x86[_64] assembly pack: update benchmark results.
[openssl.git] / 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 incidentally Opteron]. Current
34 # performance in cycles per processed byte (less is better) and
35 # improvement relative to previous version of this module is:
36 #
37 # Pentium       10.2                    # original numbers
38 # Pentium III   7.8(*)
39 # Intel P4      7.5
40 #
41 # Opteron       6.1/+20%                # new MMX numbers
42 # Core2         5.3/+67%(**)
43 # Westmere      5.1/+94%(**)
44 # Sandy Bridge  5.0/+8%
45 # Atom          12.6/+6%
46 # VIA Nano      6.4/+9%
47 # Ivy Bridge    4.9/±0%
48 # Bulldozer     4.9/+15%
49 #
50 # (*)   PIII can actually deliver 6.6 cycles per byte with MMX code,
51 #       but this specific code performs poorly on Core2. And vice
52 #       versa, below MMX/SSE code delivering 5.8/7.1 on Core2 performs
53 #       poorly on PIII, at 8.0/14.5:-( As PIII is not a "hot" CPU
54 #       [anymore], I chose to discard PIII-specific code path and opt
55 #       for original IALU-only code, which is why MMX/SSE code path
56 #       is guarded by SSE2 bit (see below), not MMX/SSE.
57 # (**)  Performance vs. block size on Core2 and Westmere had a maximum
58 #       at ... 64 bytes block size. And it was quite a maximum, 40-60%
59 #       in comparison to largest 8KB block size. Above improvement
60 #       coefficients are for the largest block size.
61
62 $0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
63 push(@INC,"${dir}","${dir}../../perlasm");
64 require "x86asm.pl";
65
66 &asm_init($ARGV[0],"rc4-586.pl");
67
68 $xx="eax";
69 $yy="ebx";
70 $tx="ecx";
71 $ty="edx";
72 $inp="esi";
73 $out="ebp";
74 $dat="edi";
75
76 sub RC4_loop {
77   my $i=shift;
78   my $func = ($i==0)?*mov:*or;
79
80         &add    (&LB($yy),&LB($tx));
81         &mov    ($ty,&DWP(0,$dat,$yy,4));
82         &mov    (&DWP(0,$dat,$yy,4),$tx);
83         &mov    (&DWP(0,$dat,$xx,4),$ty);
84         &add    ($ty,$tx);
85         &inc    (&LB($xx));
86         &and    ($ty,0xff);
87         &ror    ($out,8)        if ($i!=0);
88         if ($i<3) {
89           &mov  ($tx,&DWP(0,$dat,$xx,4));
90         } else {
91           &mov  ($tx,&wparam(3));       # reload [re-biased] out
92         }
93         &$func  ($out,&DWP(0,$dat,$ty,4));
94 }
95
96 if ($alt=0) {
97   # >20% faster on Atom and Sandy Bridge[!], 8% faster on Opteron,
98   # but ~40% slower on Core2 and Westmere... Attempt to add movz
99   # brings down Opteron by 25%, Atom and Sandy Bridge by 15%, yet
100   # on Core2 with movz it's almost 20% slower than below alternative
101   # code... Yes, it's a total mess...
102   my @XX=($xx,$out);
103   $RC4_loop_mmx = sub {         # SSE actually...
104     my $i=shift;
105     my $j=$i<=0?0:$i>>1;
106     my $mm=$i<=0?"mm0":"mm".($i&1);
107
108         &add    (&LB($yy),&LB($tx));
109         &lea    (@XX[1],&DWP(1,@XX[0]));
110         &pxor   ("mm2","mm0")                           if ($i==0);
111         &psllq  ("mm1",8)                               if ($i==0);
112         &and    (@XX[1],0xff);
113         &pxor   ("mm0","mm0")                           if ($i<=0);
114         &mov    ($ty,&DWP(0,$dat,$yy,4));
115         &mov    (&DWP(0,$dat,$yy,4),$tx);
116         &pxor   ("mm1","mm2")                           if ($i==0);
117         &mov    (&DWP(0,$dat,$XX[0],4),$ty);
118         &add    (&LB($ty),&LB($tx));
119         &movd   (@XX[0],"mm7")                          if ($i==0);
120         &mov    ($tx,&DWP(0,$dat,@XX[1],4));
121         &pxor   ("mm1","mm1")                           if ($i==1);
122         &movq   ("mm2",&QWP(0,$inp))                    if ($i==1);
123         &movq   (&QWP(-8,(@XX[0],$inp)),"mm1")          if ($i==0);
124         &pinsrw ($mm,&DWP(0,$dat,$ty,4),$j);
125
126         push    (@XX,shift(@XX))                        if ($i>=0);
127   }
128 } else {
129   # Using pinsrw here improves performane on Intel CPUs by 2-3%, but
130   # brings down AMD by 7%...
