$T1);
 864         &pxor           ($Xi,$T2);              #
 865 }
 866
 867 sub clmul64x64_T3 {
 868 # Even though this subroutine offers visually better ILP, it
 869 # was empirically found to be a tad slower than above version.
 870 # At least in gcm_ghash_clmul context. But it's just as well,
 871 # because loop modulo-scheduling is possible only thanks to
 872 # minimized "register" pressure...
 873 my ($Xhi,$Xi,$Hkey)=@_;
 874
 875         &movdqa         ($T1,$Xi);              #
 876         &movdqa         ($Xhi,$Xi);
 877         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
 878         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
 879         &pshufd         ($T2,$T1,0b01001110);   #
 880         &pshufd         ($T3,$Hkey,0b01001110);
 881         &pxor           ($T2,$T1);              #
 882         &pxor           ($T3,$Hkey);
 883         &pclmulqdq      ($T2,$T3,0x00);         #######
 884         &pxor           ($T2,$Xi);              #
 885         &pxor           ($T2,$Xhi);             #
 886
 887         &movdqa         ($T3,$T2);              #
 888         &psrldq         ($T2,8);
 889         &pslldq         ($T3,8);                #
 890         &pxor           ($Xhi,$T2);
 891         &pxor           ($Xi,$T3);              #
 892 }
 893 \f
 894 if (1) {                # Algorithm 9 with <<1 twist.
 895                         # Reduction is shorter and uses only two
 896                         # temporary registers, which makes it better
 897                         # candidate for interleaving with 64x64
 898                         # multiplication. Pre-modulo-scheduled loop
 899                         # was found to be ~20% faster than Algorithm 5
 900                         # below. Algorithm 9 was therefore chosen for
 901                         # further optimization...
 902
 903 sub reduction_alg9 {    # 17/11 times faster than Intel version
 904 my ($Xhi,$Xi) = @_;
 905
 906         # 1st phase
 907         &movdqa         ($T2,$Xi);              #
 908         &movdqa         ($T1,$Xi);
 909         &psllq          ($Xi,5);
 910         &pxor           ($T1,$Xi);              #
 911         &psllq          ($Xi,1);
 912         &pxor           ($Xi,$T1);              #
 913         &psllq          ($Xi,57);               #
 914         &movdqa         ($T1,$Xi);              #
 915         &pslldq         ($Xi,8);
 916         &psrldq         ($T1,8);                #
 917         &pxor           ($Xi,$T2);
 918         &pxor           ($Xhi,$T1);             #
 919
 920         # 2nd phase
 921         &movdqa         ($T2,$Xi);
 922         &psrlq          ($Xi,1);
 923         &pxor           ($Xhi,$T2);             #
 924         &pxor           ($T2,$Xi);
 925         &psrlq          ($Xi,5);
 926         &pxor           ($Xi,$T2);              #
 927         &psrlq          ($Xi,1);                #
 928         &pxor           ($Xi,$Xhi)              #
 929 }
 930
 931 &function_begin_B("gcm_init_clmul");
 932         &mov            ($Htbl,&wparam(0));
 933         &mov            ($Xip,&wparam(1));
 934
 935         &call           (&label("pic"));
 936 &set_label("pic");
 937         &blindpop       ($const);
 938         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
 939
 940         &movdqu         ($Hkey,&QWP(0,$Xip));
 941         &pshufd         ($Hkey,$Hkey,0b01001110);# dword swap
 942
 943         # <<1 twist
