crypto/modes/asm/ghash-x86.pl

   1 #! /usr/bin/env perl
   2 # Copyright 2010-2016 The OpenSSL Project Authors. All Rights Reserved.
   3 #
   4 # Licensed under the OpenSSL license (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 agiainst 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 <dwmw2@infradead.org> for
 112 # providing access to a Westmere-based system on behalf of Intel
 113 # Open Source Technology Centre.
 114
 115 # January 2010
 116 #
 117 # Tweaked to optimize transitions between integer and FP operations
 118 # on same XMM register, PCLMULQDQ subroutine was measured to process
 119 # one byte in 2.07 cycles on Sandy Bridge, and in 2.12 - on Westmere.
 120 # The minor regression on Westmere is outweighed by ~15% improvement
 121 # on Sandy Bridge. Strangely enough attempt to modify 64-bit code in
 122 # similar manner resulted in almost 20% degradation on Sandy Bridge,
 123 # where original 64-bit code processes one byte in 1.95 cycles.
 124
 125 #####################################################################
 126 # For reference, AMD Bulldozer processes one byte in 1.98 cycles in
 127 # 32-bit mode and 1.89 in 64-bit.
 128
 129 # February 2013
 130 #
 131 # Overhaul: aggregate Karatsuba post-processing, improve ILP in
 132 # reduction_alg9. Resulting performance is 1.96 cycles per byte on
 133 # Westmere, 1.95 - on Sandy/Ivy Bridge, 1.76 - on Bulldozer.
 134
 135 $0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
 136 push(@INC,"${dir}","${dir}../../perlasm");
 137 require "x86asm.pl";
 138
 139 $output=pop;
 140 open STDOUT,">$output";
 141
 142 &asm_init($ARGV[0],"ghash-x86.pl",$x86only = $ARGV[$#ARGV] eq "386");
 143
 144 $sse2=0;
 145 for (@ARGV) { $sse2=1 if (/-DOPENSSL_IA32_SSE2/); }
 146
 147 ($Zhh,$Zhl,$Zlh,$Zll) = ("ebp","edx","ecx","ebx");
 148 $inp  = "edi";
 149 $Htbl = "esi";
 150 \f
 151 $unroll = 0;    # Affects x86 loop. Folded loop performs ~7% worse
 152                 # than unrolled, which has to be weighted against
 153                 # 2.5x x86-specific code size reduction.
 154
 155 sub x86_loop {
 156     my $off = shift;
 157     my $rem = "eax";
 158
 159         &mov    ($Zhh,&DWP(4,$Htbl,$Zll));
 160         &mov    ($Zhl,&DWP(0,$Htbl,$Zll));
 161         &mov    ($Zlh,&DWP(12,$Htbl,$Zll));
 162         &mov    ($Zll,&DWP(8,$Htbl,$Zll));
 163         &xor    ($rem,$rem);    # avoid partial register stalls on PIII
 164
 165         # shrd practically kills P4, 2.5x deterioration, but P4 has
 166         # MMX code-path to execute. shrd runs tad faster [than twice
 167         # the shifts, move's and or's] on pre-MMX Pentium (as well as
 168         # PIII and Core2), *but* minimizes code size, spares register
 169         # and thus allows to fold the loop...
 170         if (!$unroll) {
 171         my $cnt = $inp;
 172         &mov    ($cnt,15);
 173         &jmp    (&label("x86_loop"));
 174         &set_label("x86_loop",16);
 175             for($i=1;$i<=2;$i++) {
 176                 &mov    (&LB($rem),&LB($Zll));
 177                 &shrd   ($Zll,$Zlh,4);
 178                 &and    (&LB($rem),0xf);
 179                 &shrd   ($Zlh,$Zhl,4);
 180                 &shrd   ($Zhl,$Zhh,4);
 181                 &shr    ($Zhh,4);
 182                 &xor    ($Zhh,&DWP($off+16,"esp",$rem,4));
 183
 184                 &mov    (&LB($rem),&BP($off,"esp",$cnt));
 185                 if ($i&1) {
 186                         &and    (&LB($rem),0xf0);
 187                 } else {
 188                         &shl    (&LB($rem),4);
 189                 }
 190
 191                 &xor    ($Zll,&DWP(8,$Htbl,$rem));
 192                 &xor    ($Zlh,&DWP(12,$Htbl,$rem));
 193                 &xor    ($Zhl,&DWP(0,$Htbl,$rem));
 194                 &xor    ($Zhh,&DWP(4,$Htbl,$rem));
 195
 196                 if ($i&1) {
 197                         &dec    ($cnt);
 198                         &js     (&label("x86_break"));
 199                 } else {
 200                         &jmp    (&label("x86_loop"));
 201                 }
 202             }
 203         &set_label("x86_break",16);
 204         } else {
 205             for($i=1;$i<32;$i++) {
 206                 &comment($i);
 207                 &mov    (&LB($rem),&LB($Zll));
 208                 &shrd   ($Zll,$Zlh,4);
 209                 &and    (&LB($rem),0xf);
 210                 &shrd   ($Zlh,$Zhl,4);
 211                 &shrd   ($Zhl,$Zhh,4);
 212                 &shr    ($Zhh,4);
 213                 &xor    ($Zhh,&DWP($off+16,"esp",$rem,4));
 214
 215                 if ($i&1) {
 216                         &mov    (&LB($rem),&BP($off+15-($i>>1),"esp"));
 217                         &and    (&LB($rem),0xf0);
 218                 } else {
 219                         &mov    (&LB($rem),&BP($off+15-($i>>1),"esp"));
 220                         &shl    (&LB($rem),4);
 221                 }
 222
 223                 &xor    ($Zll,&DWP(8,$Htbl,$rem));
 224                 &xor    ($Zlh,&DWP(12,$Htbl,$rem));
 225                 &xor    ($Zhl,&DWP(0,$Htbl,$rem));
 226                 &xor    ($Zhh,&DWP(4,$Htbl,$rem));
 227             }
 228         }
 229         &bswap  ($Zll);
 230         &bswap  ($Zlh);
 231         &bswap  ($Zhl);
 232         if (!$x86only) {
 233                 &bswap  ($Zhh);
 234         } else {
 235                 &mov    ("eax",$Zhh);
 236                 &bswap  ("eax");
 237                 &mov    ($Zhh,"eax");
 238         }
 239 }
 240
 241 if ($unroll) {
 242     &function_begin_B("_x86_gmult_4bit_inner");
 243         &x86_loop(4);
 244         &ret    ();
 245     &function_end_B("_x86_gmult_4bit_inner");
 246 }
 247
 248 sub deposit_rem_4bit {
 249     my $bias = shift;
 250
 251         &mov    (&DWP($bias+0, "esp"),0x0000<<16);
 252         &mov    (&DWP($bias+4, "esp"),0x1C20<<16);
 253         &mov    (&DWP($bias+8, "esp"),0x3840<<16);
 254         &mov    (&DWP($bias+12,"esp"),0x2460<<16);
 255         &mov    (&DWP($bias+16,"esp"),0x7080<<16);
 256         &mov    (&DWP($bias+20,"esp"),0x6CA0<<16);
 257         &mov    (&DWP($bias+24,"esp"),0x48C0<<16);
 258         &mov    (&DWP($bias+28,"esp"),0x54E0<<16);
 259         &mov    (&DWP($bias+32,"esp"),0xE100<<16);
 260         &mov    (&DWP($bias+36,"esp"),0xFD20<<16);
 261         &mov    (&DWP($bias+40,"esp"),0xD940<<16);
 262         &mov    (&DWP($bias+44,"esp"),0xC560<<16);
 263         &mov    (&DWP($bias+48,"esp"),0x9180<<16);
 264         &mov    (&DWP($bias+52,"esp"),0x8DA0<<16);
 265         &mov    (&DWP($bias+56,"esp"),0xA9C0<<16);
 266         &mov    (&DWP($bias+60,"esp"),0xB5E0<<16);
 267 }
 268 \f
 269 $suffix = $x86only ? "" : "_x86";
 270
 271 &function_begin("gcm_gmult_4bit".$suffix);
 272         &stack_push(16+4+1);                    # +1 for stack alignment
 273         &mov    ($inp,&wparam(0));              # load Xi
 274         &mov    ($Htbl,&wparam(1));             # load Htable
 275