131   $RC4_loop_mmx = sub {
132     my $i=shift;
133
134         &add    (&LB($yy),&LB($tx));
135         &psllq  ("mm1",8*(($i-1)&7))                    if (abs($i)!=1);
136         &mov    ($ty,&DWP(0,$dat,$yy,4));
137         &mov    (&DWP(0,$dat,$yy,4),$tx);
138         &mov    (&DWP(0,$dat,$xx,4),$ty);
139         &inc    ($xx);
140         &add    ($ty,$tx);
141         &movz   ($xx,&LB($xx));                         # (*)
142         &movz   ($ty,&LB($ty));                         # (*)
143         &pxor   ("mm2",$i==1?"mm0":"mm1")               if ($i>=0);
144         &movq   ("mm0",&QWP(0,$inp))                    if ($i<=0);
145         &movq   (&QWP(-8,($out,$inp)),"mm2")            if ($i==0);
146         &mov    ($tx,&DWP(0,$dat,$xx,4));
147         &movd   ($i>0?"mm1":"mm2",&DWP(0,$dat,$ty,4));
148
149         # (*)   This is the key to Core2 and Westmere performance.
150         #       Whithout movz out-of-order execution logic confuses
151         #       itself and fails to reorder loads and stores. Problem
152         #       appears to be fixed in Sandy Bridge...
153   }
154 }
155
156 &external_label("OPENSSL_ia32cap_P");
157
158 # void RC4(RC4_KEY *key,size_t len,const unsigned char *inp,unsigned char *out);
159 &function_begin("RC4");
160         &mov    ($dat,&wparam(0));      # load key schedule pointer
161         &mov    ($ty, &wparam(1));      # load len
162         &mov    ($inp,&wparam(2));      # load inp
163         &mov    ($out,&wparam(3));      # load out
164
165         &xor    ($xx,$xx);              # avoid partial register stalls
166         &xor    ($yy,$yy);
167
168         &cmp    ($ty,0);                # safety net
169         &je     (&label("abort"));
170
171         &mov    (&LB($xx),&BP(0,$dat)); # load key->x
172         &mov    (&LB($yy),&BP(4,$dat)); # load key->y
173         &add    ($dat,8);
174
175         &lea    ($tx,&DWP(0,$inp,$ty));
176         &sub    ($out,$inp);            # re-bias out
177         &mov    (&wparam(1),$tx);       # save input+len
178
179         &inc    (&LB($xx));
180
181         # detect compressed key schedule...
182         &cmp    (&DWP(256,$dat),-1);
183         &je     (&label("RC4_CHAR"));
184
185         &mov    ($tx,&DWP(0,$dat,$xx,4));
186
187         &and    ($ty,-4);               # how many 4-byte chunks?