 944         &pshufd         ($T2,$Hkey,0b11111111); # broadcast uppermost dword
 945         &movdqa         ($T1,$Hkey);
 946         &psllq          ($Hkey,1);
 947         &pxor           ($T3,$T3);              #
 948         &psrlq          ($T1,63);
 949         &pcmpgtd        ($T3,$T2);              # broadcast carry bit
 950         &pslldq         ($T1,8);
 951         &por            ($Hkey,$T1);            # H<<=1
 952
 953         # magic reduction
 954         &pand           ($T3,&QWP(16,$const));  # 0x1c2_polynomial
 955         &pxor           ($Hkey,$T3);            # if(carry) H^=0x1c2_polynomial
 956
 957         # calculate H^2
 958         &movdqa         ($Xi,$Hkey);
 959         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);
 960         &reduction_alg9 ($Xhi,$Xi);
 961
 962         &pshufd         ($T1,$Hkey,0b01001110);
 963         &pshufd         ($T2,$Xi,0b01001110);
 964         &pxor           ($T1,$Hkey);            # Karatsuba pre-processing
 965         &movdqu         (&QWP(0,$Htbl),$Hkey);  # save H
 966         &pxor           ($T2,$Xi);              # Karatsuba pre-processing
 967         &movdqu         (&QWP(16,$Htbl),$Xi);   # save H^2
 968         &palignr        ($T2,$T1,8);            # low part is H.lo^H.hi
 969         &movdqu         (&QWP(32,$Htbl),$T2);   # save Karatsuba "salt"
 970
 971         &ret            ();
 972 &function_end_B("gcm_init_clmul");
 973
 974 &function_begin_B("gcm_gmult_clmul");
 975         &mov            ($Xip,&wparam(0));
 976         &mov            ($Htbl,&wparam(1));
 977
 978         &call           (&label("pic"));
 979 &set_label("pic");
 980         &blindpop       ($const);
 981         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
 982
 983         &movdqu         ($Xi,&QWP(0,$Xip));
 984         &movdqa         ($T3,&QWP(0,$const));
 985         &movups         ($Hkey,&QWP(0,$Htbl));
 986         &pshufb         ($Xi,$T3);
 987         &movups         ($T2,&QWP(32,$Htbl));
 988
 989         &clmul64x64_T2  ($Xhi,$Xi,$Hkey,$T2);
 990         &reduction_alg9 ($Xhi,$Xi);
 991
 992         &pshufb         ($Xi,$T3);
 993         &movdqu         (&QWP(0,$Xip),$Xi);
 994
 995         &ret    ();
 996 &function_end_B("gcm_gmult_clmul");
 997
 998 &function_begin("gcm_ghash_clmul");
 999         &mov            ($Xip,&wparam(0));
1000         &mov            ($Htbl,&wparam(1));
1001         &mov            ($inp,&wparam(2));
1002         &mov            ($len,&wparam(3));
1003
1004         &call           (&label("pic"));
1005 &set_label("pic");
1006         &blindpop       ($const);
1007         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1008
1009         &movdqu         ($Xi,&QWP(0,$Xip));
1010         &movdqa         ($T3,&QWP(0,$const));
1011         &movdqu         ($Hkey,&QWP(0,$Htbl));
1012         &pshufb         ($Xi,$T3);
1013
1014         &sub            ($len,0x10);
1015         &jz             (&label("odd_tail"));
1016
1017         #######
1018         # Xi+2 =[H*(Ii+1 + Xi+1)] mod P =
1019         #       [(H*Ii+1) + (H*Xi+1)] mod P =
1020         #       [(H*Ii+1) + H^2*(Ii+Xi)] mod P
1021         #
1022         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1023         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1024         &pshufb         ($T1,$T3);
1025         &pshufb         ($Xn,$T3);
1026         &movdqu         ($T3,&QWP(32,$Htbl));
1027         &pxor           ($Xi,$T1);              # Ii+Xi
1028
