crypto/rc4/asm/rc4-586.pl

   1 #!/usr/bin/env perl
   2
   3 # ====================================================================
   4 # [Re]written by Andy Polyakov <appro@fy.chalmers.se> 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 # At some point it became apparent that the original SSLeay RC4
  11 # assembler implementation performs suboptimally on latest IA-32
  12 # microarchitectures. After re-tuning performance has changed as
  13 # following:
  14 #
  15 # Pentium       -10%
  16 # Pentium III   +12%
  17 # AMD           +50%(*)
  18 # P4            +250%(**)
  19 #
  20 # (*)   This number is actually a trade-off:-) It's possible to
  21 #       achieve +72%, but at the cost of -48% off PIII performance.
  22 #       In other words code performing further 13% faster on AMD
  23 #       would perform almost 2 times slower on Intel PIII...
  24 #       For reference! This code delivers ~80% of rc4-amd64.pl
  25 #       performance on the same Opteron machine.
  26 # (**)  This number requires compressed key schedule set up by
  27 #       RC4_set_key [see commentary below for further details].
  28 #
  29 #                                       <appro@fy.chalmers.se>
  30
  31 # May 2011
  32 #
  33 # Optimize for Core2 and Westmere [and Opteron]. Current performance
  34 # in cycles per processed byte (less is better) is:
  35 #
  36 # Pentium       10.2                    # original numbers
  37 # Pentium III   7.8(*)
  38 # Intel P4      7.5
  39 #
  40 # Opteron       6.4/+14%                # new MMX numbers
  41 # Core2         5.8/+50%(**)
  42 # Westmere      5.5/+80%(**)
  43 # Sandy Bridge  5.4/0%
  44 #
  45 # (*)   PIII can actually deliver 6.6 cycles per byte with MMX code,
  46 #       but this specific code performs poorly on Core2. While below
  47 #       MMX code delivering 5.8 on Core2 performs at 8.0 on PIII:-(
  48 #       As PIII is not a "hot" CPU [anymore], I chose not to introduce
  49 #       PIII-specific code path, which is why MMX code path is quarded
  50 #       by SSE2 bit (see below), not MMX.
  51 # (**)  Performance vs. block size on Core2 and Westmere had a maximum
  52 #       at ... 64 bytes block size. And it was quite a maximum, 40-60%
  53 #       in comparison to largest 8KB block size. Above improvement
  54 #       coefficients are for the largest block size.
  55
  56 $0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
  57 push(@INC,"${dir}","${dir}../../perlasm");
  58 require "x86asm.pl";
  59
  60 &asm_init($ARGV[0],"rc4-586.pl");
  61
  62 $xx="eax";
  63 $yy="ebx";
  64 $tx="ecx";
  65 $ty="edx";
  66 $inp="esi";
  67 $out="ebp";
  68 $dat="edi";
  69
  70 sub RC4_loop {
  71   my $i=shift;
  72   my $func = ($i==0)?*mov:*or;
  73
  74         &add    (&LB($yy),&LB($tx));
  75         &mov    ($ty,&DWP(0,$dat,$yy,4));
  76         &mov    (&DWP(0,$dat,$yy,4),$tx);
  77         &mov    (&DWP(0,$dat,$xx,4),$ty);
  78         &add    ($ty,$tx);
  79         &inc    (&LB($xx));
  80         &and    ($ty,0xff);
  81         &ror    ($out,8)        if ($i!=0);
  82         if ($i<3) {
  83           &mov  ($tx,&DWP(0,$dat,$xx,4));
  84         } else {
  85           &mov  ($tx,&wparam(3));       # reload [re-biased] out
  86         }
  87         &$func  ($out,&DWP(0,$dat,$ty,4));
  88 }
  89
  90 if ($alt=0) {
  91   # works ~5% faster on Atom and ~20% slower on Core2
  92   my @XX=($xx,$out);
