x86[_64] assembly pack: update benchmark results.
[openssl.git] / crypto / modes / asm / ghash-x86.pl
1 #!/usr/bin/env perl
2 #
3 # ====================================================================
4 # Written by Andy Polyakov <appro@openssl.org> for the OpenSSL
5 # project. The module is, however, dual licensed under OpenSSL and
6 # CRYPTOGAMS licenses depending on where you obtain it. For further
7 # details see http://www.openssl.org/~appro/cryptogams/.
8 # ====================================================================
9 #
10 # March, May, June 2010
11 #
12 # The module implements "4-bit" GCM GHASH function and underlying
13 # single multiplication operation in GF(2^128). "4-bit" means that it
14 # uses 256 bytes per-key table [+64/128 bytes fixed table]. It has two
15 # code paths: vanilla x86 and vanilla SSE. Former will be executed on
16 # 486 and Pentium, latter on all others. SSE GHASH features so called
17 # "528B" variant of "4-bit" method utilizing additional 256+16 bytes
18 # of per-key storage [+512 bytes shared table]. Performance results
19 # are for streamed GHASH subroutine and are expressed in cycles per
20 # processed byte, less is better:
21 #
22 #               gcc 2.95.3(*)   SSE assembler   x86 assembler
23 #
24 # Pentium       105/111(**)     -               50
25 # PIII          68 /75          12.2            24
26 # P4            125/125         17.8            84(***)
27 # Opteron       66 /70          10.1            30
28 # Core2         54 /67          8.4             18
29 # Atom          105/105         16.8            53
30 # VIA Nano      69 /71          13.0            27
31 #
32 # (*)   gcc 3.4.x was observed to generate few percent slower code,
33 #       which is one of reasons why 2.95.3 results were chosen,
34 #       another reason is lack of 3.4.x results for older CPUs;
35 #       comparison with SSE results is not completely fair, because C
36 #       results are for vanilla "256B" implementation, while
37 #       assembler results are for "528B";-)
38 # (**)  second number is result for code compiled with -fPIC flag,
39 #       which is actually more relevant, because assembler code is
40 #       position-independent;
41 # (***) see comment in non-MMX routine for further details;
42 #
43 # To summarize, it's >2-5 times faster than gcc-generated code. To
44 # anchor it to something else SHA1 assembler processes one byte in
45 # ~7 cycles on contemporary x86 cores. As for choice of MMX/SSE
46 # in particular, see comment at the end of the file...
47
48 # May 2010
49 #
50 # Add PCLMULQDQ version performing at 2.10 cycles per processed byte.
51 # The question is how close is it to theoretical limit? The pclmulqdq
52 # instruction latency appears to be 14 cycles and there can't be more
53 # than 2 of them executing at any given time. This means that single
54 # Karatsuba multiplication would take 28 cycles *plus* few cycles for
55 # pre- and post-processing. Then multiplication has to be followed by
56 # modulo-reduction. Given that aggregated reduction method [see
57 # "Carry-less Multiplication and Its Usage for Computing the GCM Mode"
58 # white paper by Intel] allows you to perform reduction only once in
59 # a while we can assume that asymptotic performance can be estimated
60 # as (28+Tmod/Naggr)/16, where Tmod is time to perform reduction
61 # and Naggr is the aggregation factor.
62 #
63 # Before we proceed to this implementation let's have closer look at
64 # the best-performing code suggested by Intel in their white paper.
65 # By tracing inter-register dependencies Tmod is estimated as ~19
66 # cycles and Naggr chosen by Intel is 4, resulting in 2.05 cycles per
67 # processed byte. As implied, this is quite optimistic estimate,
68 # because it does not account for Karatsuba pre- and post-processing,
69 # which for a single multiplication is ~5 cycles. Unfortunately Intel
70 # does not provide performance data for GHASH alone. But benchmarking
71 # AES_GCM_encrypt ripped out of Fig. 15 of the white paper with aadt
72 # alone resulted in 2.46 cycles per byte of out 16KB buffer. Note that
73 # the result accounts even for pre-computing of degrees of the hash
74 # key H, but its portion is negligible at 16KB buffer size.
75 #
76 # Moving on to the implementation in question. Tmod is estimated as
77 # ~13 cycles and Naggr is 2, giving asymptotic performance of ...
78 # 2.16. How is it possible that measured performance is better than
79 # optimistic theoretical estimate? There is one thing Intel failed
80 # to recognize. By serializing GHASH with CTR in same subroutine
81 # former's performance is really limited to above (Tmul + Tmod/Naggr)
82 # equation. But if GHASH procedure is detached, the modulo-reduction
83 # can be interleaved with Naggr-1 multiplications at instruction level
84 # and under ideal conditions even disappear from the equation. So that
85 # optimistic theoretical estimate for this implementation is ...
86 # 28/16=1.75, and not 2.16. Well, it's probably way too optimistic,
87 # at least for such small Naggr. I'd argue that (28+Tproc/Naggr),
88 # where Tproc is time required for Karatsuba pre- and post-processing,
89 # is more realistic estimate. In this case it gives ... 1.91 cycles.
90 # Or in other words, depending on how well we can interleave reduction
91 # and one of the two multiplications the performance should be betwen
92 # 1.91 and 2.16. As already mentioned, this implementation processes
93 # one byte out of 8KB buffer in 2.10 cycles, while x86_64 counterpart
94 # - in 2.02. x86_64 performance is better, because larger register
95 # bank allows to interleave reduction and multiplication better.
96 #
97 # Does it make sense to increase Naggr? To start with it's virtually
98 # impossible in 32-bit mode, because of limited register bank
99 # capacity. Otherwise improvement has to be weighed agiainst slower
100 # setup, as well as code size and complexity increase. As even
101 # optimistic estimate doesn't promise 30% performance improvement,
102 # there are currently no plans to increase Naggr.
103 #
104 # Special thanks to David Woodhouse <dwmw2@infradead.org> for
105 # providing access to a Westmere-based system on behalf of Intel
106 # Open Source Technology Centre.
107
108 # January 2010
109 #
110 # Tweaked to optimize transitions between integer and FP operations
111 # on same XMM register, PCLMULQDQ subroutine was measured to process
112 # one byte in 2.07 cycles on Sandy Bridge, and in 2.12 - on Westmere.
113 # The minor regression on Westmere is outweighed by ~15% improvement
114 # on Sandy Bridge. Strangely enough attempt to modify 64-bit code in
115 # similar manner resulted in almost 20% degradation on Sandy Bridge,
116 # where original 64-bit code processes one byte in 1.95 cycles.
117
118 #####################################################################
119 # For reference, AMD Bulldozer processes one byte in 1.98 cycles in
120 # 32-bit mode and 1.89 in 64-bit.
121
122 $0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
123 push(@INC,"${dir}","${dir}../../perlasm");
124 require "x86asm.pl";
125
126 &asm_init($ARGV[0],"ghash-x86.pl",$x86only = $ARGV[$#ARGV] eq "386");
127
128 $sse2=0;
129 for (@ARGV) { $sse2=1 if (/-DOPENSSL_IA32_SSE2/); }
130
131 ($Zhh,$Zhl,$Zlh,$Zll) = ("ebp","edx","ecx","ebx");
132 $inp  = "edi";
133 $Htbl = "esi";
134 \f
135 $unroll = 0;    # Affects x86 loop. Folded loop performs ~7% worse
136                 # than unrolled, which has to be weighted against
137                 # 2.5x x86-specific code size reduction.
138
139 sub x86_loop {
140     my $off = shift;
141     my $rem = "eax";
142
143         &mov    ($Zhh,&DWP(4,$Htbl,$Zll));
144         &mov    ($Zhl,&DWP(0,$Htbl,$Zll));
145         &mov    ($Zlh,&DWP(12,$Htbl,$Zll));
146         &mov    ($Zll,&DWP(8,$Htbl,$Zll));
147         &xor    ($rem,$rem);    # avoid partial register stalls on PIII
148
149         # shrd practically kills P4, 2.5x deterioration, but P4 has
150         # MMX code-path to execute. shrd runs tad faster [than twice
151         # the shifts, move's and or's] on pre-MMX Pentium (as well as
152         # PIII and Core2), *but* minimizes code size, spares register
153         # and thus allows to fold the loop...