 276         &mov    ($Zhh,&DWP(0,$inp));            # load Xi[16]
 277         &mov    ($Zhl,&DWP(4,$inp));
 278         &mov    ($Zlh,&DWP(8,$inp));
 279         &mov    ($Zll,&DWP(12,$inp));
 280
 281         &deposit_rem_4bit(16);
 282
 283         &mov    (&DWP(0,"esp"),$Zhh);           # copy Xi[16] on stack
 284         &mov    (&DWP(4,"esp"),$Zhl);
 285         &mov    (&DWP(8,"esp"),$Zlh);
 286         &mov    (&DWP(12,"esp"),$Zll);
 287         &shr    ($Zll,20);
 288         &and    ($Zll,0xf0);
 289
 290         if ($unroll) {
 291                 &call   ("_x86_gmult_4bit_inner");
 292         } else {
 293                 &x86_loop(0);
 294                 &mov    ($inp,&wparam(0));
 295         }
 296
 297         &mov    (&DWP(12,$inp),$Zll);
 298         &mov    (&DWP(8,$inp),$Zlh);
 299         &mov    (&DWP(4,$inp),$Zhl);
 300         &mov    (&DWP(0,$inp),$Zhh);
 301         &stack_pop(16+4+1);
 302 &function_end("gcm_gmult_4bit".$suffix);
 303
 304 &function_begin("gcm_ghash_4bit".$suffix);
 305         &stack_push(16+4+1);                    # +1 for 64-bit alignment
 306         &mov    ($Zll,&wparam(0));              # load Xi
 307         &mov    ($Htbl,&wparam(1));             # load Htable
 308         &mov    ($inp,&wparam(2));              # load in
 309         &mov    ("ecx",&wparam(3));             # load len
 310         &add    ("ecx",$inp);
 311         &mov    (&wparam(3),"ecx");
 312
 313         &mov    ($Zhh,&DWP(0,$Zll));            # load Xi[16]
 314         &mov    ($Zhl,&DWP(4,$Zll));
 315         &mov    ($Zlh,&DWP(8,$Zll));
 316         &mov    ($Zll,&DWP(12,$Zll));
 317
 318         &deposit_rem_4bit(16);
 319
 320     &set_label("x86_outer_loop",16);
 321         &xor    ($Zll,&DWP(12,$inp));           # xor with input
 322         &xor    ($Zlh,&DWP(8,$inp));
 323         &xor    ($Zhl,&DWP(4,$inp));
 324         &xor    ($Zhh,&DWP(0,$inp));
 325         &mov    (&DWP(12,"esp"),$Zll);          # dump it on stack
 326         &mov    (&DWP(8,"esp"),$Zlh);
 327         &mov    (&DWP(4,"esp"),$Zhl);
 328         &mov    (&DWP(0,"esp"),$Zhh);
 329
 330         &shr    ($Zll,20);
 331         &and    ($Zll,0xf0);
 332
 333         if ($unroll) {
 334                 &call   ("_x86_gmult_4bit_inner");
 335         } else {
 336                 &x86_loop(0);
 337                 &mov    ($inp,&wparam(2));
 338         }
 339         &lea    ($inp,&DWP(16,$inp));
 340         &cmp    ($inp,&wparam(3));
 341         &mov    (&wparam(2),$inp)       if (!$unroll);
 342         &jb     (&label("x86_outer_loop"));
 343
 344         &mov    ($inp,&wparam(0));      # load Xi
 345         &mov    (&DWP(12,$inp),$Zll);
 346         &mov    (&DWP(8,$inp),$Zlh);
 347         &mov    (&DWP(4,$inp),$Zhl);
 348         &mov    (&DWP(0,$inp),$Zhh);
 349         &stack_pop(16+4+1);
 350 &function_end("gcm_ghash_4bit".$suffix);
 351 \f
 352 if (!$x86only) {{{
 353
 354 &static_label("rem_4bit");
 355
 356 if (!$sse2) {{  # pure-MMX "May" version...
 357
 358 $S=12;          # shift factor for rem_4bit
 359
 360 &function_begin_B("_mmx_gmult_4bit_inner");
 361 # MMX version performs 3.5 times better on P4 (see comment in non-MMX
 362 # routine for further details), 100% better on Opteron, ~70% better
 363 # on Core2 and PIII... In other words effort is considered to be well
 364 # spent... Since initial release the loop was unrolled in order to
 365 # "liberate" register previously used as loop counter. Instead it's
 366 # used to optimize critical path in 'Z.hi ^= rem_4bit[Z.lo&0xf]'.
 367 # The path involves move of Z.lo from MMX to integer register,
 368 # effective address calculation and finally merge of value to Z.hi.
 369 # Reference to rem_4bit is scheduled so late that I had to >>4
 370 # rem_4bit elements. This resulted in 20-45% procent improvement
 371 # on contemporary µ-archs.
 372 {
 373     my $cnt;
 374     my $rem_4bit = "eax";
 375     my @rem = ($Zhh,$Zll);
 376     my $nhi = $Zhl;
 377     my $nlo = $Zlh;
 378
 379     my ($Zlo,$Zhi) = ("mm0","mm1");
 380     my $tmp = "mm2";
 381
 382         &xor    ($nlo,$nlo);    # avoid partial register stalls on PIII
 383         &mov    ($nhi,$Zll);
 384         &mov    (&LB($nlo),&LB($nhi));
 385         &shl    (&LB($nlo),4);
 386         &and    ($nhi,0xf0);
 387         &movq   ($Zlo,&QWP(8,$Htbl,$nlo));
 388         &movq   ($Zhi,&QWP(0,$Htbl,$nlo));
 389         &movd   ($rem[0],$Zlo);
 390
 391         for ($cnt=28;$cnt>=-2;$cnt--) {
 392             my $odd = $cnt&1;
 393             my $nix = $odd ? $nlo : $nhi;
 394
 395                 &shl    (&LB($nlo),4)                   if ($odd);
 396                 &psrlq  ($Zlo,4);
 397                 &movq   ($tmp,$Zhi);
 398                 &psrlq  ($Zhi,4);
 399                 &pxor   ($Zlo,&QWP(8,$Htbl,$nix));
 400                 &mov    (&LB($nlo),&BP($cnt/2,$inp))    if (!$odd && $cnt>=0);
 401                 &psllq  ($tmp,60);
 402                 &and    ($nhi,0xf0)                     if ($odd);
 403                 &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem[1],8)) if ($cnt<28);
 404                 &and    ($rem[0],0xf);
 405                 &pxor   ($Zhi,&QWP(0,$Htbl,$nix));
 406                 &mov    ($nhi,$nlo)                     if (!$odd && $cnt>=0);
 407                 &movd   ($rem[1],$Zlo);
 408                 &pxor   ($Zlo,$tmp);
 409
 410                 push    (@rem,shift(@rem));             # "rotate" registers
 411         }
 412
 413         &mov    ($inp,&DWP(4,$rem_4bit,$rem[1],8));     # last rem_4bit[rem]
 414
 415         &psrlq  ($Zlo,32);      # lower part of Zlo is already there
 416         &movd   ($Zhl,$Zhi);
 417         &psrlq  ($Zhi,32);
 418         &movd   ($Zlh,$Zlo);
 419         &movd   ($Zhh,$Zhi);
 420         &shl    ($inp,4);       # compensate for rem_4bit[i] being >>4
 421
 422         &bswap  ($Zll);
 423         &bswap  ($Zhl);
 424         &bswap  ($Zlh);
 425         &xor    ($Zhh,$inp);
 426         &bswap  ($Zhh);
 427
 428         &ret    ();
 429 }
 430 &function_end_B("_mmx_gmult_4bit_inner");
 431
 432 &function_begin("gcm_gmult_4bit_mmx");
 433         &mov    ($inp,&wparam(0));      # load Xi
 434         &mov    ($Htbl,&wparam(1));     # load Htable
 435
 436         &call   (&label("pic_point"));
 437         &set_label("pic_point");
 438         &blindpop("eax");
 439         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
 440
 441         &movz   ($Zll,&BP(15,$inp));
 442
 443         &call   ("_mmx_gmult_4bit_inner");
 444
 445         &mov    ($inp,&wparam(0));      # load Xi
 446         &emms   ();
 447         &mov    (&DWP(12,$inp),$Zll);
 448         &mov    (&DWP(4,$inp),$Zhl);
 449         &mov    (&DWP(8,$inp),$Zlh);
 450         &mov    (&DWP(0,$inp),$Zhh);
 451 &function_end("gcm_gmult_4bit_mmx");
 452 \f
 453 # Streamed version performs 20% better on P4, 7% on Opteron,
 454 # 10% on Core2 and PIII...