  93   $RC4_loop_mmx = sub {
  94     my $i=shift;
  95
  96         &add    ($yy,$tx);
  97         &movz   ($yy,&LB($yy));
  98         &lea    (@XX[1],&DWP(1,@XX[0]));
  99         &psllq  ("mm1",8*(($i-1)&7))                    if (abs($i)!=1);
 100         &and    (@XX[1],0xff);
 101         &mov    ($ty,&DWP(0,$dat,$yy,4));
 102         &mov    (&DWP(0,$dat,$yy,4),$tx);
 103         &mov    (&DWP(0,$dat,$XX[0],4),$ty);
 104         &add    ($ty,$tx);
 105         &movd   (@XX[0],"mm7")                          if ($i==0);
 106         &movz   ($ty,&LB($ty));
 107         &mov    ($tx,&DWP(0,$dat,@XX[1],4));
 108         &pxor   ("mm2",$i==1?"mm0":"mm1")               if ($i>=0);
 109         &movq   ("mm0",&QWP(0,$inp))                    if ($i<=0);
 110         &movq   (&QWP(-8,(@XX[0],$inp)),"mm2")          if ($i==0);
 111         &movd   ($i>0?"mm1":"mm2",&DWP(0,$dat,$ty,4));
 112
 113         push    (@XX,shift(@XX))                        if ($i>=0);
 114   }
 115 } else {
 116   $RC4_loop_mmx = sub {
 117     my $i=shift;
 118
 119         &add    ($yy,$tx);
 120         &movz   ($yy,&LB($yy));                         # (*)
 121         &psllq  ("mm1",8*(($i-1)&7))                    if (abs($i)!=1);
 122         &mov    ($ty,&DWP(0,$dat,$yy,4));
 123         &mov    (&DWP(0,$dat,$yy,4),$tx);
 124         &mov    (&DWP(0,$dat,$xx,4),$ty);
 125         &inc    ($xx);
 126         &add    ($ty,$tx);
 127         &movz   ($xx,&LB($xx));                         # (*)
 128         &movz   ($ty,&LB($ty));                         # (*)
 129         &pxor   ("mm2",$i==1?"mm0":"mm1")               if ($i>=0);
 130         &movq   ("mm0",&QWP(0,$inp))                    if ($i<=0);
 131         &movq   (&QWP(-8,($out,$inp)),"mm2")            if ($i==0);
 132         &mov    ($tx,&DWP(0,$dat,$xx,4));
 133         &movd   ($i>0?"mm1":"mm2",&DWP(0,$dat,$ty,4));
 134
 135         # (*)   This is the key to Core2 and Westmere performance.
 136         #       Whithout movz out-of-order execution logic confuses
 137         #       itself and fails to reorder loads and stores. Problem
 138         #       appears to be fixed in Sandy Bridge...
 139   }
 140 }
 141
 142 &external_label("OPENSSL_ia32cap_P");
 143
 144 # void RC4(RC4_KEY *key,size_t len,const unsigned char *inp,unsigned char *out);
 145 &function_begin("RC4");
 146         &mov    ($dat,&wparam(0));      # load key schedule pointer
 147         &mov    ($ty, &wparam(1));      # load len
 148         &mov    ($inp,&wparam(2));      # load inp
 149         &mov    ($out,&wparam(3));      # load out
 150
 151         &xor    ($xx,$xx);              # avoid partial register stalls
 152         &xor    ($yy,$yy);
 153
 154         &cmp    ($ty,0);                # safety net
 155         &je     (&label("abort"));
 156
 157         &mov    (&LB($xx),&BP(0,$dat)); # load key->x
 158         &mov    (&LB($yy),&BP(4,$dat)); # load key->y
 159         &add    ($dat,8);
 160
 161         &lea    ($tx,&DWP(0,$inp,$ty));
 162         &sub    ($out,$inp);            # re-bias out
 163         &mov    (&wparam(1),$tx);       # save input+len
 164
 165         &inc    (&LB($xx));
 166
 167         # detect compressed key schedule...
 168         &cmp    (&DWP(256,$dat),-1);
 169         &je     (&label("RC4_CHAR"));
 170
 171         &mov    ($tx,&DWP(0,$dat,$xx,4));
 172
 173         &and    ($ty,-4);               # how many 4-byte chunks?