154         if (!$unroll) {
155         my $cnt = $inp;
156         &mov    ($cnt,15);
157         &jmp    (&label("x86_loop"));
158         &set_label("x86_loop",16);
159             for($i=1;$i<=2;$i++) {
160                 &mov    (&LB($rem),&LB($Zll));
161                 &shrd   ($Zll,$Zlh,4);
162                 &and    (&LB($rem),0xf);
163                 &shrd   ($Zlh,$Zhl,4);
164                 &shrd   ($Zhl,$Zhh,4);
165                 &shr    ($Zhh,4);
166                 &xor    ($Zhh,&DWP($off+16,"esp",$rem,4));
167
168                 &mov    (&LB($rem),&BP($off,"esp",$cnt));
169                 if ($i&1) {
170                         &and    (&LB($rem),0xf0);
171                 } else {
172                         &shl    (&LB($rem),4);
173                 }
174
175                 &xor    ($Zll,&DWP(8,$Htbl,$rem));
176                 &xor    ($Zlh,&DWP(12,$Htbl,$rem));
177                 &xor    ($Zhl,&DWP(0,$Htbl,$rem));
178                 &xor    ($Zhh,&DWP(4,$Htbl,$rem));
179
180                 if ($i&1) {
181                         &dec    ($cnt);
182                         &js     (&label("x86_break"));
183                 } else {
184                         &jmp    (&label("x86_loop"));
185                 }
186             }
187         &set_label("x86_break",16);
188         } else {
189             for($i=1;$i<32;$i++) {
190                 &comment($i);
191                 &mov    (&LB($rem),&LB($Zll));
192                 &shrd   ($Zll,$Zlh,4);
193                 &and    (&LB($rem),0xf);
194                 &shrd   ($Zlh,$Zhl,4);
195                 &shrd   ($Zhl,$Zhh,4);
196                 &shr    ($Zhh,4);
197                 &xor    ($Zhh,&DWP($off+16,"esp",$rem,4));
198
199                 if ($i&1) {
200                         &mov    (&LB($rem),&BP($off+15-($i>>1),"esp"));
201                         &and    (&LB($rem),0xf0);
202                 } else {
203                         &mov    (&LB($rem),&BP($off+15-($i>>1),"esp"));
204                         &shl    (&LB($rem),4);
205                 }
206
207                 &xor    ($Zll,&DWP(8,$Htbl,$rem));
208                 &xor    ($Zlh,&DWP(12,$Htbl,$rem));
209                 &xor    ($Zhl,&DWP(0,$Htbl,$rem));
210                 &xor    ($Zhh,&DWP(4,$Htbl,$rem));
211             }
212         }
213         &bswap  ($Zll);
214         &bswap  ($Zlh);
215         &bswap  ($Zhl);
216         if (!$x86only) {
217                 &bswap  ($Zhh);
218         } else {
219                 &mov    ("eax",$Zhh);
220                 &bswap  ("eax");
221                 &mov    ($Zhh,"eax");
222         }
223 }
224
225 if ($unroll) {
226     &function_begin_B("_x86_gmult_4bit_inner");
227         &x86_loop(4);
228         &ret    ();
229     &function_end_B("_x86_gmult_4bit_inner");
230 }
231
232 sub deposit_rem_4bit {
233     my $bias = shift;
234
235         &mov    (&DWP($bias+0, "esp"),0x0000<<16);
236         &mov    (&DWP($bias+4, "esp"),0x1C20<<16);
237         &mov    (&DWP($bias+8, "esp"),0x3840<<16);
238         &mov    (&DWP($bias+12,"esp"),0x2460<<16);
239         &mov    (&DWP($bias+16,"esp"),0x7080<<16);
240         &mov    (&DWP($bias+20,"esp"),0x6CA0<<16);
241         &mov    (&DWP($bias+24,"esp"),0x48C0<<16);
242         &mov    (&DWP($bias+28,"esp"),0x54E0<<16);
243         &mov    (&DWP($bias+32,"esp"),0xE100<<16);
244         &mov    (&DWP($bias+36,"esp"),0xFD20<<16);
245         &mov    (&DWP($bias+40,"esp"),0xD940<<16);
246         &mov    (&DWP($bias+44,"esp"),0xC560<<16);
247         &mov    (&DWP($bias+48,"esp"),0x9180<<16);
248         &mov    (&DWP($bias+52,"esp"),0x8DA0<<16);
249         &mov    (&DWP($bias+56,"esp"),0xA9C0<<16);
250         &mov    (&DWP($bias+60,"esp"),0xB5E0<<16);
251 }
252 \f
253 $suffix = $x86only ? "" : "_x86";
254
255 &function_begin("gcm_gmult_4bit".$suffix);
256         &stack_push(16+4+1);                    # +1 for stack alignment
257         &mov    ($inp,&wparam(0));              # load Xi
258         &mov    ($Htbl,&wparam(1));             # load Htable
259
260         &mov    ($Zhh,&DWP(0,$inp));            # load Xi[16]
261         &mov    ($Zhl,&DWP(4,$inp));
262         &mov    ($Zlh,&DWP(8,$inp));
263         &mov    ($Zll,&DWP(12,$inp));
264
265         &deposit_rem_4bit(16);
266
267         &mov    (&DWP(0,"esp"),$Zhh);           # copy Xi[16] on stack
268         &mov    (&DWP(4,"esp"),$Zhl);
269         &mov    (&DWP(8,"esp"),$Zlh);
270         &mov    (&DWP(12,"esp"),$Zll);
271         &shr    ($Zll,20);
272         &and    ($Zll,0xf0);
273
274         if ($unroll) {
275                 &call   ("_x86_gmult_4bit_inner");
276         } else {
277                 &x86_loop(0);
278                 &mov    ($inp,&wparam(0));
279         }
280
281         &mov    (&DWP(12,$inp),$Zll);
282         &mov    (&DWP(8,$inp),$Zlh);
283         &mov    (&DWP(4,$inp),$Zhl);
284         &mov    (&DWP(0,$inp),$Zhh);
285         &stack_pop(16+4+1);
286 &function_end("gcm_gmult_4bit".$suffix);
287
288 &function_begin("gcm_ghash_4bit".$suffix);
289         &stack_push(16+4+1);                    # +1 for 64-bit alignment
290         &mov    ($Zll,&wparam(0));              # load Xi
291         &mov    ($Htbl,&wparam(1));             # load Htable
292         &mov    ($inp,&wparam(2));              # load in
293         &mov    ("ecx",&wparam(3));             # load len
294         &add    ("ecx",$inp);
295         &mov    (&wparam(3),"ecx");
296
297         &mov    ($Zhh,&DWP(0,$Zll));            # load Xi[16]
298         &mov    ($Zhl,&DWP(4,$Zll));
299         &mov    ($Zlh,&DWP(8,$Zll));
300         &mov    ($Zll,&DWP(12,$Zll));
301
302         &deposit_rem_4bit(16);
303
304     &set_label("x86_outer_loop",16);
305         &xor    ($Zll,&DWP(12,$inp));           # xor with input
306         &xor    ($Zlh,&DWP(8,$inp));
307         &xor    ($Zhl,&DWP(4,$inp));
308         &xor    ($Zhh,&DWP(0,$inp));
309         &mov    (&DWP(12,"esp"),$Zll);          # dump it on stack
310         &mov    (&DWP(8,"esp"),$Zlh);
311         &mov    (&DWP(4,"esp"),$Zhl);
312         &mov    (&DWP(0,"esp"),$Zhh);
313
314         &shr    ($Zll,20);
315         &and    ($Zll,0xf0);
316
317         if ($unroll) {
318                 &call   ("_x86_gmult_4bit_inner");
319         } else {
320                 &x86_loop(0);
321                 &mov    ($inp,&wparam(2));
322         }
323         &lea    ($inp,&DWP(16,$inp));
324         &cmp    ($inp,&wparam(3));
325         &mov    (&wparam(2),$inp)       if (!$unroll);
326         &jb     (&label("x86_outer_loop"));
327
328         &mov    ($inp,&wparam(0));      # load Xi
329         &mov    (&DWP(12,$inp),$Zll);
330         &mov    (&DWP(8,$inp),$Zlh);
331         &mov    (&DWP(4,$inp),$Zhl);
332         &mov    (&DWP(0,$inp),$Zhh);
333         &stack_pop(16+4+1);
334 &function_end("gcm_ghash_4bit".$suffix);
335 \f
336 if (!$x86only) {{{
337
338 &static_label("rem_4bit");
339
340 if (!$sse2) {{  # pure-MMX "May" version...