1029         &pshufd         ($T1,$Xn,0b01001110);   # H*Ii+1
1030         &movdqa         ($Xhn,$Xn);
1031         &pxor           ($T1,$Xn);              #
1032         &lea            ($inp,&DWP(32,$inp));   # i+=2
1033
1034         &pclmulqdq      ($Xn,$Hkey,0x00);       #######
1035         &pclmulqdq      ($Xhn,$Hkey,0x11);      #######
1036         &pclmulqdq      ($T1,$T3,0x00);         #######
1037         &movups         ($Hkey,&QWP(16,$Htbl)); # load H^2
1038         &nop            ();
1039
1040         &sub            ($len,0x20);
1041         &jbe            (&label("even_tail"));
1042         &jmp            (&label("mod_loop"));
1043
1044 &set_label("mod_loop",32);
1045         &pshufd         ($T2,$Xi,0b01001110);   # H^2*(Ii+Xi)
1046         &movdqa         ($Xhi,$Xi);
1047         &pxor           ($T2,$Xi);              #
1048         &nop            ();
1049
1050         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
1051         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
1052         &pclmulqdq      ($T2,$T3,0x10);         #######
1053         &movups         ($Hkey,&QWP(0,$Htbl));  # load H
1054
1055         &xorps          ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1056         &movdqa         ($T3,&QWP(0,$const));
1057         &xorps          ($Xhi,$Xhn);
1058          &movdqu        ($Xhn,&QWP(0,$inp));    # Ii
1059         &pxor           ($T1,$Xi);              # aggregated Karatsuba post-processing
1060          &movdqu        ($Xn,&QWP(16,$inp));    # Ii+1
1061         &pxor           ($T1,$Xhi);             #
1062
1063          &pshufb        ($Xhn,$T3);
1064         &pxor           ($T2,$T1);              #
1065
1066         &movdqa         ($T1,$T2);              #
1067         &psrldq         ($T2,8);
1068         &pslldq         ($T1,8);                #
1069         &pxor           ($Xhi,$T2);
1070         &pxor           ($Xi,$T1);              #
1071          &pshufb        ($Xn,$T3);
1072          &pxor          ($Xhi,$Xhn);            # "Ii+Xi", consume early
1073
1074         &movdqa         ($Xhn,$Xn);             #&clmul64x64_TX ($Xhn,$Xn,$Hkey); H*Ii+1
1075           &movdqa       ($T2,$Xi);              #&reduction_alg9($Xhi,$Xi); 1st phase
1076           &movdqa       ($T1,$Xi);
1077           &psllq        ($Xi,5);
1078           &pxor         ($T1,$Xi);              #
1079           &psllq        ($Xi,1);
1080           &pxor         ($Xi,$T1);              #
1081         &pclmulqdq      ($Xn,$Hkey,0x00);       #######
1082         &movups         ($T3,&QWP(32,$Htbl));
1083           &psllq        ($Xi,57);               #
1084           &movdqa       ($T1,$Xi);              #
1085           &pslldq       ($Xi,8);
1086           &psrldq       ($T1,8);                #
1087           &pxor         ($Xi,$T2);
1088           &pxor         ($Xhi,$T1);             #
1089         &pshufd         ($T1,$Xhn,0b01001110);
1090           &movdqa       ($T2,$Xi);              # 2nd phase
1091           &psrlq        ($Xi,1);
1092         &pxor           ($T1,$Xhn);
1093           &pxor         ($Xhi,$T2);             #
1094         &pclmulqdq      ($Xhn,$Hkey,0x11);      #######
1095         &movups         ($Hkey,&QWP(16,$Htbl)); # load H^2
1096           &pxor         ($T2,$Xi);
1097           &psrlq        ($Xi,5);
1098           &pxor         ($Xi,$T2);              #
1099           &psrlq        ($Xi,1);                #
1100           &pxor         ($Xi,$Xhi)              #