 174         &jz     (&label("loop1"));
 175
 176         &test   ($ty,-8);
 177         &mov    (&wparam(3),$out);      # $out as accumulator in these loops
 178         &jz     (&label("go4loop4"));
 179
 180         &picmeup($out,"OPENSSL_ia32cap_P");
 181         &bt     (&DWP(0,$out),26);      # check SSE2 bit [could have been MMX]
 182         &jnc    (&label("go4loop4"));
 183
 184         &mov    ($out,&wparam(3))       if (!$alt);
 185         &movd   ("mm7",&wparam(3))      if ($alt);
 186         &and    ($ty,-8);
 187         &lea    ($ty,&DWP(-8,$inp,$ty));
 188         &mov    (&wparam(2),$ty);
 189
 190         &mov    (&DWP(-4,$dat),$ty);    # save input+(len/8)*8-8
 191
 192         &$RC4_loop_mmx(-1);
 193         &jmp(&label("loop_mmx_enter"));
 194
 195         &set_label("loop_mmx",16);
 196                 &$RC4_loop_mmx(0);
 197         &set_label("loop_mmx_enter");
 198                 for     ($i=1;$i<8;$i++) { &$RC4_loop_mmx($i); }
 199                 &cmp    ($inp,&DWP(-4,$dat));
 200                 &lea    ($inp,&DWP(8,$inp));
 201         &jb     (&label("loop_mmx"));
 202
 203         &movd   ($out,"mm7")            if ($alt);
 204         &psllq  ("mm1",56);
 205         &pxor   ("mm2","mm1");
 206         &movq   (&QWP(-8,$out,$inp),"mm2");
 207         &emms   ();
 208
 209         &cmp    ($inp,&wparam(1));      # compare to input+len
 210         &je     (&label("done"));
 211         &jmp    (&label("loop1"));
 212
 213 &set_label("go4loop4",16);
 214         &lea    ($ty,&DWP(-4,$inp,$ty));
 215         &mov    (&wparam(2),$ty);       # save input+(len/4)*4-4
 216
 217         &set_label("loop4");
 218                 for ($i=0;$i<4;$i++) { RC4_loop($i); }
 219                 &ror    ($out,8);
 220                 &xor    ($out,&DWP(0,$inp));
 221                 &cmp    ($inp,&wparam(2));      # compare to input+(len/4)*4-4
 222                 &mov    (&DWP(0,$tx,$inp),$out);# $tx holds re-biased out here
 223                 &lea    ($inp,&DWP(4,$inp));
 224                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 225         &jb     (&label("loop4"));
 226
 227         &cmp    ($inp,&wparam(1));      # compare to input+len
 228         &je     (&label("done"));
 229         &mov    ($out,&wparam(3));      # restore $out
 230
 231         &set_label("loop1",16);
 232                 &add    (&LB($yy),&LB($tx));
 233                 &mov    ($ty,&DWP(0,$dat,$yy,4));
 234                 &mov    (&DWP(0,$dat,$yy,4),$tx);
 235                 &mov    (&DWP(0,$dat,$xx,4),$ty);
 236                 &add    ($ty,$tx);
 237                 &inc    (&LB($xx));
 238                 &and    ($ty,0xff);
 239                 &mov    ($ty,&DWP(0,$dat,$ty,4));
 240                 &xor    (&LB($ty),&BP(0,$inp));
 241                 &lea    ($inp,&DWP(1,$inp));
 242                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 243                 &cmp    ($inp,&wparam(1));      # compare to input+len
 244                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 245         &jb     (&label("loop1"));
 246
 247         &jmp    (&label("done"));
 248
 249 # this is essentially Intel P4 specific codepath...
 250 &set_label("RC4_CHAR",16);
 251         &movz   ($tx,&BP(0,$dat,$xx));
 252         # strangely enough unrolled loop performs over 20% slower...
 253         &set_label("cloop1");
 254                 &add    (&LB($yy),&LB($tx));
 255                 &movz   ($ty,&BP(0,$dat,$yy));
 256                 &mov    (&BP(0,$dat,$yy),&LB($tx));
 257                 &mov    (&BP(0,$dat,$xx),&LB($ty));
 258                 &add    (&LB($ty),&LB($tx));
 259                 &movz   ($ty,&BP(0,$dat,$ty));
 260                 &add    (&LB($xx),1);
 261                 &xor    (&LB($ty),&BP(0,$inp));
 262                 &lea    ($inp,&DWP(1,$inp));
 263                 &movz   ($tx,&BP(0,$dat,$xx));
 264                 &cmp    ($inp,&wparam(1));
 265                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 266         &jb     (&label("cloop1"));
 267
 268 &set_label("done");
 269         &dec    (&LB($xx));
 270         &mov    (&BP(-4,$dat),&LB($yy));        # save key->y
 271         &mov    (&BP(-8,$dat),&LB($xx));        # save key->x
 272 &set_label("abort");
 273 &function_end("RC4");
 274
 275 ########################################################################
 276
 277 $inp="esi";
 278 $out="edi";
 279 $idi="ebp";
 280 $ido="ecx";
 281 $idx="edx";
 282