341
342 $S=12;          # shift factor for rem_4bit
343
344 &function_begin_B("_mmx_gmult_4bit_inner");
345 # MMX version performs 3.5 times better on P4 (see comment in non-MMX
346 # routine for further details), 100% better on Opteron, ~70% better
347 # on Core2 and PIII... In other words effort is considered to be well
348 # spent... Since initial release the loop was unrolled in order to
349 # "liberate" register previously used as loop counter. Instead it's
350 # used to optimize critical path in 'Z.hi ^= rem_4bit[Z.lo&0xf]'.
351 # The path involves move of Z.lo from MMX to integer register,
352 # effective address calculation and finally merge of value to Z.hi.
353 # Reference to rem_4bit is scheduled so late that I had to >>4
354 # rem_4bit elements. This resulted in 20-45% procent improvement
355 # on contemporary ยต-archs.
356 {
357     my $cnt;
358     my $rem_4bit = "eax";
359     my @rem = ($Zhh,$Zll);
360     my $nhi = $Zhl;
361     my $nlo = $Zlh;
362
363     my ($Zlo,$Zhi) = ("mm0","mm1");
364     my $tmp = "mm2";
365
366         &xor    ($nlo,$nlo);    # avoid partial register stalls on PIII
367         &mov    ($nhi,$Zll);
368         &mov    (&LB($nlo),&LB($nhi));
369         &shl    (&LB($nlo),4);
370         &and    ($nhi,0xf0);
371         &movq   ($Zlo,&QWP(8,$Htbl,$nlo));
372         &movq   ($Zhi,&QWP(0,$Htbl,$nlo));
373         &movd   ($rem[0],$Zlo);
374
375         for ($cnt=28;$cnt>=-2;$cnt--) {
376             my $odd = $cnt&1;
377             my $nix = $odd ? $nlo : $nhi;
378
379                 &shl    (&LB($nlo),4)                   if ($odd);
380                 &psrlq  ($Zlo,4);
381                 &movq   ($tmp,$Zhi);
382                 &psrlq  ($Zhi,4);
383                 &pxor   ($Zlo,&QWP(8,$Htbl,$nix));
384                 &mov    (&LB($nlo),&BP($cnt/2,$inp))    if (!$odd && $cnt>=0);
385                 &psllq  ($tmp,60);
386                 &and    ($nhi,0xf0)                     if ($odd);
387                 &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem[1],8)) if ($cnt<28);
388                 &and    ($rem[0],0xf);
389                 &pxor   ($Zhi,&QWP(0,$Htbl,$nix));
390                 &mov    ($nhi,$nlo)                     if (!$odd && $cnt>=0);
391                 &movd   ($rem[1],$Zlo);
392                 &pxor   ($Zlo,$tmp);
393
394                 push    (@rem,shift(@rem));             # "rotate" registers
395         }
396
397         &mov    ($inp,&DWP(4,$rem_4bit,$rem[1],8));     # last rem_4bit[rem]
398
399         &psrlq  ($Zlo,32);      # lower part of Zlo is already there
400         &movd   ($Zhl,$Zhi);
401         &psrlq  ($Zhi,32);
402         &movd   ($Zlh,$Zlo);
403         &movd   ($Zhh,$Zhi);
404         &shl    ($inp,4);       # compensate for rem_4bit[i] being >>4
405
406         &bswap  ($Zll);
407         &bswap  ($Zhl);
408         &bswap  ($Zlh);
409         &xor    ($Zhh,$inp);
410         &bswap  ($Zhh);
411
412         &ret    ();
413 }
414 &function_end_B("_mmx_gmult_4bit_inner");
415
416 &function_begin("gcm_gmult_4bit_mmx");
417         &mov    ($inp,&wparam(0));      # load Xi
418         &mov    ($Htbl,&wparam(1));     # load Htable
419
420         &call   (&label("pic_point"));
421         &set_label("pic_point");
422         &blindpop("eax");
423         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
424
425         &movz   ($Zll,&BP(15,$inp));
426
427         &call   ("_mmx_gmult_4bit_inner");
428
429         &mov    ($inp,&wparam(0));      # load Xi
430         &emms   ();
431         &mov    (&DWP(12,$inp),$Zll);
432         &mov    (&DWP(4,$inp),$Zhl);
433         &mov    (&DWP(8,$inp),$Zlh);
434         &mov    (&DWP(0,$inp),$Zhh);
435 &function_end("gcm_gmult_4bit_mmx");
436 \f
437 # Streamed version performs 20% better on P4, 7% on Opteron,
438 # 10% on Core2 and PIII...
439 &function_begin("gcm_ghash_4bit_mmx");
440         &mov    ($Zhh,&wparam(0));      # load Xi
441         &mov    ($Htbl,&wparam(1));     # load Htable
442         &mov    ($inp,&wparam(2));      # load in
443         &mov    ($Zlh,&wparam(3));      # load len
444
445         &call   (&label("pic_point"));
446         &set_label("pic_point");
447         &blindpop("eax");
448         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
449
450         &add    ($Zlh,$inp);
451         &mov    (&wparam(3),$Zlh);      # len to point at the end of input
452         &stack_push(4+1);               # +1 for stack alignment
453
454         &mov    ($Zll,&DWP(12,$Zhh));   # load Xi[16]
455         &mov    ($Zhl,&DWP(4,$Zhh));
456         &mov    ($Zlh,&DWP(8,$Zhh));
457         &mov    ($Zhh,&DWP(0,$Zhh));
458         &jmp    (&label("mmx_outer_loop"));
459
460     &set_label("mmx_outer_loop",16);
461         &xor    ($Zll,&DWP(12,$inp));
462         &xor    ($Zhl,&DWP(4,$inp));
463         &xor    ($Zlh,&DWP(8,$inp));
464         &xor    ($Zhh,&DWP(0,$inp));
465         &mov    (&wparam(2),$inp);
466         &mov    (&DWP(12,"esp"),$Zll);
467         &mov    (&DWP(4,"esp"),$Zhl);
468         &mov    (&DWP(8,"esp"),$Zlh);
469         &mov    (&DWP(0,"esp"),$Zhh);
470
471         &mov    ($inp,"esp");
472         &shr    ($Zll,24);
473
474         &call   ("_mmx_gmult_4bit_inner");
475
476         &mov    ($inp,&wparam(2));
477         &lea    ($inp,&DWP(16,$inp));
478         &cmp    ($inp,&wparam(3));
479         &jb     (&label("mmx_outer_loop"));
480
481         &mov    ($inp,&wparam(0));      # load Xi
482         &emms   ();
483         &mov    (&DWP(12,$inp),$Zll);
484         &mov    (&DWP(4,$inp),$Zhl);
485         &mov    (&DWP(8,$inp),$Zlh);
486         &mov    (&DWP(0,$inp),$Zhh);
487
488         &stack_pop(4+1);
489 &function_end("gcm_ghash_4bit_mmx");
490 \f
491 }} else {{      # "June" MMX version...
492                 # ... has slower "April" gcm_gmult_4bit_mmx with folded
493                 # loop. This is done to conserve code size...
494 $S=16;          # shift factor for rem_4bit
495
496 sub mmx_loop() {
497 # MMX version performs 2.8 times better on P4 (see comment in non-MMX
498 # routine for further details), 40% better on Opteron and Core2, 50%
499 # better on PIII... In other words effort is considered to be well
500 # spent...