1101         &pclmulqdq      ($T1,$T3,0x00);         #######
1102
1103         &lea            ($inp,&DWP(32,$inp));
1104         &sub            ($len,0x20);
1105         &ja             (&label("mod_loop"));
1106
1107 &set_label("even_tail");
1108         &pshufd         ($T2,$Xi,0b01001110);   # H^2*(Ii+Xi)
1109         &movdqa         ($Xhi,$Xi);
1110         &pxor           ($T2,$Xi);              #
1111
1112         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
1113         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
1114         &pclmulqdq      ($T2,$T3,0x10);         #######
1115         &movdqa         ($T3,&QWP(0,$const));
1116
1117         &xorps          ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1118         &xorps          ($Xhi,$Xhn);
1119         &pxor           ($T1,$Xi);              # aggregated Karatsuba post-processing
1120         &pxor           ($T1,$Xhi);             #
1121
1122         &pxor           ($T2,$T1);              #
1123
1124         &movdqa         ($T1,$T2);              #
1125         &psrldq         ($T2,8);
1126         &pslldq         ($T1,8);                #
1127         &pxor           ($Xhi,$T2);
1128         &pxor           ($Xi,$T1);              #
1129
1130         &reduction_alg9 ($Xhi,$Xi);
1131
1132         &test           ($len,$len);
1133         &jnz            (&label("done"));
1134
1135         &movups         ($Hkey,&QWP(0,$Htbl));  # load H
1136 &set_label("odd_tail");
1137         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1138         &pshufb         ($T1,$T3);
1139         &pxor           ($Xi,$T1);              # Ii+Xi
1140
1141         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);       # H*(Ii+Xi)
1142         &reduction_alg9 ($Xhi,$Xi);
1143
1144 &set_label("done");
1145         &pshufb         ($Xi,$T3);
1146         &movdqu         (&QWP(0,$Xip),$Xi);
1147 &function_end("gcm_ghash_clmul");
1148 \f
1149 } else {                # Algorithm 5. Kept for reference purposes.
1150
1151 sub reduction_alg5 {    # 19/16 times faster than Intel version
1152 my ($Xhi,$Xi)=@_;
1153
1154         # <<1
1155         &movdqa         ($T1,$Xi);              #
1156         &movdqa         ($T2,$Xhi);
1157         &pslld          ($Xi,1);
1158         &pslld          ($Xhi,1);               #
1159         &psrld          ($T1,31);
1160         &psrld          ($T2,31);               #
1161         &movdqa         ($T3,$T1);
1162         &pslldq         ($T1,4);
1163         &psrldq         ($T3,12);               #
1164         &pslldq         ($T2,4);
1165         &por            ($Xhi,$T3);             #
1166         &por            ($Xi,$T1);
1167         &por            ($Xhi,$T2);             #
1168
1169         # 1st phase
1170         &movdqa         ($T1,$Xi);
1171         &movdqa         ($T2,$Xi);
1172         &movdqa         ($T3,$Xi);              #
1173         &pslld          ($T1,31);
1174         &pslld          ($T2,30);
1175         &pslld          ($Xi,25);               #
1176         &pxor           ($T1,$T2);
1177         &pxor           ($T1,$Xi);              #
1178         &movdqa         ($T2,$T1);              #
1179         &pslldq         ($T1,12);
1180         &psrldq         ($T2,4);                #
1181         &pxor           ($T3,$T1);
1182
1183         # 2nd phase
1184         &pxor           ($Xhi,$T3);             #
1185         &movdqa         ($Xi,$T3);
1186         &movdqa         ($T1,$T3);