 455 &function_begin("gcm_ghash_4bit_mmx");
 456         &mov    ($Zhh,&wparam(0));      # load Xi
 457         &mov    ($Htbl,&wparam(1));     # load Htable
 458         &mov    ($inp,&wparam(2));      # load in
 459         &mov    ($Zlh,&wparam(3));      # load len
 460
 461         &call   (&label("pic_point"));
 462         &set_label("pic_point");
 463         &blindpop("eax");
 464         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
 465
 466         &add    ($Zlh,$inp);
 467         &mov    (&wparam(3),$Zlh);      # len to point at the end of input
 468         &stack_push(4+1);               # +1 for stack alignment
 469
 470         &mov    ($Zll,&DWP(12,$Zhh));   # load Xi[16]
 471         &mov    ($Zhl,&DWP(4,$Zhh));
 472         &mov    ($Zlh,&DWP(8,$Zhh));
 473         &mov    ($Zhh,&DWP(0,$Zhh));
 474         &jmp    (&label("mmx_outer_loop"));
 475
 476     &set_label("mmx_outer_loop",16);
 477         &xor    ($Zll,&DWP(12,$inp));
 478         &xor    ($Zhl,&DWP(4,$inp));
 479         &xor    ($Zlh,&DWP(8,$inp));
 480         &xor    ($Zhh,&DWP(0,$inp));
 481         &mov    (&wparam(2),$inp);
 482         &mov    (&DWP(12,"esp"),$Zll);
 483         &mov    (&DWP(4,"esp"),$Zhl);
 484         &mov    (&DWP(8,"esp"),$Zlh);
 485         &mov    (&DWP(0,"esp"),$Zhh);
 486
 487         &mov    ($inp,"esp");
 488         &shr    ($Zll,24);
 489
 490         &call   ("_mmx_gmult_4bit_inner");
 491
 492         &mov    ($inp,&wparam(2));
 493         &lea    ($inp,&DWP(16,$inp));
 494         &cmp    ($inp,&wparam(3));
 495         &jb     (&label("mmx_outer_loop"));
 496
 497         &mov    ($inp,&wparam(0));      # load Xi
 498         &emms   ();
 499         &mov    (&DWP(12,$inp),$Zll);
 500         &mov    (&DWP(4,$inp),$Zhl);
 501         &mov    (&DWP(8,$inp),$Zlh);
 502         &mov    (&DWP(0,$inp),$Zhh);
 503
 504         &stack_pop(4+1);
 505 &function_end("gcm_ghash_4bit_mmx");
 506 \f
 507 }} else {{      # "June" MMX version...
 508                 # ... has slower "April" gcm_gmult_4bit_mmx with folded
 509                 # loop. This is done to conserve code size...
 510 $S=16;          # shift factor for rem_4bit
 511
 512 sub mmx_loop() {
 513 # MMX version performs 2.8 times better on P4 (see comment in non-MMX
 514 # routine for further details), 40% better on Opteron and Core2, 50%
 515 # better on PIII... In other words effort is considered to be well
 516 # spent...
 517     my $inp = shift;
 518     my $rem_4bit = shift;
 519     my $cnt = $Zhh;
 520     my $nhi = $Zhl;
 521     my $nlo = $Zlh;
 522     my $rem = $Zll;
 523
 524     my ($Zlo,$Zhi) = ("mm0","mm1");
 525     my $tmp = "mm2";
 526
 527         &xor    ($nlo,$nlo);    # avoid partial register stalls on PIII
 528         &mov    ($nhi,$Zll);
 529         &mov    (&LB($nlo),&LB($nhi));
 530         &mov    ($cnt,14);
 531         &shl    (&LB($nlo),4);
 532         &and    ($nhi,0xf0);
 533         &movq   ($Zlo,&QWP(8,$Htbl,$nlo));
 534         &movq   ($Zhi,&QWP(0,$Htbl,$nlo));
 535         &movd   ($rem,$Zlo);
 536         &jmp    (&label("mmx_loop"));
 537
 538     &set_label("mmx_loop",16);
 539         &psrlq  ($Zlo,4);
 540         &and    ($rem,0xf);
 541         &movq   ($tmp,$Zhi);
 542         &psrlq  ($Zhi,4);
 543         &pxor   ($Zlo,&QWP(8,$Htbl,$nhi));
 544         &mov    (&LB($nlo),&BP(0,$inp,$cnt));
 545         &psllq  ($tmp,60);
 546         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 547         &dec    ($cnt);
 548         &movd   ($rem,$Zlo);
 549         &pxor   ($Zhi,&QWP(0,$Htbl,$nhi));
 550         &mov    ($nhi,$nlo);
 551         &pxor   ($Zlo,$tmp);
 552         &js     (&label("mmx_break"));
 553
 554         &shl    (&LB($nlo),4);
 555         &and    ($rem,0xf);
 556         &psrlq  ($Zlo,4);
 557         &and    ($nhi,0xf0);
 558         &movq   ($tmp,$Zhi);
 559         &psrlq  ($Zhi,4);
 560         &pxor   ($Zlo,&QWP(8,$Htbl,$nlo));
 561         &psllq  ($tmp,60);
 562         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 563         &movd   ($rem,$Zlo);
 564         &pxor   ($Zhi,&QWP(0,$Htbl,$nlo));
 565         &pxor   ($Zlo,$tmp);
 566         &jmp    (&label("mmx_loop"));
 567
 568     &set_label("mmx_break",16);
 569         &shl    (&LB($nlo),4);
 570         &and    ($rem,0xf);
 571         &psrlq  ($Zlo,4);
 572         &and    ($nhi,0xf0);
 573         &movq   ($tmp,$Zhi);
 574         &psrlq  ($Zhi,4);
 575         &pxor   ($Zlo,&QWP(8,$Htbl,$nlo));
 576         &psllq  ($tmp,60);
 577         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 578         &movd   ($rem,$Zlo);
 579         &pxor   ($Zhi,&QWP(0,$Htbl,$nlo));
 580         &pxor   ($Zlo,$tmp);
 581
 582         &psrlq  ($Zlo,4);
 583         &and    ($rem,0xf);
 584         &movq   ($tmp,$Zhi);
 585         &psrlq  ($Zhi,4);
 586         &pxor   ($Zlo,&QWP(8,$Htbl,$nhi));
 587         &psllq  ($tmp,60);
 588         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
 589         &movd   ($rem,$Zlo);
 590         &pxor   ($Zhi,&QWP(0,$Htbl,$nhi));
 591         &pxor   ($Zlo,$tmp);
 592
 593         &psrlq  ($Zlo,32);      # lower part of Zlo is already there
 594         &movd   ($Zhl,$Zhi);
 595         &psrlq  ($Zhi,32);
 596         &movd   ($Zlh,$Zlo);
 597         &movd   ($Zhh,$Zhi);
 598
 599         &bswap  ($Zll);
 600         &bswap  ($Zhl);
 601         &bswap  ($Zlh);
 602         &bswap  ($Zhh);
 603 }
 604
 605 &function_begin("gcm_gmult_4bit_mmx");
 606         &mov    ($inp,&wparam(0));      # load Xi
 607         &mov    ($Htbl,&wparam(1));     # load Htable
 608
 609         &call   (&label("pic_point"));
 610         &set_label("pic_point");
 611         &blindpop("eax");
 612         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
 613
 614         &movz   ($Zll,&BP(15,$inp));
 615
 616         &mmx_loop($inp,"eax");
 617
 618         &emms   ();
 619         &mov    (&DWP(12,$inp),$Zll);
 620         &mov    (&DWP(4,$inp),$Zhl);
 621         &mov    (&DWP(8,$inp),$Zlh);
 622         &mov    (&DWP(0,$inp),$Zhh);
 623 &function_end("gcm_gmult_4bit_mmx");
 624 \f
 625 ######################################################################
 626 # Below subroutine is "528B" variant of "4-bit" GCM GHASH function
 627 # (see gcm128.c for details). It provides further 20-40% performance
 628 # improvement over above mentioned "May" version.