501     my $inp = shift;
502     my $rem_4bit = shift;
503     my $cnt = $Zhh;
504     my $nhi = $Zhl;
505     my $nlo = $Zlh;
506     my $rem = $Zll;
507
508     my ($Zlo,$Zhi) = ("mm0","mm1");
509     my $tmp = "mm2";
510
511         &xor    ($nlo,$nlo);    # avoid partial register stalls on PIII
512         &mov    ($nhi,$Zll);
513         &mov    (&LB($nlo),&LB($nhi));
514         &mov    ($cnt,14);
515         &shl    (&LB($nlo),4);
516         &and    ($nhi,0xf0);
517         &movq   ($Zlo,&QWP(8,$Htbl,$nlo));
518         &movq   ($Zhi,&QWP(0,$Htbl,$nlo));
519         &movd   ($rem,$Zlo);
520         &jmp    (&label("mmx_loop"));
521
522     &set_label("mmx_loop",16);
523         &psrlq  ($Zlo,4);
524         &and    ($rem,0xf);
525         &movq   ($tmp,$Zhi);
526         &psrlq  ($Zhi,4);
527         &pxor   ($Zlo,&QWP(8,$Htbl,$nhi));
528         &mov    (&LB($nlo),&BP(0,$inp,$cnt));
529         &psllq  ($tmp,60);
530         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
531         &dec    ($cnt);
532         &movd   ($rem,$Zlo);
533         &pxor   ($Zhi,&QWP(0,$Htbl,$nhi));
534         &mov    ($nhi,$nlo);
535         &pxor   ($Zlo,$tmp);
536         &js     (&label("mmx_break"));
537
538         &shl    (&LB($nlo),4);
539         &and    ($rem,0xf);
540         &psrlq  ($Zlo,4);
541         &and    ($nhi,0xf0);
542         &movq   ($tmp,$Zhi);
543         &psrlq  ($Zhi,4);
544         &pxor   ($Zlo,&QWP(8,$Htbl,$nlo));
545         &psllq  ($tmp,60);
546         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
547         &movd   ($rem,$Zlo);
548         &pxor   ($Zhi,&QWP(0,$Htbl,$nlo));
549         &pxor   ($Zlo,$tmp);
550         &jmp    (&label("mmx_loop"));
551
552     &set_label("mmx_break",16);
553         &shl    (&LB($nlo),4);
554         &and    ($rem,0xf);
555         &psrlq  ($Zlo,4);
556         &and    ($nhi,0xf0);
557         &movq   ($tmp,$Zhi);
558         &psrlq  ($Zhi,4);
559         &pxor   ($Zlo,&QWP(8,$Htbl,$nlo));
560         &psllq  ($tmp,60);
561         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
562         &movd   ($rem,$Zlo);
563         &pxor   ($Zhi,&QWP(0,$Htbl,$nlo));
564         &pxor   ($Zlo,$tmp);
565
566         &psrlq  ($Zlo,4);
567         &and    ($rem,0xf);
568         &movq   ($tmp,$Zhi);
569         &psrlq  ($Zhi,4);
570         &pxor   ($Zlo,&QWP(8,$Htbl,$nhi));
571         &psllq  ($tmp,60);
572         &pxor   ($Zhi,&QWP(0,$rem_4bit,$rem,8));
573         &movd   ($rem,$Zlo);
574         &pxor   ($Zhi,&QWP(0,$Htbl,$nhi));
575         &pxor   ($Zlo,$tmp);
576
577         &psrlq  ($Zlo,32);      # lower part of Zlo is already there
578         &movd   ($Zhl,$Zhi);
579         &psrlq  ($Zhi,32);
580         &movd   ($Zlh,$Zlo);
581         &movd   ($Zhh,$Zhi);
582
583         &bswap  ($Zll);
584         &bswap  ($Zhl);
585         &bswap  ($Zlh);
586         &bswap  ($Zhh);
587 }
588
589 &function_begin("gcm_gmult_4bit_mmx");
590         &mov    ($inp,&wparam(0));      # load Xi
591         &mov    ($Htbl,&wparam(1));     # load Htable
592
593         &call   (&label("pic_point"));
594         &set_label("pic_point");
595         &blindpop("eax");
596         &lea    ("eax",&DWP(&label("rem_4bit")."-".&label("pic_point"),"eax"));
597
598         &movz   ($Zll,&BP(15,$inp));
599
600         &mmx_loop($inp,"eax");
601
602         &emms   ();
603         &mov    (&DWP(12,$inp),$Zll);
604         &mov    (&DWP(4,$inp),$Zhl);
605         &mov    (&DWP(8,$inp),$Zlh);
606         &mov    (&DWP(0,$inp),$Zhh);
607 &function_end("gcm_gmult_4bit_mmx");
608 \f
609 ######################################################################
610 # Below subroutine is "528B" variant of "4-bit" GCM GHASH function
611 # (see gcm128.c for details). It provides further 20-40% performance
612 # improvement over above mentioned "May" version.
613
614 &static_label("rem_8bit");
615
616 &function_begin("gcm_ghash_4bit_mmx");
617 { my ($Zlo,$Zhi) = ("mm7","mm6");
618   my $rem_8bit = "esi";
619   my $Htbl = "ebx";
620
621     # parameter block
622     &mov        ("eax",&wparam(0));             # Xi
623     &mov        ("ebx",&wparam(1));             # Htable
624     &mov        ("ecx",&wparam(2));             # inp
625     &mov        ("edx",&wparam(3));             # len
626     &mov        ("ebp","esp");                  # original %esp
627     &call       (&label("pic_point"));
628     &set_label  ("pic_point");
629     &blindpop   ($rem_8bit);
630     &lea        ($rem_8bit,&DWP(&label("rem_8bit")."-".&label("pic_point"),$rem_8bit));
631
632     &sub        ("esp",512+16+16);              # allocate stack frame...
633     &and        ("esp",-64);                    # ...and align it
634     &sub        ("esp",16);                     # place for (u8)(H[]<<4)
635
636     &add        ("edx","ecx");                  # pointer to the end of input
637     &mov        (&DWP(528+16+0,"esp"),"eax");   # save Xi
638     &mov        (&DWP(528+16+8,"esp"),"edx");   # save inp+len
639     &mov        (&DWP(528+16+12,"esp"),"ebp");  # save original %esp
640
641     { my @lo  = ("mm0","mm1","mm2");
642       my @hi  = ("mm3","mm4","mm5");
643       my @tmp = ("mm6","mm7");
644       my ($off1,$off2,$i) = (0,0,);
645
646       &add      ($Htbl,128);                    # optimize for size
647       &lea      ("edi",&DWP(16+128,"esp"));
648       &lea      ("ebp",&DWP(16+256+128,"esp"));
649
650       # decompose Htable (low and high parts are kept separately),
651       # generate Htable[]>>4, (u8)(Htable[]<<4), save to stack...
652       for ($i=0;$i<18;$i++) {
653
654         &mov    ("edx",&DWP(16*$i+8-128,$Htbl))         if ($i<16);
655         &movq   ($lo[0],&QWP(16*$i+8-128,$Htbl))        if ($i<16);
656         &psllq  ($tmp[1],60)                            if ($i>1);
657         &movq   ($hi[0],&QWP(16*$i+0-128,$Htbl))        if ($i<16);
658         &por    ($lo[2],$tmp[1])                        if ($i>1);
659         &movq   (&QWP($off1-128,"edi"),$lo[1])          if ($i>0 && $i<17);
660         &psrlq  ($lo[1],4)                              if ($i>0 && $i<17);
661         &movq   (&QWP($off1,"edi"),$hi[1])              if ($i>0 && $i<17);
662         &movq   ($tmp[0],$hi[1])                        if ($i>0 && $i<17);
663         &movq   (&QWP($off2-128,"ebp"),$lo[2])          if ($i>1);
664         &psrlq  ($hi[1],4)                              if ($i>0 && $i<17);
665         &movq   (&QWP($off2,"ebp"),$hi[2])              if ($i>1);
666         &shl    ("edx",4)                               if ($i<16);
667         &mov    (&BP($i,"esp"),&LB("edx"))              if ($i<16);
668
669         unshift (@lo,pop(@lo));                 # "rotate" registers
670         unshift (@hi,pop(@hi));
671         unshift (@tmp,pop(@tmp));
672         $off1 += 8      if ($i>0);
673         $off2 += 8      if ($i>1);
674       }
675     }
676
677     &movq       ($Zhi,&QWP(0,"eax"));
678     &mov        ("ebx",&DWP(8,"eax"));
679     &mov        ("edx",&DWP(12,"eax"));         # load Xi
680
681 &set_label("outer",16);
682   { my $nlo = "eax";
683     my $dat = "edx";
684     my @nhi = ("edi","ebp");
685     my @rem = ("ebx","ecx");
686     my @red = ("mm0","mm1","mm2");
687     my $tmp = "mm3";
688
689     &xor        ($dat,&DWP(12,"ecx"));          # merge input data
690     &xor        ("ebx",&DWP(8,"ecx"));
691     &pxor       ($Zhi,&QWP(0,"ecx"));
692     &lea        ("ecx",&DWP(16,"ecx"));         # inp+=16
693     #&mov       (&DWP(528+12,"esp"),$dat);      # save inp^Xi
694     &mov        (&DWP(528+8,"esp"),"ebx");
695     &movq       (&QWP(528+0,"esp"),$Zhi);
696     &mov        (&DWP(528+16+4,"esp"),"ecx");   # save inp
697
698     &xor        ($nlo,$nlo);
699     &rol        ($dat,8);
700     &mov        (&LB($nlo),&LB($dat));
701     &mov        ($nhi[1],$nlo);
702     &and        (&LB($nlo),0x0f);
703     &shr        ($nhi[1],4);
704     &pxor       ($red[0],$red[0]);
705     &rol        ($dat,8);                       # next byte
706     &pxor       ($red[1],$red[1]);
707     &pxor       ($red[2],$red[2]);
708
709     # Just like in "May" verson modulo-schedule for critical path in
710     # 'Z.hi ^= rem_8bit[Z.lo&0xff^((u8)H[nhi]<<4)]<<48'. Final 'pxor'
711     # is scheduled so late that rem_8bit[] has to be shifted *right*
712     # by 16, which is why last argument to pinsrw is 2, which
713     # corresponds to <<32=<<48>>16...