1187         &psrld          ($Xi,1);                #
1188         &psrld          ($T1,2);
1189         &psrld          ($T3,7);                #
1190         &pxor           ($Xi,$T1);
1191         &pxor           ($Xhi,$T2);
1192         &pxor           ($Xi,$T3);              #
1193         &pxor           ($Xi,$Xhi);             #
1194 }
1195
1196 &function_begin_B("gcm_init_clmul");
1197         &mov            ($Htbl,&wparam(0));
1198         &mov            ($Xip,&wparam(1));
1199
1200         &call           (&label("pic"));
1201 &set_label("pic");
1202         &blindpop       ($const);
1203         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1204
1205         &movdqu         ($Hkey,&QWP(0,$Xip));
1206         &pshufd         ($Hkey,$Hkey,0b01001110);# dword swap
1207
1208         # calculate H^2
1209         &movdqa         ($Xi,$Hkey);
1210         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);
1211         &reduction_alg5 ($Xhi,$Xi);
1212
1213         &movdqu         (&QWP(0,$Htbl),$Hkey);  # save H
1214         &movdqu         (&QWP(16,$Htbl),$Xi);   # save H^2
1215
1216         &ret            ();
1217 &function_end_B("gcm_init_clmul");
1218
1219 &function_begin_B("gcm_gmult_clmul");
1220         &mov            ($Xip,&wparam(0));
1221         &mov            ($Htbl,&wparam(1));
1222
1223         &call           (&label("pic"));
1224 &set_label("pic");
1225         &blindpop       ($const);
1226         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1227
1228         &movdqu         ($Xi,&QWP(0,$Xip));
1229         &movdqa         ($Xn,&QWP(0,$const));
1230         &movdqu         ($Hkey,&QWP(0,$Htbl));
1231         &pshufb         ($Xi,$Xn);
1232
1233         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);
1234         &reduction_alg5 ($Xhi,$Xi);
1235
1236         &pshufb         ($Xi,$Xn);
1237         &movdqu         (&QWP(0,$Xip),$Xi);
1238
1239         &ret    ();
1240 &function_end_B("gcm_gmult_clmul");
1241
1242 &function_begin("gcm_ghash_clmul");
1243         &mov            ($Xip,&wparam(0));
1244         &mov            ($Htbl,&wparam(1));
1245         &mov            ($inp,&wparam(2));
1246         &mov            ($len,&wparam(3));
1247
1248         &call           (&label("pic"));
1249 &set_label("pic");
1250         &blindpop       ($const);
1251         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1252
1253         &movdqu         ($Xi,&QWP(0,$Xip));
1254         &movdqa         ($T3,&QWP(0,$const));
1255         &movdqu         ($Hkey,&QWP(0,$Htbl));
1256         &pshufb         ($Xi,$T3);
1257
1258         &sub            ($len,0x10);
1259         &jz             (&label("odd_tail"));
1260
1261         #######
1262         # Xi+2 =[H*(Ii+1 + Xi+1)] mod P =
1263         #       [(H*Ii+1) + (H*Xi+1)] mod P =
1264         #       [(H*Ii+1) + H^2*(Ii+Xi)] mod P
1265         #
1266         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1267         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1268         &pshufb         ($T1,$T3);
1269         &pshufb         ($Xn,$T3);
1270         &pxor           ($Xi,$T1);              # Ii+Xi
1271
1272         &clmul64x64_T3  ($Xhn,$Xn,$Hkey);       # H*Ii+1
1273         &movdqu         ($Hkey,&QWP(16,$Htbl)); # load H^2
1274
1275         &sub            ($len,0x20);
1276         &lea            ($inp,&DWP(32,$inp));   # i+=2
1277         &jbe            (&label("even_tail"));
1278
1279 &set_label("mod_loop");