 629
 630 &static_label("rem_8bit");
 631
 632 &function_begin("gcm_ghash_4bit_mmx");
 633 { my ($Zlo,$Zhi) = ("mm7","mm6");
 634   my $rem_8bit = "esi";
 635   my $Htbl = "ebx";
 636
 637     # parameter block
 638     &mov        ("eax",&wparam(0));             # Xi
 639     &mov        ("ebx",&wparam(1));             # Htable
 640     &mov        ("ecx",&wparam(2));             # inp
 641     &mov        ("edx",&wparam(3));             # len
 642     &mov        ("ebp","esp");                  # original %esp
 643     &call       (&label("pic_point"));
 644     &set_label  ("pic_point");
 645     &blindpop   ($rem_8bit);
 646     &lea        ($rem_8bit,&DWP(&label("rem_8bit")."-".&label("pic_point"),$rem_8bit));
 647
 648     &sub        ("esp",512+16+16);              # allocate stack frame...
 649     &and        ("esp",-64);                    # ...and align it
 650     &sub        ("esp",16);                     # place for (u8)(H[]<<4)
 651
 652     &add        ("edx","ecx");                  # pointer to the end of input
 653     &mov        (&DWP(528+16+0,"esp"),"eax");   # save Xi
 654     &mov        (&DWP(528+16+8,"esp"),"edx");   # save inp+len
 655     &mov        (&DWP(528+16+12,"esp"),"ebp");  # save original %esp
 656
 657     { my @lo  = ("mm0","mm1","mm2");
 658       my @hi  = ("mm3","mm4","mm5");
 659       my @tmp = ("mm6","mm7");
 660       my ($off1,$off2,$i) = (0,0,);
 661
 662       &add      ($Htbl,128);                    # optimize for size
 663       &lea      ("edi",&DWP(16+128,"esp"));
 664       &lea      ("ebp",&DWP(16+256+128,"esp"));
 665
 666       # decompose Htable (low and high parts are kept separately),
 667       # generate Htable[]>>4, (u8)(Htable[]<<4), save to stack...
 668       for ($i=0;$i<18;$i++) {
 669
 670         &mov    ("edx",&DWP(16*$i+8-128,$Htbl))         if ($i<16);
 671         &movq   ($lo[0],&QWP(16*$i+8-128,$Htbl))        if ($i<16);
 672         &psllq  ($tmp[1],60)                            if ($i>1);
 673         &movq   ($hi[0],&QWP(16*$i+0-128,$Htbl))        if ($i<16);
 674         &por    ($lo[2],$tmp[1])                        if ($i>1);
 675         &movq   (&QWP($off1-128,"edi"),$lo[1])          if ($i>0 && $i<17);
 676         &psrlq  ($lo[1],4)                              if ($i>0 && $i<17);
 677         &movq   (&QWP($off1,"edi"),$hi[1])              if ($i>0 && $i<17);
 678         &movq   ($tmp[0],$hi[1])                        if ($i>0 && $i<17);
 679         &movq   (&QWP($off2-128,"ebp"),$lo[2])          if ($i>1);
 680         &psrlq  ($hi[1],4)                              if ($i>0 && $i<17);
 681         &movq   (&QWP($off2,"ebp"),$hi[2])              if ($i>1);
 682         &shl    ("edx",4)                               if ($i<16);
 683         &mov    (&BP($i,"esp"),&LB("edx"))              if ($i<16);
 684
 685         unshift (@lo,pop(@lo));                 # "rotate" registers
 686         unshift (@hi,pop(@hi));
 687         unshift (@tmp,pop(@tmp));
 688         $off1 += 8      if ($i>0);
 689         $off2 += 8      if ($i>1);
 690       }
 691     }
 692
 693     &movq       ($Zhi,&QWP(0,"eax"));
 694     &mov        ("ebx",&DWP(8,"eax"));
 695     &mov        ("edx",&DWP(12,"eax"));         # load Xi
 696
 697 &set_label("outer",16);
 698   { my $nlo = "eax";
 699     my $dat = "edx";
 700     my @nhi = ("edi","ebp");
 701     my @rem = ("ebx","ecx");
 702     my @red = ("mm0","mm1","mm2");
 703     my $tmp = "mm3";
 704
 705     &xor        ($dat,&DWP(12,"ecx"));          # merge input data
 706     &xor        ("ebx",&DWP(8,"ecx"));
 707     &pxor       ($Zhi,&QWP(0,"ecx"));
 708     &lea        ("ecx",&DWP(16,"ecx"));         # inp+=16
 709     #&mov       (&DWP(528+12,"esp"),$dat);      # save inp^Xi
 710     &mov        (&DWP(528+8,"esp"),"ebx");
 711     &movq       (&QWP(528+0,"esp"),$Zhi);
 712     &mov        (&DWP(528+16+4,"esp"),"ecx");   # save inp
 713
 714     &xor        ($nlo,$nlo);
 715     &rol        ($dat,8);
 716     &mov        (&LB($nlo),&LB($dat));
 717     &mov        ($nhi[1],$nlo);
 718     &and        (&LB($nlo),0x0f);
 719     &shr        ($nhi[1],4);
 720     &pxor       ($red[0],$red[0]);
 721     &rol        ($dat,8);                       # next byte
 722     &pxor       ($red[1],$red[1]);
 723     &pxor       ($red[2],$red[2]);
 724
 725     # Just like in "May" version modulo-schedule for critical path in
 726     # 'Z.hi ^= rem_8bit[Z.lo&0xff^((u8)H[nhi]<<4)]<<48'. Final 'pxor'
 727     # is scheduled so late that rem_8bit[] has to be shifted *right*
 728     # by 16, which is why last argument to pinsrw is 2, which
 729     # corresponds to <<32=<<48>>16...