 283 # void RC4_set_key(RC4_KEY *key,int len,const unsigned char *data);
 284 &function_begin("RC4_set_key");
 285         &mov    ($out,&wparam(0));              # load key
 286         &mov    ($idi,&wparam(1));              # load len
 287         &mov    ($inp,&wparam(2));              # load data
 288         &picmeup($idx,"OPENSSL_ia32cap_P");
 289
 290         &lea    ($out,&DWP(2*4,$out));          # &key->data
 291         &lea    ($inp,&DWP(0,$inp,$idi));       # $inp to point at the end
 292         &neg    ($idi);
 293         &xor    ("eax","eax");
 294         &mov    (&DWP(-4,$out),$idi);           # borrow key->y
 295
 296         &bt     (&DWP(0,$idx),20);              # check for bit#20
 297         &jc     (&label("c1stloop"));
 298
 299 &set_label("w1stloop",16);
 300         &mov    (&DWP(0,$out,"eax",4),"eax");   # key->data[i]=i;
 301         &add    (&LB("eax"),1);                 # i++;
 302         &jnc    (&label("w1stloop"));
 303
 304         &xor    ($ido,$ido);
 305         &xor    ($idx,$idx);
 306
 307 &set_label("w2ndloop",16);
 308         &mov    ("eax",&DWP(0,$out,$ido,4));
 309         &add    (&LB($idx),&BP(0,$inp,$idi));
 310         &add    (&LB($idx),&LB("eax"));
 311         &add    ($idi,1);
 312         &mov    ("ebx",&DWP(0,$out,$idx,4));
 313         &jnz    (&label("wnowrap"));
 314           &mov  ($idi,&DWP(-4,$out));
 315         &set_label("wnowrap");
 316         &mov    (&DWP(0,$out,$idx,4),"eax");
 317         &mov    (&DWP(0,$out,$ido,4),"ebx");
 318         &add    (&LB($ido),1);
 319         &jnc    (&label("w2ndloop"));
 320 &jmp    (&label("exit"));
 321
 322 # Unlike all other x86 [and x86_64] implementations, Intel P4 core
 323 # [including EM64T] was found to perform poorly with above "32-bit" key
 324 # schedule, a.k.a. RC4_INT. Performance improvement for IA-32 hand-coded
 325 # assembler turned out to be 3.5x if re-coded for compressed 8-bit one,
 326 # a.k.a. RC4_CHAR! It's however inappropriate to just switch to 8-bit
 327 # schedule for x86[_64], because non-P4 implementations suffer from
 328 # significant performance losses then, e.g. PIII exhibits >2x
 329 # deterioration, and so does Opteron. In order to assure optimal
 330 # all-round performance, we detect P4 at run-time and set up compressed
 331 # key schedule, which is recognized by RC4 procedure.
 332
 333 &set_label("c1stloop",16);
 334         &mov    (&BP(0,$out,"eax"),&LB("eax")); # key->data[i]=i;
 335         &add    (&LB("eax"),1);                 # i++;
 336         &jnc    (&label("c1stloop"));
 337
 338         &xor    ($ido,$ido);
 339         &xor    ($idx,$idx);
 340         &xor    ("ebx","ebx");
 341
 342 &set_label("c2ndloop",16);
 343         &mov    (&LB("eax"),&BP(0,$out,$ido));
 344         &add    (&LB($idx),&BP(0,$inp,$idi));
 345         &add    (&LB($idx),&LB("eax"));
 346         &add    ($idi,1);
 347         &mov    (&LB("ebx"),&BP(0,$out,$idx));
 348         &jnz    (&label("cnowrap"));
 349           &mov  ($idi,&DWP(-4,$out));
 350         &set_label("cnowrap");
 351         &mov    (&BP(0,$out,$idx),&LB("eax"));
 352         &mov    (&BP(0,$out,$ido),&LB("ebx"));
 353         &add    (&LB($ido),1);
 354         &jnc    (&label("c2ndloop"));
 355
 356         &mov    (&DWP(256,$out),-1);            # mark schedule as compressed
 357
 358 &set_label("exit");
 359         &xor    ("eax","eax");
 360         &mov    (&DWP(-8,$out),"eax");          # key->x=0;
 361         &mov    (&DWP(-4,$out),"eax");          # key->y=0;
 362 &function_end("RC4_set_key");
 363
 364 # const char *RC4_options(void);
 365 &function_begin_B("RC4_options");
 366         &call   (&label("pic_point"));
 367 &set_label("pic_point");
 368         &blindpop("eax");
 369         &lea    ("eax",&DWP(&label("opts")."-".&label("pic_point"),"eax"));
 370         &picmeup("edx","OPENSSL_ia32cap_P");
 371         &mov    ("edx",&DWP(0,"edx"));
 372         &bt     ("edx",20);
 373         &jc     (&label("1xchar"));
 374         &bt     ("edx",26);
 375         &jnc    (&label("ret"));
 376         &add    ("eax",25);
 377         &ret    ();
 378 &set_label("1xchar");
 379         &add    ("eax",12);
 380 &set_label("ret");
 381         &ret    ();
 382 &set_label("opts",64);
 383 &asciz  ("rc4(4x,int)");
 384 &asciz  ("rc4(1x,char)");
 385 &asciz  ("rc4(8x,mmx)");
 386 &asciz  ("RC4 for x86, CRYPTOGAMS by <appro\@openssl.org>");
 387 &align  (64);
 388 &function_end_B("RC4_options");
 389
 390 &asm_finish();
 391