714     for ($j=11,$i=0;$i<15;$i++) {
715
716       if ($i>0) {
717         &pxor   ($Zlo,&QWP(16,"esp",$nlo,8));           # Z^=H[nlo]
718         &rol    ($dat,8);                               # next byte
719         &pxor   ($Zhi,&QWP(16+128,"esp",$nlo,8));
720
721         &pxor   ($Zlo,$tmp);
722         &pxor   ($Zhi,&QWP(16+256+128,"esp",$nhi[0],8));
723         &xor    (&LB($rem[1]),&BP(0,"esp",$nhi[0]));    # rem^(H[nhi]<<4)
724       } else {
725         &movq   ($Zlo,&QWP(16,"esp",$nlo,8));
726         &movq   ($Zhi,&QWP(16+128,"esp",$nlo,8));
727       }
728
729         &mov    (&LB($nlo),&LB($dat));
730         &mov    ($dat,&DWP(528+$j,"esp"))               if (--$j%4==0);
731
732         &movd   ($rem[0],$Zlo);
733         &movz   ($rem[1],&LB($rem[1]))                  if ($i>0);
734         &psrlq  ($Zlo,8);                               # Z>>=8
735
736         &movq   ($tmp,$Zhi);
737         &mov    ($nhi[0],$nlo);
738         &psrlq  ($Zhi,8);
739
740         &pxor   ($Zlo,&QWP(16+256+0,"esp",$nhi[1],8));  # Z^=H[nhi]>>4
741         &and    (&LB($nlo),0x0f);
742         &psllq  ($tmp,56);
743
744         &pxor   ($Zhi,$red[1])                          if ($i>1);
745         &shr    ($nhi[0],4);
746         &pinsrw ($red[0],&WP(0,$rem_8bit,$rem[1],2),2)  if ($i>0);
747
748         unshift (@red,pop(@red));                       # "rotate" registers
749         unshift (@rem,pop(@rem));
750         unshift (@nhi,pop(@nhi));
751     }
752
753     &pxor       ($Zlo,&QWP(16,"esp",$nlo,8));           # Z^=H[nlo]
754     &pxor       ($Zhi,&QWP(16+128,"esp",$nlo,8));
755     &xor        (&LB($rem[1]),&BP(0,"esp",$nhi[0]));    # rem^(H[nhi]<<4)
756
757     &pxor       ($Zlo,$tmp);
758     &pxor       ($Zhi,&QWP(16+256+128,"esp",$nhi[0],8));
759     &movz       ($rem[1],&LB($rem[1]));
760
761     &pxor       ($red[2],$red[2]);                      # clear 2nd word
762     &psllq      ($red[1],4);
763
764     &movd       ($rem[0],$Zlo);
765     &psrlq      ($Zlo,4);                               # Z>>=4
766
767     &movq       ($tmp,$Zhi);
768     &psrlq      ($Zhi,4);
769     &shl        ($rem[0],4);                            # rem<<4
770
771     &pxor       ($Zlo,&QWP(16,"esp",$nhi[1],8));        # Z^=H[nhi]
772     &psllq      ($tmp,60);
773     &movz       ($rem[0],&LB($rem[0]));
774
775     &pxor       ($Zlo,$tmp);
776     &pxor       ($Zhi,&QWP(16+128,"esp",$nhi[1],8));
777
778     &pinsrw     ($red[0],&WP(0,$rem_8bit,$rem[1],2),2);
779     &pxor       ($Zhi,$red[1]);
780
781     &movd       ($dat,$Zlo);
782     &pinsrw     ($red[2],&WP(0,$rem_8bit,$rem[0],2),3); # last is <<48
783
784     &psllq      ($red[0],12);                           # correct by <<16>>4
785     &pxor       ($Zhi,$red[0]);
786     &psrlq      ($Zlo,32);
787     &pxor       ($Zhi,$red[2]);
788
789     &mov        ("ecx",&DWP(528+16+4,"esp"));   # restore inp
790     &movd       ("ebx",$Zlo);
791     &movq       ($tmp,$Zhi);                    # 01234567
792     &psllw      ($Zhi,8);                       # 1.3.5.7.
793     &psrlw      ($tmp,8);                       # .0.2.4.6
794     &por        ($Zhi,$tmp);                    # 10325476
795     &bswap      ($dat);
796     &pshufw     ($Zhi,$Zhi,0b00011011);         # 76543210
797     &bswap      ("ebx");
798     
799     &cmp        ("ecx",&DWP(528+16+8,"esp"));   # are we done?
800     &jne        (&label("outer"));
801   }
802
803     &mov        ("eax",&DWP(528+16+0,"esp"));   # restore Xi
804     &mov        (&DWP(12,"eax"),"edx");
805     &mov        (&DWP(8,"eax"),"ebx");
806     &movq       (&QWP(0,"eax"),$Zhi);
807
808     &mov        ("esp",&DWP(528+16+12,"esp"));  # restore original %esp
809     &emms       ();
810 }
811 &function_end("gcm_ghash_4bit_mmx");
812 }}
813 \f
814 if ($sse2) {{
815 ######################################################################
816 # PCLMULQDQ version.
817
818 $Xip="eax";
819 $Htbl="edx";
820 $const="ecx";
821 $inp="esi";
822 $len="ebx";
823
824 ($Xi,$Xhi)=("xmm0","xmm1");     $Hkey="xmm2";
825 ($T1,$T2,$T3)=("xmm3","xmm4","xmm5");
826 ($Xn,$Xhn)=("xmm6","xmm7");
827
828 &static_label("bswap");
829
830 sub clmul64x64_T2 {     # minimal "register" pressure
831 my ($Xhi,$Xi,$Hkey)=@_;
832
833         &movdqa         ($Xhi,$Xi);             #
834         &pshufd         ($T1,$Xi,0b01001110);
835         &pshufd         ($T2,$Hkey,0b01001110);
836         &pxor           ($T1,$Xi);              #
837         &pxor           ($T2,$Hkey);
838
839         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
840         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
841         &pclmulqdq      ($T1,$T2,0x00);         #######
842         &xorps          ($T1,$Xi);              #
843         &xorps          ($T1,$Xhi);             #
844
845         &movdqa         ($T2,$T1);              #
846         &psrldq         ($T1,8);
847         &pslldq         ($T2,8);                #
848         &pxor           ($Xhi,$T1);
849         &pxor           ($Xi,$T2);              #
850 }
851
852 sub clmul64x64_T3 {
853 # Even though this subroutine offers visually better ILP, it
854 # was empirically found to be a tad slower than above version.
855 # At least in gcm_ghash_clmul context. But it's just as well,
856 # because loop modulo-scheduling is possible only thanks to
857 # minimized "register" pressure...