 730     for ($j=11,$i=0;$i<15;$i++) {
 731
 732       if ($i>0) {
 733         &pxor   ($Zlo,&QWP(16,"esp",$nlo,8));           # Z^=H[nlo]
 734         &rol    ($dat,8);                               # next byte
 735         &pxor   ($Zhi,&QWP(16+128,"esp",$nlo,8));
 736
 737         &pxor   ($Zlo,$tmp);
 738         &pxor   ($Zhi,&QWP(16+256+128,"esp",$nhi[0],8));
 739         &xor    (&LB($rem[1]),&BP(0,"esp",$nhi[0]));    # rem^(H[nhi]<<4)
 740       } else {
 741         &movq   ($Zlo,&QWP(16,"esp",$nlo,8));
 742         &movq   ($Zhi,&QWP(16+128,"esp",$nlo,8));
 743       }
 744
 745         &mov    (&LB($nlo),&LB($dat));
 746         &mov    ($dat,&DWP(528+$j,"esp"))               if (--$j%4==0);
 747
 748         &movd   ($rem[0],$Zlo);
 749         &movz   ($rem[1],&LB($rem[1]))                  if ($i>0);
 750         &psrlq  ($Zlo,8);                               # Z>>=8
 751
 752         &movq   ($tmp,$Zhi);
 753         &mov    ($nhi[0],$nlo);
 754         &psrlq  ($Zhi,8);
 755
 756         &pxor   ($Zlo,&QWP(16+256+0,"esp",$nhi[1],8));  # Z^=H[nhi]>>4
 757         &and    (&LB($nlo),0x0f);
 758         &psllq  ($tmp,56);
 759
 760         &pxor   ($Zhi,$red[1])                          if ($i>1);
 761         &shr    ($nhi[0],4);
 762         &pinsrw ($red[0],&WP(0,$rem_8bit,$rem[1],2),2)  if ($i>0);
 763
 764         unshift (@red,pop(@red));                       # "rotate" registers
 765         unshift (@rem,pop(@rem));
 766         unshift (@nhi,pop(@nhi));
 767     }
 768
 769     &pxor       ($Zlo,&QWP(16,"esp",$nlo,8));           # Z^=H[nlo]
 770     &pxor       ($Zhi,&QWP(16+128,"esp",$nlo,8));
 771     &xor        (&LB($rem[1]),&BP(0,"esp",$nhi[0]));    # rem^(H[nhi]<<4)
 772
 773     &pxor       ($Zlo,$tmp);
 774     &pxor       ($Zhi,&QWP(16+256+128,"esp",$nhi[0],8));
 775     &movz       ($rem[1],&LB($rem[1]));
 776
 777     &pxor       ($red[2],$red[2]);                      # clear 2nd word
 778     &psllq      ($red[1],4);
 779
 780     &movd       ($rem[0],$Zlo);
 781     &psrlq      ($Zlo,4);                               # Z>>=4
 782
 783     &movq       ($tmp,$Zhi);
 784     &psrlq      ($Zhi,4);
 785     &shl        ($rem[0],4);                            # rem<<4
 786
 787     &pxor       ($Zlo,&QWP(16,"esp",$nhi[1],8));        # Z^=H[nhi]
 788     &psllq      ($tmp,60);
 789     &movz       ($rem[0],&LB($rem[0]));
 790
 791     &pxor       ($Zlo,$tmp);
 792     &pxor       ($Zhi,&QWP(16+128,"esp",$nhi[1],8));
 793
 794     &pinsrw     ($red[0],&WP(0,$rem_8bit,$rem[1],2),2);
 795     &pxor       ($Zhi,$red[1]);
 796
 797     &movd       ($dat,$Zlo);
 798     &pinsrw     ($red[2],&WP(0,$rem_8bit,$rem[0],2),3); # last is <<48
 799
 800     &psllq      ($red[0],12);                           # correct by <<16>>4
 801     &pxor       ($Zhi,$red[0]);
 802     &psrlq      ($Zlo,32);
 803     &pxor       ($Zhi,$red[2]);
 804
 805     &mov        ("ecx",&DWP(528+16+4,"esp"));   # restore inp
 806     &movd       ("ebx",$Zlo);
 807     &movq       ($tmp,$Zhi);                    # 01234567
 808     &psllw      ($Zhi,8);                       # 1.3.5.7.
 809     &psrlw      ($tmp,8);                       # .0.2.4.6
 810     &por        ($Zhi,$tmp);                    # 10325476
 811     &bswap      ($dat);
 812     &pshufw     ($Zhi,$Zhi,0b00011011);         # 76543210
 813     &bswap      ("ebx");
 814
 815     &cmp        ("ecx",&DWP(528+16+8,"esp"));   # are we done?
 816     &jne        (&label("outer"));
 817   }
 818
 819     &mov        ("eax",&DWP(528+16+0,"esp"));   # restore Xi
 820     &mov        (&DWP(12,"eax"),"edx");
 821     &mov        (&DWP(8,"eax"),"ebx");
 822     &movq       (&QWP(0,"eax"),$Zhi);
 823
 824     &mov        ("esp",&DWP(528+16+12,"esp"));  # restore original %esp
 825     &emms       ();
 826 }
 827 &function_end("gcm_ghash_4bit_mmx");
 828 }}
 829 \f
 830 if ($sse2) {{
 831 ######################################################################
 832 # PCLMULQDQ version.
 833
 834 $Xip="eax";
 835 $Htbl="edx";
 836 $const="ecx";
 837 $inp="esi";
 838 $len="ebx";
 839
 840 ($Xi,$Xhi)=("xmm0","xmm1");     $Hkey="xmm2";
 841 ($T1,$T2,$T3)=("xmm3","xmm4","xmm5");
 842 ($Xn,$Xhn)=("xmm6","xmm7");
 843
 844 &static_label("bswap");
 845
 846 sub clmul64x64_T2 {     # minimal "register" pressure
 847 my ($Xhi,$Xi,$Hkey,$HK)=@_;
 848
 849         &movdqa         ($Xhi,$Xi);             #
 850         &pshufd         ($T1,$Xi,0b01001110);
 851         &pshufd         ($T2,$Hkey,0b01001110)  if (!defined($HK));
 852         &pxor           ($T1,$Xi);              #
 853         &pxor           ($T2,$Hkey)             if (!defined($HK));
 854                         $HK=$T2                 if (!defined($HK));
 855
 856         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
 857         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
 858         &pclmulqdq      ($T1,$HK,0x00);         #######
 859         &xorps          ($T1,$Xi);              #
 860         &xorps          ($T1,$Xhi);             #
 861
 862         &movdqa         ($T2,$T1);              #
 863         &psrldq         ($T1,8);
 864         &pslldq         ($T2,8);                #
 865         &pxor           ($Xhi,$T1);
 866         &pxor           ($Xi,$T2);              #
 867 }
 868
 869 sub clmul64x64_T3 {
 870 # Even though this subroutine offers visually better ILP, it
 871 # was empirically found to be a tad slower than above version.
 872 # At least in gcm_ghash_clmul context. But it's just as well,
 873 # because loop modulo-scheduling is possible only thanks to
 874 # minimized "register" pressure...
 875 my ($Xhi,$Xi,$Hkey)=@_;
 876
 877         &movdqa         ($T1,$Xi);              #
 878         &movdqa         ($Xhi,$Xi);
 879         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
 880         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
 881         &pshufd         ($T2,$T1,0b01001110);   #
 882         &pshufd         ($T3,$Hkey,0b01001110);
 883         &pxor           ($T2,$T1);              #
 884         &pxor           ($T3,$Hkey);
 885         &pclmulqdq      ($T2,$T3,0x00);         #######
 886         &pxor           ($T2,$Xi);              #
 887         &pxor           ($T2,$Xhi);             #
 888
 889         &movdqa         ($T3,$T2);              #
 890         &psrldq         ($T2,8);
 891         &pslldq         ($T3,8);                #
 892         &pxor           ($Xhi,$T2);
 893         &pxor           ($Xi,$T3);              #
 894 }
 895 \f
 896 if (1) {                # Algorithm 9 with <<1 twist.
 897                         # Reduction is shorter and uses only two
 898                         # temporary registers, which makes it better
 899                         # candidate for interleaving with 64x64
 900                         # multiplication. Pre-modulo-scheduled loop
 901                         # was found to be ~20% faster than Algorithm 5
 902                         # below. Algorithm 9 was therefore chosen for
 903                         # further optimization...