1280         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1281         &movdqu         ($Hkey,&QWP(0,$Htbl));  # load H
1282
1283         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1284         &pxor           ($Xhi,$Xhn);
1285
1286         &reduction_alg5 ($Xhi,$Xi);
1287
1288         #######
1289         &movdqa         ($T3,&QWP(0,$const));
1290         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1291         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1292         &pshufb         ($T1,$T3);
1293         &pshufb         ($Xn,$T3);
1294         &pxor           ($Xi,$T1);              # Ii+Xi
1295
1296         &clmul64x64_T3  ($Xhn,$Xn,$Hkey);       # H*Ii+1
1297         &movdqu         ($Hkey,&QWP(16,$Htbl)); # load H^2
1298
1299         &sub            ($len,0x20);
1300         &lea            ($inp,&DWP(32,$inp));
1301         &ja             (&label("mod_loop"));
1302
1303 &set_label("even_tail");
1304         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1305
1306         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1307         &pxor           ($Xhi,$Xhn);
1308
1309         &reduction_alg5 ($Xhi,$Xi);
1310
1311         &movdqa         ($T3,&QWP(0,$const));
1312         &test           ($len,$len);
1313         &jnz            (&label("done"));
1314
1315         &movdqu         ($Hkey,&QWP(0,$Htbl));  # load H
1316 &set_label("odd_tail");
1317         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1318         &pshufb         ($T1,$T3);
1319         &pxor           ($Xi,$T1);              # Ii+Xi
1320
1321         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H*(Ii+Xi)
1322         &reduction_alg5 ($Xhi,$Xi);
1323
1324         &movdqa         ($T3,&QWP(0,$const));
1325 &set_label("done");
1326         &pshufb         ($Xi,$T3);
1327         &movdqu         (&QWP(0,$Xip),$Xi);
1328 &function_end("gcm_ghash_clmul");
1329
1330 }
1331 \f
1332 &set_label("bswap",64);
1333         &data_byte(15,14,13,12,11,10,9,8,7,6,5,4,3,2,1,0);
1334         &data_byte(1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0xc2); # 0x1c2_polynomial
1335 &set_label("rem_8bit",64);
1336         &data_short(0x0000,0x01C2,0x0384,0x0246,0x0708,0x06CA,0x048C,0x054E);
1337         &data_short(0x0E10,0x0FD2,0x0D94,0x0C56,0x0918,0x08DA,0x0A9C,0x0B5E);
1338         &data_short(0x1C20,0x1DE2,0x1FA4,0x1E66,0x1B28,0x1AEA,0x18AC,0x196E);
1339         &data_short(0x1230,0x13F2,0x11B4,0x1076,0x1538,0x14FA,0x16BC,0x177E);
1340         &data_short(0x3840,0x3982,0x3BC4,0x3A06,0x3F48,0x3E8A,0x3CCC,0x3D0E);
1341         &data_short(0x3650,0x3792,0x35D4,0x3416,0x3158,0x309A,0x32DC,0x331E);
1342         &data_short(0x2460,0x25A2,0x27E4,0x2626,0x2368,0x22AA,0x20EC,0x212E);
1343         &data_short(0x2A70,0x2BB2,0x29F4,0x2836,0x2D78,0x2CBA,0x2EFC,0x2F3E);
1344         &data_short(0x7080,0x7142,0x7304,0x72C6,0x7788,0x764A,0x740C,0x75CE);
1345         &data_short(0x7E90,0x7F52,0x7D14,0x7CD6,0x7998,0x785A,0x7A1C,0x7BDE);
1346         &data_short(0x6CA0,0x6D62,0x6F24,0x6EE6,0x6BA8,0x6A6A,0x682C,0x69EE);
1347         &data_short(0x62B0,0x6372,0x6134,0x60F6,0x65B8,0x647A,0x663C,0x67FE);
1348         &data_short(0x48C0,0x4902,0x4B44,0x4A86,0x4FC8,0x4E0A,0x4C4C,0x4D8E);
1349         &data_short(0x46D0,0x4712,0x4554,0x4496,0x41D8,0x401A,0x425C,0x439E);
1350         &data_short(0x54E0,0x5522,0x5764,0x56A6,0x53E8,0x522A,0x506C,0x51AE);
1351         &data_short(0x5AF0,0x5B32,0x5974,0x58B6,0x5DF8,0x5C3A,0x5E7C,0x5FBE);