858 my ($Xhi,$Xi,$Hkey)=@_;
859
860         &movdqa         ($T1,$Xi);              #
861         &movdqa         ($Xhi,$Xi);
862         &pclmulqdq      ($Xi,$Hkey,0x00);       #######
863         &pclmulqdq      ($Xhi,$Hkey,0x11);      #######
864         &pshufd         ($T2,$T1,0b01001110);   #
865         &pshufd         ($T3,$Hkey,0b01001110);
866         &pxor           ($T2,$T1);              #
867         &pxor           ($T3,$Hkey);
868         &pclmulqdq      ($T2,$T3,0x00);         #######
869         &pxor           ($T2,$Xi);              #
870         &pxor           ($T2,$Xhi);             #
871
872         &movdqa         ($T3,$T2);              #
873         &psrldq         ($T2,8);
874         &pslldq         ($T3,8);                #
875         &pxor           ($Xhi,$T2);
876         &pxor           ($Xi,$T3);              #
877 }
878 \f
879 if (1) {                # Algorithm 9 with <<1 twist.
880                         # Reduction is shorter and uses only two
881                         # temporary registers, which makes it better
882                         # candidate for interleaving with 64x64
883                         # multiplication. Pre-modulo-scheduled loop
884                         # was found to be ~20% faster than Algorithm 5
885                         # below. Algorithm 9 was therefore chosen for
886                         # further optimization...
887
888 sub reduction_alg9 {    # 17/13 times faster than Intel version
889 my ($Xhi,$Xi) = @_;
890
891         # 1st phase
892         &movdqa         ($T1,$Xi);              #
893         &psllq          ($Xi,1);
894         &pxor           ($Xi,$T1);              #
895         &psllq          ($Xi,5);                #
896         &pxor           ($Xi,$T1);              #
897         &psllq          ($Xi,57);               #
898         &movdqa         ($T2,$Xi);              #
899         &pslldq         ($Xi,8);
900         &psrldq         ($T2,8);                #
901         &pxor           ($Xi,$T1);
902         &pxor           ($Xhi,$T2);             #
903
904         # 2nd phase
905         &movdqa         ($T2,$Xi);
906         &psrlq          ($Xi,5);
907         &pxor           ($Xi,$T2);              #
908         &psrlq          ($Xi,1);                #
909         &pxor           ($Xi,$T2);              #
910         &pxor           ($T2,$Xhi);
911         &psrlq          ($Xi,1);                #
912         &pxor           ($Xi,$T2);              #
913 }
914
915 &function_begin_B("gcm_init_clmul");
916         &mov            ($Htbl,&wparam(0));
917         &mov            ($Xip,&wparam(1));
918
919         &call           (&label("pic"));
920 &set_label("pic");
921         &blindpop       ($const);
922         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
923
924         &movdqu         ($Hkey,&QWP(0,$Xip));
925         &pshufd         ($Hkey,$Hkey,0b01001110);# dword swap
926
927         # <<1 twist
928         &pshufd         ($T2,$Hkey,0b11111111); # broadcast uppermost dword
929         &movdqa         ($T1,$Hkey);
930         &psllq          ($Hkey,1);
931         &pxor           ($T3,$T3);              #
932         &psrlq          ($T1,63);
933         &pcmpgtd        ($T3,$T2);              # broadcast carry bit
934         &pslldq         ($T1,8);
935         &por            ($Hkey,$T1);            # H<<=1
936
937         # magic reduction
938         &pand           ($T3,&QWP(16,$const));  # 0x1c2_polynomial
939         &pxor           ($Hkey,$T3);            # if(carry) H^=0x1c2_polynomial
940
941         # calculate H^2
942         &movdqa         ($Xi,$Hkey);
943         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);
944         &reduction_alg9 ($Xhi,$Xi);
945
946         &movdqu         (&QWP(0,$Htbl),$Hkey);  # save H
947         &movdqu         (&QWP(16,$Htbl),$Xi);   # save H^2
948
949         &ret            ();
950 &function_end_B("gcm_init_clmul");
951
952 &function_begin_B("gcm_gmult_clmul");
953         &mov            ($Xip,&wparam(0));
954         &mov            ($Htbl,&wparam(1));
955
956         &call           (&label("pic"));
957 &set_label("pic");
958         &blindpop       ($const);
959         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
960
961         &movdqu         ($Xi,&QWP(0,$Xip));
962         &movdqa         ($T3,&QWP(0,$const));
963         &movups         ($Hkey,&QWP(0,$Htbl));
964         &pshufb         ($Xi,$T3);
965
966         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);
967         &reduction_alg9 ($Xhi,$Xi);
968
969         &pshufb         ($Xi,$T3);
970         &movdqu         (&QWP(0,$Xip),$Xi);
971
972         &ret    ();
973 &function_end_B("gcm_gmult_clmul");
974
975 &function_begin("gcm_ghash_clmul");
976         &mov            ($Xip,&wparam(0));
977         &mov            ($Htbl,&wparam(1));
978         &mov            ($inp,&wparam(2));
979         &mov            ($len,&wparam(3));
980
981         &call           (&label("pic"));
982 &set_label("pic");
983         &blindpop       ($const);
984         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
985
986         &movdqu         ($Xi,&QWP(0,$Xip));
987         &movdqa         ($T3,&QWP(0,$const));
988         &movdqu         ($Hkey,&QWP(0,$Htbl));
989         &pshufb         ($Xi,$T3);
990
991         &sub            ($len,0x10);
992         &jz             (&label("odd_tail"));
993
994         #######
995         # Xi+2 =[H*(Ii+1 + Xi+1)] mod P =
996         #       [(H*Ii+1) + (H*Xi+1)] mod P =
997         #       [(H*Ii+1) + H^2*(Ii+Xi)] mod P
998         #
999         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1000         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1001         &pshufb         ($T1,$T3);
1002         &pshufb         ($Xn,$T3);
1003         &pxor           ($Xi,$T1);              # Ii+Xi
1004
1005         &clmul64x64_T2  ($Xhn,$Xn,$Hkey);       # H*Ii+1
1006         &movups         ($Hkey,&QWP(16,$Htbl)); # load H^2
1007
1008         &lea            ($inp,&DWP(32,$inp));   # i+=2
1009         &sub            ($len,0x20);
1010         &jbe            (&label("even_tail"));
1011
1012 &set_label("mod_loop");
1013         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1014         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1015         &movups         ($Hkey,&QWP(0,$Htbl));  # load H
1016
1017         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1018         &pxor           ($Xhi,$Xhn);
1019
1020         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1021         &pshufb         ($T1,$T3);
1022         &pshufb         ($Xn,$T3);
1023
1024         &movdqa         ($T3,$Xn);              #&clmul64x64_TX ($Xhn,$Xn,$Hkey); H*Ii+1
1025         &movdqa         ($Xhn,$Xn);
1026          &pxor          ($Xhi,$T1);             # "Ii+Xi", consume early
1027
1028           &movdqa       ($T1,$Xi);              #&reduction_alg9($Xhi,$Xi); 1st phase
1029           &psllq        ($Xi,1);
1030           &pxor         ($Xi,$T1);              #
1031           &psllq        ($Xi,5);                #
1032           &pxor         ($Xi,$T1);              #
1033         &pclmulqdq      ($Xn,$Hkey,0x00);       #######
1034           &psllq        ($Xi,57);               #
1035           &movdqa       ($T2,$Xi);              #
1036           &pslldq       ($Xi,8);
1037           &psrldq       ($T2,8);                #       
1038           &pxor         ($Xi,$T1);
1039         &pshufd         ($T1,$T3,0b01001110);
1040           &pxor         ($Xhi,$T2);             #
1041         &pxor           ($T1,$T3);
1042         &pshufd         ($T3,$Hkey,0b01001110);
1043         &pxor           ($T3,$Hkey);            #
1044
1045         &pclmulqdq      ($Xhn,$Hkey,0x11);      #######
1046           &movdqa       ($T2,$Xi);              # 2nd phase
1047           &psrlq        ($Xi,5);
1048           &pxor         ($Xi,$T2);              #
1049           &psrlq        ($Xi,1);                #
1050           &pxor         ($Xi,$T2);              #
1051           &pxor         ($T2,$Xhi);
1052           &psrlq        ($Xi,1);                #
1053           &pxor         ($Xi,$T2);              #
1054
1055         &pclmulqdq      ($T1,$T3,0x00);         #######
1056         &movups         ($Hkey,&QWP(16,$Htbl)); # load H^2
1057         &xorps          ($T1,$Xn);              #
1058         &xorps          ($T1,$Xhn);             #
1059
1060         &movdqa         ($T3,$T1);              #
1061         &psrldq         ($T1,8);
1062         &pslldq         ($T3,8);                #
1063         &pxor           ($Xhn,$T1);
1064         &pxor           ($Xn,$T3);              #
1065         &movdqa         ($T3,&QWP(0,$const));
1066
1067         &lea            ($inp,&DWP(32,$inp));
1068         &sub            ($len,0x20);
1069         &ja             (&label("mod_loop"));
1070
1071 &set_label("even_tail");
1072         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1073
1074         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1075         &pxor           ($Xhi,$Xhn);
1076
1077         &reduction_alg9 ($Xhi,$Xi);
1078
1079         &test           ($len,$len);
1080         &jnz            (&label("done"));
1081
1082         &movups         ($Hkey,&QWP(0,$Htbl));  # load H
1083 &set_label("odd_tail");
1084         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1085         &pshufb         ($T1,$T3);
1086         &pxor           ($Xi,$T1);              # Ii+Xi
1087
1088         &clmul64x64_T2  ($Xhi,$Xi,$Hkey);       # H*(Ii+Xi)
1089         &reduction_alg9 ($Xhi,$Xi);
1090
1091 &set_label("done");
1092         &pshufb         ($Xi,$T3);
1093         &movdqu         (&QWP(0,$Xip),$Xi);
1094 &function_end("gcm_ghash_clmul");
1095 \f
1096 } else {                # Algorith 5. Kept for reference purposes.