 904
 905 sub reduction_alg9 {    # 17/11 times faster than Intel version
 906 my ($Xhi,$Xi) = @_;
 907
 908         # 1st phase
 909         &movdqa         ($T2,$Xi);              #
 910         &movdqa         ($T1,$Xi);
 911         &psllq          ($Xi,5);
 912         &pxor           ($T1,$Xi);              #
 913         &psllq          ($Xi,1);
 914         &pxor           ($Xi,$T1);              #
 915         &psllq          ($Xi,57);               #
 916         &movdqa         ($T1,$Xi);              #
 917         &pslldq         ($Xi,8);
 918         &psrldq         ($T1,8);                #
 919         &pxor           ($Xi,$T2);
 920         &pxor           ($Xhi,$T1);             #
 921
 922         # 2nd phase
 923         &movdqa         ($T2,$Xi);
 924         &psrlq          ($Xi,1);
 925         &pxor           ($Xhi,$T2);             #
 926         &pxor           ($T2,$Xi);
 927         &psrlq          ($Xi,5);
 928         &pxor           ($Xi,$T2);              #
 929         &psrlq          ($Xi,1);                #
 930         &pxor           ($Xi,$Xhi)              #
 931 }
 932
 933 &function_begin_B("gcm_init_clmul");
 934         &mov            ($Htbl,&wparam(0));
 935         &mov            ($Xip,&wparam(1));
 936
 937         &call           (&label("pic"));
 938 &set_label("pic");
 939         &blindpop       ($const);
 940         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
 941
 942         &movdqu         ($Hkey,&QWP(0,$Xip));
 943         &pshufd         ($Hkey,$Hkey,0b01001110);# dword swap
 944
 945         # <<1 twist
 946         &pshufd         ($T2,$Hkey,0b11111111); # broadcast uppermost dword
 947         &movdqa         ($T1,$Hkey);
 948         &psllq          ($Hkey,1);
 949         &pxor           ($T3,$T3);              #
 950         &psrlq          ($T1,63);
 951         &pcmpgtd        ($T3,$T2);              # broadcast carry bit
 952         &pslldq         ($T1,8);
 953         &por            ($Hkey,$T1);            # H<<=1
 954
 955         # magic reduction
 956         &pand           ($T3,&QWP(16,$const));  # 0x1c2_polynomial
 957         &pxor           ($Hkey,$T3);            # if(carry) H^=0x1c2_polynomial
 958
 959         # calculate H^2
 960         &movdqa         ($Xi,$Hkey);
 961         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);
 962         &reduction_alg9 ($Xhi,$Xi);
 963
 964         &pshufd         ($T1,$Hkey,0b01001110);
 965         &pshufd         ($T2,$Xi,0b01001110);
 966         &pxor           ($T1,$Hkey);            # Karatsuba pre-processing
 967         &movdqu         (&QWP(0,$Htbl),$Hkey);  # save H
 968         &pxor           ($T2,$Xi);              # Karatsuba pre-processing
 969         &movdqu         (&QWP(16,$Htbl),$Xi);   # save H^2
 970         &palignr        ($T2,$T1,8);            # low part is H.lo^H.hi
 971         &movdqu         (&QWP(32,$Htbl),$T2);   # save Karatsuba "salt"
 972
 973         &ret            ();
 974 &function_end_B("gcm_init_clmul");
 975
 976 &function_begin_B("gcm_gmult_clmul");
 977         &mov            ($Xip,&wparam(0));
 978         &mov            ($Htbl,&wparam(1));
 979
 980         &call           (&label("pic"));
 981 &set_label("pic");
 982         &blindpop       ($const);
 983         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
 984
 985         &movdqu         ($Xi,&QWP(0,$Xip));
 986         &movdqa         ($T3,&QWP(0,$const));
 987         &movups         ($Hkey,&QWP(0,$Htbl));
 988         &pshufb         ($Xi,$T3);
 989         &movups         ($T2,&QWP(32,$Htbl));
 990
 991         &clmul64x64_T2  ($Xhi,$Xi,$Hkey,$T2);
 992         &reduction_alg9 ($Xhi,$Xi);
 993
 994         &pshufb         ($Xi,$T3);
 995         &movdqu         (&QWP(0,$Xip),$Xi);
 996
 997         &ret    ();
 998 &function_end_B("gcm_gmult_clmul");
 999
1000 &function_begin("gcm_ghash_clmul");
1001         &mov            ($Xip,&wparam(0));
1002         &mov            ($Htbl,&wparam(1));
1003         &mov            ($inp,&wparam(2));
1004         &mov            ($len,&wparam(3));
1005
1006         &call           (&label("pic"));
1007 &set_label("pic");
1008         &blindpop       ($const);
1009         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1010
1011         &movdqu         ($Xi,&QWP(0,$Xip));
1012         &movdqa         ($T3,&QWP(0,$const));
1013         &movdqu         ($Hkey,&QWP(0,$Htbl));
1014         &pshufb         ($Xi,$T3);
1015
1016         &sub            ($len,0x10);
1017         &jz             (&label("odd_tail"));
1018
1019         #######
1020         # Xi+2 =[H*(Ii+1 + Xi+1)] mod P =
1021         #       [(H*Ii+1) + (H*Xi+1)] mod P =
1022         #       [(H*Ii+1) + H^2*(Ii+Xi)] mod P
1023         #
1024         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1025         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1026         &pshufb         ($T1,$T3);
1027         &pshufb         ($Xn,$T3);
1028         &movdqu         ($T3,&QWP(32,$Htbl));
1029         &pxor           ($Xi,$T1);              # Ii+Xi
1030
1031         &pshufd         ($T1,$Xn,0b01001110);   # H*Ii+1
1032         &movdqa         ($Xhn,$Xn);
1033         &pxor           ($T1,$Xn);              #
1034         &lea            ($inp,&DWP(32,$inp));   # i+=2
1035
1036         &pclmulqdq      ($Xn,$Hkey,0x00);       #######
1037         &pclmulqdq      ($Xhn,$Hkey,0x11);      #######
1038         &pclmulqdq      ($T1,$T3,0x00);         #######
1039         &movups         ($Hkey,&QWP(16,$Htbl)); # load H^2
1040         &nop            ();
1041
1042         &sub            ($len,0x20);
1043         &jbe            (&label("even_tail"));
1044         &jmp            (&label("mod_loop"));
1045
1046 &set_label("mod_loop",32);
1047         &pshufd         ($T2,$Xi,0b01001110);   # H^2*(Ii+Xi)
1048         &movdqa         ($Xhi,$Xi);
1049         &pxor           ($T2,$Xi);              #
1050         &nop            ();
1051
1052         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
1053         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
1054         &pclmulqdq      ($T2,$T3,0x10);         #######
1055         &movups         ($Hkey,&QWP(0,$Htbl));  # load H
1056
1057         &xorps          ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1058         &movdqa         ($T3,&QWP(0,$const));
1059         &xorps          ($Xhi,$Xhn);
1060          &movdqu        ($Xhn,&QWP(0,$inp));    # Ii
1061         &pxor           ($T1,$Xi);              # aggregated Karatsuba post-processing
1062          &movdqu        ($Xn,&QWP(16,$inp));    # Ii+1
1063         &pxor           ($T1,$Xhi);             #
1064
1065          &pshufb        ($Xhn,$T3);
1066         &pxor           ($T2,$T1);              #
1067
1068         &movdqa         ($T1,$T2);              #
1069         &psrldq         ($T2,8);
1070         &pslldq         ($T1,8);                #
1071         &pxor           ($Xhi,$T2);
1072         &pxor           ($Xi,$T1);              #
1073          &pshufb        ($Xn,$T3);
1074          &pxor          ($Xhi,$Xhn);            # "Ii+Xi", consume early
1075
1076         &movdqa         ($Xhn,$Xn);             #&clmul64x64_TX ($Xhn,$Xn,$Hkey); H*Ii+1
1077           &movdqa       ($T2,$Xi);              #&reduction_alg9($Xhi,$Xi); 1st phase
1078           &movdqa       ($T1,$Xi);
1079           &psllq        ($Xi,5);
1080           &pxor         ($T1,$Xi);              #
1081           &psllq        ($Xi,1);
1082           &pxor         ($Xi,$T1);              #
1083         &pclmulqdq      ($Xn,$Hkey,0x00);       #######
1084         &movups         ($T3,&QWP(32,$Htbl));
1085           &psllq        ($Xi,57);               #
1086           &movdqa       ($T1,$Xi);              #
1087           &pslldq       ($Xi,8);
1088           &psrldq       ($T1,8);                #
1089           &pxor         ($Xi,$T2);
1090           &pxor         ($Xhi,$T1);             #
1091         &pshufd         ($T1,$Xhn,0b01001110);
1092           &movdqa       ($T2,$Xi);              # 2nd phase
1093           &psrlq        ($Xi,1);
1094         &pxor           ($T1,$Xhn);
1095           &pxor         ($Xhi,$T2);             #
1096         &pclmulqdq      ($Xhn,$Hkey,0x11);      #######
1097         &movups         ($Hkey,&QWP(16,$Htbl)); # load H^2
1098           &pxor         ($T2,$Xi);
1099           &psrlq        ($Xi,5);
1100           &pxor         ($Xi,$T2);              #
1101           &psrlq        ($Xi,1);                #
1102           &pxor         ($Xi,$Xhi)              #
1103         &pclmulqdq      ($T1,$T3,0x00);         #######
1104
1105         &lea            ($inp,&DWP(32,$inp));
1106         &sub            ($len,0x20);
1107         &ja             (&label("mod_loop"));
1108
1109 &set_label("even_tail");
1110         &pshufd         ($T2,$Xi,0b01001110);   # H^2*(Ii+Xi)
1111         &movdqa         ($Xhi,$Xi);
1112         &pxor           ($T2,$Xi);              #
1113
1114         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
1115         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
1116         &pclmulqdq      ($T2,$T3,0x10);         #######
1117         &movdqa         ($T3,&QWP(0,$const));
1118
1119         &xorps          ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1120         &xorps          ($Xhi,$Xhn);
1121         &pxor           ($T1,$Xi);              # aggregated Karatsuba post-processing
1122         &pxor           ($T1,$Xhi);             #
1123
1124         &pxor           ($T2,$T1);              #
1125
1126         &movdqa         ($T1,$T2);              #
1127         &psrldq         ($T2,8);
1128         &pslldq         ($T1,8);                #
1129         &pxor           ($Xhi,$T2);
1130         &pxor           ($Xi,$T1);              #
1131
1132         &reduction_alg9 ($Xhi,$Xi);
1133
1134         &test           ($len,$len);
1135         &jnz            (&label("done"));
1136
1137         &movups         ($Hkey,&QWP(0,$Htbl));  # load H
1138 &set_label("odd_tail");
1139         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1140         &pshufb         ($T1,$T3);
1141         &pxor           ($Xi,$T1);              # Ii+Xi
1142
1143         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);       # H*(Ii+Xi)
1144         &reduction_alg9 ($Xhi,$Xi);
1145
1146 &set_label("done");
1147         &pshufb         ($Xi,$T3);
1148         &movdqu         (&QWP(0,$Xip),$Xi);
1149 &function_end("gcm_ghash_clmul");
1150 \f
1151 } else {                # Algorithm 5. Kept for reference purposes.
