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