1097
1098 sub reduction_alg5 {    # 19/16 times faster than Intel version
1099 my ($Xhi,$Xi)=@_;
1100
1101         # <<1
1102         &movdqa         ($T1,$Xi);              #
1103         &movdqa         ($T2,$Xhi);
1104         &pslld          ($Xi,1);
1105         &pslld          ($Xhi,1);               #
1106         &psrld          ($T1,31);
1107         &psrld          ($T2,31);               #
1108         &movdqa         ($T3,$T1);
1109         &pslldq         ($T1,4);
1110         &psrldq         ($T3,12);               #
1111         &pslldq         ($T2,4);
1112         &por            ($Xhi,$T3);             #
1113         &por            ($Xi,$T1);
1114         &por            ($Xhi,$T2);             #
1115
1116         # 1st phase
1117         &movdqa         ($T1,$Xi);
1118         &movdqa         ($T2,$Xi);
1119         &movdqa         ($T3,$Xi);              #
1120         &pslld          ($T1,31);
1121         &pslld          ($T2,30);
1122         &pslld          ($Xi,25);               #
1123         &pxor           ($T1,$T2);
1124         &pxor           ($T1,$Xi);              #
1125         &movdqa         ($T2,$T1);              #
1126         &pslldq         ($T1,12);
1127         &psrldq         ($T2,4);                #
1128         &pxor           ($T3,$T1);
1129
1130         # 2nd phase
1131         &pxor           ($Xhi,$T3);             #
1132         &movdqa         ($Xi,$T3);
1133         &movdqa         ($T1,$T3);
1134         &psrld          ($Xi,1);                #
1135         &psrld          ($T1,2);
1136         &psrld          ($T3,7);                #
1137         &pxor           ($Xi,$T1);
1138         &pxor           ($Xhi,$T2);
1139         &pxor           ($Xi,$T3);              #
1140         &pxor           ($Xi,$Xhi);             #
1141 }
1142
1143 &function_begin_B("gcm_init_clmul");
1144         &mov            ($Htbl,&wparam(0));
1145         &mov            ($Xip,&wparam(1));
1146
1147         &call           (&label("pic"));
1148 &set_label("pic");
1149         &blindpop       ($const);
1150         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1151
1152         &movdqu         ($Hkey,&QWP(0,$Xip));
1153         &pshufd         ($Hkey,$Hkey,0b01001110);# dword swap
1154
1155         # calculate H^2
1156         &movdqa         ($Xi,$Hkey);
1157         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);
1158         &reduction_alg5 ($Xhi,$Xi);
1159
1160         &movdqu         (&QWP(0,$Htbl),$Hkey);  # save H
1161         &movdqu         (&QWP(16,$Htbl),$Xi);   # save H^2
1162
1163         &ret            ();
1164 &function_end_B("gcm_init_clmul");
1165
1166 &function_begin_B("gcm_gmult_clmul");
1167         &mov            ($Xip,&wparam(0));
1168         &mov            ($Htbl,&wparam(1));
1169
1170         &call           (&label("pic"));
1171 &set_label("pic");
1172         &blindpop       ($const);
1173         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1174
1175         &movdqu         ($Xi,&QWP(0,$Xip));
1176         &movdqa         ($Xn,&QWP(0,$const));
1177         &movdqu         ($Hkey,&QWP(0,$Htbl));
1178         &pshufb         ($Xi,$Xn);
1179
1180         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);
1181         &reduction_alg5 ($Xhi,$Xi);
1182
1183         &pshufb         ($Xi,$Xn);
1184         &movdqu         (&QWP(0,$Xip),$Xi);
1185
1186         &ret    ();
1187 &function_end_B("gcm_gmult_clmul");
1188
1189 &function_begin("gcm_ghash_clmul");
1190         &mov            ($Xip,&wparam(0));
1191         &mov            ($Htbl,&wparam(1));
1192         &mov            ($inp,&wparam(2));
1193         &mov            ($len,&wparam(3));
1194
1195         &call           (&label("pic"));
1196 &set_label("pic");
1197         &blindpop       ($const);
1198         &lea            ($const,&DWP(&label("bswap")."-".&label("pic"),$const));
1199
1200         &movdqu         ($Xi,&QWP(0,$Xip));
1201         &movdqa         ($T3,&QWP(0,$const));
1202         &movdqu         ($Hkey,&QWP(0,$Htbl));
1203         &pshufb         ($Xi,$T3);
1204
1205         &sub            ($len,0x10);
1206         &jz             (&label("odd_tail"));
1207
1208         #######
1209         # Xi+2 =[H*(Ii+1 + Xi+1)] mod P =
1210         #       [(H*Ii+1) + (H*Xi+1)] mod P =
1211         #       [(H*Ii+1) + H^2*(Ii+Xi)] mod P
1212         #
1213         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1214         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1215         &pshufb         ($T1,$T3);
1216         &pshufb         ($Xn,$T3);
1217         &pxor           ($Xi,$T1);              # Ii+Xi
1218
1219         &clmul64x64_T3  ($Xhn,$Xn,$Hkey);       # H*Ii+1
1220         &movdqu         ($Hkey,&QWP(16,$Htbl)); # load H^2
1221
1222         &sub            ($len,0x20);
1223         &lea            ($inp,&DWP(32,$inp));   # i+=2
1224         &jbe            (&label("even_tail"));
1225
1226 &set_label("mod_loop");
1227         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1228         &movdqu         ($Hkey,&QWP(0,$Htbl));  # load H
1229
1230         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1231         &pxor           ($Xhi,$Xhn);
1232
1233         &reduction_alg5 ($Xhi,$Xi);
1234
1235         #######
1236         &movdqa         ($T3,&QWP(0,$const));
1237         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1238         &movdqu         ($Xn,&QWP(16,$inp));    # Ii+1
1239         &pshufb         ($T1,$T3);
1240         &pshufb         ($Xn,$T3);
1241         &pxor           ($Xi,$T1);              # Ii+Xi
1242
1243         &clmul64x64_T3  ($Xhn,$Xn,$Hkey);       # H*Ii+1
1244         &movdqu         ($Hkey,&QWP(16,$Htbl)); # load H^2
1245
1246         &sub            ($len,0x20);
1247         &lea            ($inp,&DWP(32,$inp));
1248         &ja             (&label("mod_loop"));
1249
1250 &set_label("even_tail");