1152
1153 sub reduction_alg5 {    # 19/16 times faster than Intel version
1154 my ($Xhi,$Xi)=@_;
1155
1156         # <<1
1157         &movdqa         ($T1,$Xi);              #
1158         &movdqa         ($T2,$Xhi);
1159         &pslld          ($Xi,1);
1160         &pslld          ($Xhi,1);               #
1161         &psrld          ($T1,31);
1162         &psrld          ($T2,31);               #
1163         &movdqa         ($T3,$T1);
1164         &pslldq         ($T1,4);
1165         &psrldq         ($T3,12);               #
1166         &pslldq         ($T2,4);
1167         &por            ($Xhi,$T3);             #
1168         &por            ($Xi,$T1);
1169         &por            ($Xhi,$T2);             #
1170
1171         # 1st phase
1172         &movdqa         ($T1,$Xi);
1173         &movdqa         ($T2,$Xi);
1174         &movdqa         ($T3,$Xi);              #
1175         &pslld          ($T1,31);
1176         &pslld          ($T2,30);
1177         &pslld          ($Xi,25);               #
1178         &pxor           ($T1,$T2);
1179         &pxor           ($T1,$Xi);              #
1180         &movdqa         ($T2,$T1);              #
1181         &pslldq         ($T1,12);
1182         &psrldq         ($T2,4);                #
1183         &pxor           ($T3,$T1);
1184
1185         # 2nd phase
1186         &pxor           ($Xhi,$T3);             #
1187         &movdqa         ($Xi,$T3);
1188         &movdqa         ($T1,$T3);
1189         &psrld          ($Xi,1);                #
1190         &psrld          ($T1,2);
1191         &psrld          ($T3,7);                #
1192         &pxor           ($Xi,$T1);
1193         &pxor           ($Xhi,$T2);
1194         &pxor           ($Xi,$T3);              #
1195         &pxor           ($Xi,$Xhi);             #
1196 }
1197
1198 &function_begin_B("gcm_init_clmul");
1199         &mov            ($Htbl,&wparam(0));
1200         &mov            ($Xip,&wparam(1));
1201
1202         &call           (&label("pic"));
1203 &set_label("pic");
1204         &blindpop       ($const);
1205         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1206
1207         &movdqu         ($Hkey,&QWP(0,$Xip));
1208         &pshufd         ($Hkey,$Hkey,0b01001110);# dword swap
1209
1210         # calculate H^2
1211         &movdqa         ($Xi,$Hkey);
1212         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);
1213         &reduction_alg5 ($Xhi,$Xi);
1214
1215         &movdqu         (&QWP(0,$Htbl),$Hkey);  # save H
1216         &movdqu         (&QWP(16,$Htbl),$Xi);   # save H^2
1217
1218         &ret            ();
1219 &function_end_B("gcm_init_clmul");
1220
1221 &function_begin_B("gcm_gmult_clmul");
1222         &mov            ($Xip,&wparam(0));
1223         &mov            ($Htbl,&wparam(1));
1224
1225         &call           (&label("pic"));
1226 &set_label("pic");
1227         &blindpop       ($const);
1228         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1229
1230         &movdqu         ($Xi,&QWP(0,$Xip));
1231         &movdqa         ($Xn,&QWP(0,$const));
1232         &movdqu         ($Hkey,&QWP(0,$Htbl));
1233         &pshufb         ($Xi,$Xn);
1234
1235         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);
1236         &reduction_alg5 ($Xhi,$Xi);
1237
1238         &pshufb         ($Xi,$Xn);
1239         &movdqu         (&QWP(0,$Xip),$Xi);
1240
1241         &ret    ();
1242 &function_end_B("gcm_gmult_clmul");
1243
1244 &function_begin("gcm_ghash_clmul");
1245         &mov            ($Xip,&wparam(0));
1246         &mov            ($Htbl,&wparam(1));
1247         &mov            ($inp,&wparam(2));
1248         &mov            ($len,&wparam(3));
1249
1250         &call           (&label("pic"));
1251 &set_label("pic");
1252         &blindpop       ($const);
1253         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1254
1255         &movdqu         ($Xi,&QWP(0,$Xip));
1256         &movdqa         ($T3,&QWP(0,$const));
1257         &movdqu         ($Hkey,&QWP(0,$Htbl));
1258         &pshufb         ($Xi,$T3);
1259
1260         &sub            ($len,0x10);
1261         &jz             (&label("odd_tail"));
1262
1263         #######
1264         # Xi+2 =[H*(Ii+1 + Xi+1)] mod P =
1265         #       [(H*Ii+1) + (H*Xi+1)] mod P =
1266         #       [(H*Ii+1) + H^2*(Ii+Xi)] mod P
1267         #
1268         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1269         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1270         &pshufb         ($T1,$T3);
1271         &pshufb         ($Xn,$T3);
1272         &pxor           ($Xi,$T1);              # Ii+Xi
1273
1274         &clmul64x64_T3  ($Xhn,$Xn,$Hkey);       # H*Ii+1
1275         &movdqu         ($Hkey,&QWP(16,$Htbl)); # load H^2
1276
1277         &sub            ($len,0x20);
1278         &lea            ($inp,&DWP(32,$inp));   # i+=2
1279         &jbe            (&label("even_tail"));
1280
1281 &set_label("mod_loop");
1282         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1283         &movdqu         ($Hkey,&QWP(0,$Htbl));  # load H
1284
1285         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1286         &pxor           ($Xhi,$Xhn);
1287
1288         &reduction_alg5 ($Xhi,$Xi);
1289
1290         #######
1291         &movdqa         ($T3,&QWP(0,$const));
1292         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1293         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1294         &pshufb         ($T1,$T3);
1295         &pshufb         ($Xn,$T3);
1296         &pxor           ($Xi,$T1);              # Ii+Xi
1297
1298         &clmul64x64_T3  ($Xhn,$Xn,$Hkey);       # H*Ii+1
1299         &movdqu         ($Hkey,&QWP(16,$Htbl)); # load H^2
1300
1301         &sub            ($len,0x20);
1302         &lea            ($inp,&DWP(32,$inp));
1303         &ja             (&label("mod_loop"));
1304
1305 &set_label("even_tail");
1306         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1307