1352         &data_short(0xE100,0xE0C2,0xE284,0xE346,0xE608,0xE7CA,0xE58C,0xE44E);
1353         &data_short(0xEF10,0xEED2,0xEC94,0xED56,0xE818,0xE9DA,0xEB9C,0xEA5E);
1354         &data_short(0xFD20,0xFCE2,0xFEA4,0xFF66,0xFA28,0xFBEA,0xF9AC,0xF86E);
1355         &data_short(0xF330,0xF2F2,0xF0B4,0xF176,0xF438,0xF5FA,0xF7BC,0xF67E);
1356         &data_short(0xD940,0xD882,0xDAC4,0xDB06,0xDE48,0xDF8A,0xDDCC,0xDC0E);
1357         &data_short(0xD750,0xD692,0xD4D4,0xD516,0xD058,0xD19A,0xD3DC,0xD21E);
1358         &data_short(0xC560,0xC4A2,0xC6E4,0xC726,0xC268,0xC3AA,0xC1EC,0xC02E);
1359         &data_short(0xCB70,0xCAB2,0xC8F4,0xC936,0xCC78,0xCDBA,0xCFFC,0xCE3E);
1360         &data_short(0x9180,0x9042,0x9204,0x93C6,0x9688,0x974A,0x950C,0x94CE);
1361         &data_short(0x9F90,0x9E52,0x9C14,0x9DD6,0x9898,0x995A,0x9B1C,0x9ADE);
1362         &data_short(0x8DA0,0x8C62,0x8E24,0x8FE6,0x8AA8,0x8B6A,0x892C,0x88EE);
1363         &data_short(0x83B0,0x8272,0x8034,0x81F6,0x84B8,0x857A,0x873C,0x86FE);
1364         &data_short(0xA9C0,0xA802,0xAA44,0xAB86,0xAEC8,0xAF0A,0xAD4C,0xAC8E);
1365         &data_short(0xA7D0,0xA612,0xA454,0xA596,0xA0D8,0xA11A,0xA35C,0xA29E);
1366         &data_short(0xB5E0,0xB422,0xB664,0xB7A6,0xB2E8,0xB32A,0xB16C,0xB0AE);
1367         &data_short(0xBBF0,0xBA32,0xB874,0xB9B6,0xBCF8,0xBD3A,0xBF7C,0xBEBE);
1368 }}      # $sse2
1369
1370 &set_label("rem_4bit",64);
1371         &data_word(0,0x0000<<$S,0,0x1C20<<$S,0,0x3840<<$S,0,0x2460<<$S);
1372         &data_word(0,0x7080<<$S,0,0x6CA0<<$S,0,0x48C0<<$S,0,0x54E0<<$S);
1373         &data_word(0,0xE100<<$S,0,0xFD20<<$S,0,0xD940<<$S,0,0xC560<<$S);
1374         &data_word(0,0x9180<<$S,0,0x8DA0<<$S,0,0xA9C0<<$S,0,0xB5E0<<$S);
1375 }}}     # !$x86only
1376
1377 &asciz("GHASH for x86, CRYPTOGAMS by <appro\@openssl.org>");
1378 &asm_finish();
1379
1380 close STDOUT or die "error closing STDOUT: $!";
1381
1382 # A question was risen about choice of vanilla MMX. Or rather why wasn't
1383 # SSE2 chosen instead? In addition to the fact that MMX runs on legacy
1384 # CPUs such as PIII, "4-bit" MMX version was observed to provide better
1385 # performance than *corresponding* SSE2 one even on contemporary CPUs.
1386 # SSE2 results were provided by Peter-Michael Hager. He maintains SSE2
1387 # implementation featuring full range of lookup-table sizes, but with
1388 # per-invocation lookup table setup. Latter means that table size is
1389 # chosen depending on how much data is to be hashed in every given call,
1390 # more data - larger table. Best reported result for Core2 is ~4 cycles
1391 # per processed byte out of 64KB block. This number accounts even for
1392 # 64KB table setup overhead. As discussed in gcm128.c we choose to be
1393 # more conservative in respect to lookup table sizes, but how do the
1394 # results compare? Minimalistic "256B" MMX version delivers ~11 cycles
1395 # on same platform. As also discussed in gcm128.c, next in line "8-bit
1396 # Shoup's" or "4KB" method should deliver twice the performance of
1397 # "256B" one, in other words not worse than ~6 cycles per byte. It
1398 # should be also be noted that in SSE2 case improvement can be "super-
1399 # linear," i.e. more than twice, mostly because >>8 maps to single
1400 # instruction on SSE2 register. This is unlike "4-bit" case when >>4
1401 # maps to same amount of instructions in both MMX and SSE2 cases.
1402 # Bottom line is that switch to SSE2 is considered to be justifiable
1403 # only in case we choose to implement "8-bit" method...