1251         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H^2*(Ii+Xi)
1252
1253         &pxor           ($Xi,$Xn);              # (H*Ii+1) + H^2*(Ii+Xi)
1254         &pxor           ($Xhi,$Xhn);
1255
1256         &reduction_alg5 ($Xhi,$Xi);
1257
1258         &movdqa         ($T3,&QWP(0,$const));
1259         &test           ($len,$len);
1260         &jnz            (&label("done"));
1261
1262         &movdqu         ($Hkey,&QWP(0,$Htbl));  # load H
1263 &set_label("odd_tail");
1264         &movdqu         ($T1,&QWP(0,$inp));     # Ii
1265         &pshufb         ($T1,$T3);
1266         &pxor           ($Xi,$T1);              # Ii+Xi
1267
1268         &clmul64x64_T3  ($Xhi,$Xi,$Hkey);       # H*(Ii+Xi)
1269         &reduction_alg5 ($Xhi,$Xi);
1270
1271         &movdqa         ($T3,&QWP(0,$const));
1272 &set_label("done");
1273         &pshufb         ($Xi,$T3);
1274         &movdqu         (&QWP(0,$Xip),$Xi);
1275 &function_end("gcm_ghash_clmul");
1276
1277 }
1278 \f
1279 &set_label("bswap",64);
1280         &data_byte(15,14,13,12,11,10,9,8,7,6,5,4,3,2,1,0);
1281         &data_byte(1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0xc2); # 0x1c2_polynomial
1282 &set_label("rem_8bit",64);
1283         &data_short(0x0000,0x01C2,0x0384,0x0246,0x0708,0x06CA,0x048C,0x054E);
1284         &data_short(0x0E10,0x0FD2,0x0D94,0x0C56,0x0918,0x08DA,0x0A9C,0x0B5E);
1285         &data_short(0x1C20,0x1DE2,0x1FA4,0x1E66,0x1B28,0x1AEA,0x18AC,0x196E);
1286         &data_short(0x1230,0x13F2,0x11B4,0x1076,0x1538,0x14FA,0x16BC,0x177E);
1287         &data_short(0x3840,0x3982,0x3BC4,0x3A06,0x3F48,0x3E8A,0x3CCC,0x3D0E);
1288         &data_short(0x3650,0x3792,0x35D4,0x3416,0x3158,0x309A,0x32DC,0x331E);
1289         &data_short(0x2460,0x25A2,0x27E4,0x2626,0x2368,0x22AA,0x20EC,0x212E);
1290         &data_short(0x2A70,0x2BB2,0x29F4,0x2836,0x2D78,0x2CBA,0x2EFC,0x2F3E);
1291         &data_short(0x7080,0x7142,0x7304,0x72C6,0x7788,0x764A,0x740C,0x75CE);
1292         &data_short(0x7E90,0x7F52,0x7D14,0x7CD6,0x7998,0x785A,0x7A1C,0x7BDE);
1293         &data_short(0x6CA0,0x6D62,0x6F24,0x6EE6,0x6BA8,0x6A6A,0x682C,0x69EE);
1294         &data_short(0x62B0,0x6372,0x6134,0x60F6,0x65B8,0x647A,0x663C,0x67FE);
1295         &data_short(0x48C0,0x4902,0x4B44,0x4A86,0x4FC8,0x4E0A,0x4C4C,0x4D8E);
1296         &data_short(0x46D0,0x4712,0x4554,0x4496,0x41D8,0x401A,0x425C,0x439E);
1297         &data_short(0x54E0,0x5522,0x5764,0x56A6,0x53E8,0x522A,0x506C,0x51AE);
1298         &data_short(0x5AF0,0x5B32,0x5974,0x58B6,0x5DF8,0x5C3A,0x5E7C,0x5FBE);
1299         &data_short(0xE100,0xE0C2,0xE284,0xE346,0xE608,0xE7CA,0xE58C,0xE44E);
1300         &data_short(0xEF10,0xEED2,0xEC94,0xED56,0xE818,0xE9DA,0xEB9C,0xEA5E);
1301         &data_short(0xFD20,0xFCE2,0xFEA4,0xFF66,0xFA28,0xFBEA,0xF9AC,0xF86E);
1302         &data_short(0xF330,0xF2F2,0xF0B4,0xF176,0xF438,0xF5FA,0xF7BC,0xF67E);
1303         &data_short(0xD940,0xD882,0xDAC4,0xDB06,0xDE48,0xDF8A,0xDDCC,0xDC0E);
1304         &data_short(0xD750,0xD692,0xD4D4,0xD516,0xD058,0xD19A,0xD3DC,0xD21E);
1305         &data_short(0xC560,0xC4A2,0xC6E4,0xC726,0xC268,0xC3AA,0xC1EC,0xC02E);
1306         &data_short(0xCB70,0xCAB2,0xC8F4,0xC936,0xCC78,0xCDBA,0xCFFC,0xCE3E);
1307         &data_short(0x9180,0x9042,0x9204,0x93C6,0x9688,0x974A,0x950C,0x94CE);
1308         &data_short(0x9F90,0x9E52,0x9C14,0x9DD6,0x9898,0x995A,0x9B1C,0x9ADE);
1309         &data_short(0x8DA0,0x8C62,0x8E24,0x8FE6,0x8AA8,0x8B6A,0x892C,0x88EE);
1310         &data_short(0x83B0,0x8272,0x8034,0x81F6,0x84B8,0x857A,0x873C,0x86FE);
1311         &data_short(0xA9C0,0xA802,0xAA44,0xAB86,0xAEC8,0xAF0A,0xAD4C,0xAC8E);
1312         &data_short(0xA7D0,0xA612,0xA454,0xA596,0xA0D8,0xA11A,0xA35C,0xA29E);
1313         &data_short(0xB5E0,0xB422,0xB664,0xB7A6,0xB2E8,0xB32A,0xB16C,0xB0AE);
1314         &data_short(0xBBF0,0xBA32,0xB874,0xB9B6,0xBCF8,0xBD3A,0xBF7C,0xBEBE);
1315 }}      # $sse2
1316
1317 &set_label("rem_4bit",64);
1318         &data_word(0,0x0000<<$S,0,0x1C20<<$S,0,0x3840<<$S,0,0x2460<<$S);
1319         &data_word(0,0x7080<<$S,0,0x6CA0<<$S,0,0x48C0<<$S,0,0x54E0<<$S);
1320         &data_word(0,0xE100<<$S,0,0xFD20<<$S,0,0xD940<<$S,0,0xC560<<$S);
1321         &data_word(0,0x9180<<$S,0,0x8DA0<<$S,0,0xA9C0<<$S,0,0xB5E0<<$S);
1322 }}}     # !$x86only
1323
1324 &asciz("GHASH for x86, CRYPTOGAMS by <appro\@openssl.org>");
1325 &asm_finish();
1326
1327 # A question was risen about choice of vanilla MMX. Or rather why wasn't
1328 # SSE2 chosen instead? In addition to the fact that MMX runs on legacy
1329 # CPUs such as PIII, "4-bit" MMX version was observed to provide better
1330 # performance than *corresponding* SSE2 one even on contemporary CPUs.
1331 # SSE2 results were provided by Peter-Michael Hager. He maintains SSE2
1332 # implementation featuring full range of lookup-table sizes, but with
1333 # per-invocation lookup table setup. Latter means that table size is
1334 # chosen depending on how much data is to be hashed in every given call,
1335 # more data - larger table. Best reported result for Core2 is ~4 cycles
1336 # per processed byte out of 64KB block. This number accounts even for
1337 # 64KB table setup overhead. As discussed in gcm128.c we choose to be
1338 # more conservative in respect to lookup table sizes, but how do the
1339 # results compare? Minimalistic "256B" MMX version delivers ~11 cycles
1340 # on same platform. As also discussed in gcm128.c, next in line "8-bit
1341 # Shoup's" or "4KB" method should deliver twice the performance of
1342 # "256B" one, in other words not worse than ~6 cycles per byte. It
1343 # should be also be noted that in SSE2 case improvement can be "super-
1344 # linear," i.e. more than twice, mostly because >>8 maps to single
1345 # instruction on SSE2 register. This is unlike "4-bit" case when >>4
1346 # maps to same amount of instructions in both MMX and SSE2 cases.
1347 # Bottom line is that switch to SSE2 is considered to be justifiable
1348 # only in case we choose to implement "8-bit" method...