1308         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1309         &pxor           ($Xhi,$Xhn);
1310
1311         &reduction_alg5 ($Xhi,$Xi);
1312
1313         &movdqa         ($T3,&QWP(0,$const));
1314         &test           ($len,$len);
1315         &jnz            (&label("done"));
1316
1317         &movdqu         ($Hkey,&QWP(0,$Htbl));  # load H
1318 &set_label("odd_tail");
1319         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1320         &pshufb         ($T1,$T3);
1321         &pxor           ($Xi,$T1);              # Ii+Xi
1322
1323         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H*(Ii+Xi)
1324         &reduction_alg5 ($Xhi,$Xi);
1325
1326         &movdqa         ($T3,&QWP(0,$const));
1327 &set_label("done");
1328         &pshufb         ($Xi,$T3);
1329         &movdqu         (&QWP(0,$Xip),$Xi);
1330 &function_end("gcm_ghash_clmul");
1331
1332 }
1333 \f
1334 &set_label("bswap",64);
1335         &data_byte(15,14,13,12,11,10,9,8,7,6,5,4,3,2,1,0);
1336         &data_byte(1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0xc2); # 0x1c2_polynomial
1337 &set_label("rem_8bit",64);
1338         &data_short(0x0000,0x01C2,0x0384,0x0246,0x0708,0x06CA,0x048C,0x054E);
1339         &data_short(0x0E10,0x0FD2,0x0D94,0x0C56,0x0918,0x08DA,0x0A9C,0x0B5E);
1340         &data_short(0x1C20,0x1DE2,0x1FA4,0x1E66,0x1B28,0x1AEA,0x18AC,0x196E);
1341         &data_short(0x1230,0x13F2,0x11B4,0x1076,0x1538,0x14FA,0x16BC,0x177E);
1342         &data_short(0x3840,0x3982,0x3BC4,0x3A06,0x3F48,0x3E8A,0x3CCC,0x3D0E);
1343         &data_short(0x3650,0x3792,0x35D4,0x3416,0x3158,0x309A,0x32DC,0x331E);
1344         &data_short(0x2460,0x25A2,0x27E4,0x2626,0x2368,0x22AA,0x20EC,0x212E);
1345         &data_short(0x2A70,0x2BB2,0x29F4,0x2836,0x2D78,0x2CBA,0x2EFC,0x2F3E);
1346         &data_short(0x7080,0x7142,0x7304,0x72C6,0x7788,0x764A,0x740C,0x75CE);
1347         &data_short(0x7E90,0x7F52,0x7D14,0x7CD6,0x7998,0x785A,0x7A1C,0x7BDE);
1348         &data_short(0x6CA0,0x6D62,0x6F24,0x6EE6,0x6BA8,0x6A6A,0x682C,0x69EE);
1349         &data_short(0x62B0,0x6372,0x6134,0x60F6,0x65B8,0x647A,0x663C,0x67FE);
1350         &data_short(0x48C0,0x4902,0x4B44,0x4A86,0x4FC8,0x4E0A,0x4C4C,0x4D8E);
1351         &data_short(0x46D0,0x4712,0x4554,0x4496,0x41D8,0x401A,0x425C,0x439E);
1352         &data_short(0x54E0,0x5522,0x5764,0x56A6,0x53E8,0x522A,0x506C,0x51AE);
1353         &data_short(0x5AF0,0x5B32,0x5974,0x58B6,0x5DF8,0x5C3A,0x5E7C,0x5FBE);
1354         &data_short(0xE100,0xE0C2,0xE284,0xE346,0xE608,0xE7CA,0xE58C,0xE44E);
1355         &data_short(0xEF10,0xEED2,0xEC94,0xED56,0xE818,0xE9DA,0xEB9C,0xEA5E);
1356         &data_short(0xFD20,0xFCE2,0xFEA4,0xFF66,0xFA28,0xFBEA,0xF9AC,0xF86E);
1357         &data_short(0xF330,0xF2F2,0xF0B4,0xF176,0xF438,0xF5FA,0xF7BC,0xF67E);
1358         &data_short(0xD940,0xD882,0xDAC4,0xDB06,0xDE48,0xDF8A,0xDDCC,0xDC0E);
1359         &data_short(0xD750,0xD692,0xD4D4,0xD516,0xD058,0xD19A,0xD3DC,0xD21E);
1360         &data_short(0xC560,0xC4A2,0xC6E4,0xC726,0xC268,0xC3AA,0xC1EC,0xC02E);
1361         &data_short(0xCB70,0xCAB2,0xC8F4,0xC936,0xCC78,0xCDBA,0xCFFC,0xCE3E);
1362         &data_short(0x9180,0x9042,0x9204,0x93C6,0x9688,0x974A,0x950C,0x94CE);
1363         &data_short(0x9F90,0x9E52,0x9C14,0x9DD6,0x9898,0x995A,0x9B1C,0x9ADE);
1364         &data_short(0x8DA0,0x8C62,0x8E24,0x8FE6,0x8AA8,0x8B6A,0x892C,0x88EE);
1365         &data_short(0x83B0,0x8272,0x8034,0x81F6,0x84B8,0x857A,0x873C,0x86FE);
1366         &data_short(0xA9C0,0xA802,0xAA44,0xAB86,0xAEC8,0xAF0A,0xAD4C,0xAC8E);
1367         &data_short(0xA7D0,0xA612,0xA454,0xA596,0xA0D8,0xA11A,0xA35C,0xA29E);
1368         &data_short(0xB5E0,0xB422,0xB664,0xB7A6,0xB2E8,0xB32A,0xB16C,0xB0AE);
1369         &data_short(0xBBF0,0xBA32,0xB874,0xB9B6,0xBCF8,0xBD3A,0xBF7C,0xBEBE);
1370 }}      # $sse2
1371
1372 &set_label("rem_4bit",64);
1373         &data_word(0,0x0000<<$S,0,0x1C20<<$S,0,0x3840<<$S,0,0x2460<<$S);
1374         &data_word(0,0x7080<<$S,0,0x6CA0<<$S,0,0x48C0<<$S,0,0x54E0<<$S);
1375         &data_word(0,0xE100<<$S,0,0xFD20<<$S,0,0xD940<<$S,0,0xC560<<$S);
1376         &data_word(0,0x9180<<$S,0,0x8DA0<<$S,0,0xA9C0<<$S,0,0xB5E0<<$S);
1377 }}}     # !$x86only
1378
1379 &asciz("GHASH for x86, CRYPTOGAMS by <appro\@openssl.org>");
1380 &asm_finish();
1381
1382 close STDOUT;
1383
1384 # A question was risen about choice of vanilla MMX. Or rather why wasn't
1385 # SSE2 chosen instead? In addition to the fact that MMX runs on legacy
1386 # CPUs such as PIII, "4-bit" MMX version was observed to provide better
1387 # performance than *corresponding* SSE2 one even on contemporary CPUs.
1388 # SSE2 results were provided by Peter-Michael Hager. He maintains SSE2
1389 # implementation featuring full range of lookup-table sizes, but with
1390 # per-invocation lookup table setup. Latter means that table size is
1391 # chosen depending on how much data is to be hashed in every given call,
1392 # more data - larger table. Best reported result for Core2 is ~4 cycles
1393 # per processed byte out of 64KB block. This number accounts even for
1394 # 64KB table setup overhead. As discussed in gcm128.c we choose to be
1395 # more conservative in respect to lookup table sizes, but how do the
1396 # results compare? Minimalistic "256B" MMX version delivers ~11 cycles
1397 # on same platform. As also discussed in gcm128.c, next in line "8-bit
1398 # Shoup's" or "4KB" method should deliver twice the performance of
1399 # "256B" one, in other words not worse than ~6 cycles per byte. It
1400 # should be also be noted that in SSE2 case improvement can be "super-
1401 # linear," i.e. more than twice, mostly because >>8 maps to single
1402 # instruction on SSE2 register. This is unlike "4-bit" case when >>4
1403 # maps to same amount of instructions in both MMX and SSE2 cases.
1404 # Bottom line is that switch to SSE2 is considered to be justifiable
1405 # only in case we choose to implement "8-bit" method...