188         &jz     (&label("loop1"));
189
190         &test   ($ty,-8);
191         &mov    (&wparam(3),$out);      # $out as accumulator in these loops
192         &jz     (&label("go4loop4"));
193
194         &picmeup($out,"OPENSSL_ia32cap_P");
195         &bt     (&DWP(0,$out),26);      # check SSE2 bit [could have been MMX]
196         &jnc    (&label("go4loop4"));
197
198         &mov    ($out,&wparam(3))       if (!$alt);
199         &movd   ("mm7",&wparam(3))      if ($alt);
200         &and    ($ty,-8);
201         &lea    ($ty,&DWP(-8,$inp,$ty));
202         &mov    (&DWP(-4,$dat),$ty);    # save input+(len/8)*8-8
203
204         &$RC4_loop_mmx(-1);
205         &jmp(&label("loop_mmx_enter"));
206
207         &set_label("loop_mmx",16);
208                 &$RC4_loop_mmx(0);
209         &set_label("loop_mmx_enter");
210                 for     ($i=1;$i<8;$i++) { &$RC4_loop_mmx($i); }
211                 &mov    ($ty,$yy);
212                 &xor    ($yy,$yy);              # this is second key to Core2
213                 &mov    (&LB($yy),&LB($ty));    # and Westmere performance...
214                 &cmp    ($inp,&DWP(-4,$dat));
215                 &lea    ($inp,&DWP(8,$inp));
216         &jb     (&label("loop_mmx"));
217
218     if ($alt) {
219         &movd   ($out,"mm7");
220         &pxor   ("mm2","mm0");
221         &psllq  ("mm1",8);
222         &pxor   ("mm1","mm2");
223         &movq   (&QWP(-8,$out,$inp),"mm1");
224     } else {
225         &psllq  ("mm1",56);
226         &pxor   ("mm2","mm1");
227         &movq   (&QWP(-8,$out,$inp),"mm2");
228     }
229         &emms   ();
230
231         &cmp    ($inp,&wparam(1));      # compare to input+len
232         &je     (&label("done"));
233         &jmp    (&label("loop1"));
234
235 &set_label("go4loop4",16);
236         &lea    ($ty,&DWP(-4,$inp,$ty));
237         &mov    (&wparam(2),$ty);       # save input+(len/4)*4-4
238
239         &set_label("loop4");
240                 for ($i=0;$i<4;$i++) { RC4_loop($i); }
241                 &ror    ($out,8);
242                 &xor    ($out,&DWP(0,$inp));
243                 &cmp    ($inp,&wparam(2));      # compare to input+(len/4)*4-4
244                 &mov    (&DWP(0,$tx,$inp),$out);# $tx holds re-biased out here
245                 &lea    ($inp,&DWP(4,$inp));
246                 &mov    ($tx,&DWP(0,$dat,$xx,4));
247         &jb     (&label("loop4"));
248
249         &cmp    ($inp,&wparam(1));      # compare to input+len
250         &je     (&label("done"));
251         &mov    ($out,&wparam(3));      # restore $out
252
253         &set_label("loop1",16);
254                 &add    (&LB($yy),&LB($tx));
255                 &mov    ($ty,&DWP(0,$dat,$yy,4));
256                 &mov    (&DWP(0,$dat,$yy,4),$tx);
257                 &mov    (&DWP(0,$dat,$xx,4),$ty);
258                 &add    ($ty,$tx);
259                 &inc    (&LB($xx));
260                 &and    ($ty,0xff);
261                 &mov    ($ty,&DWP(0,$dat,$ty,4));
262                 &xor    (&LB($ty),&BP(0,$inp));
263                 &lea    ($inp,&DWP(1,$inp));
264                 &mov    ($tx,&DWP(0,$dat,$xx,4));
265                 &cmp    ($inp,&wparam(1));      # compare to input+len
266                 &mov    (&BP(-1,$out,$inp),&LB($ty));
267         &jb     (&label("loop1"));
268
269         &jmp    (&label("done"));
270
271 # this is essentially Intel P4 specific codepath...
272 &set_label("RC4_CHAR",16);
273         &movz   ($tx,&BP(0,$dat,$xx));
274         # strangely enough unrolled loop performs over 20% slower...
275         &set_label("cloop1");
276                 &add    (&LB($yy),&LB($tx));
277                 &movz   ($ty,&BP(0,$dat,$yy));
278                 &mov    (&BP(0,$dat,$yy),&LB($tx));
279                 &mov    (&BP(0,$dat,$xx),&LB($ty));
280                 &add    (&LB($ty),&LB($tx));
281                 &movz   ($ty,&BP(0,$dat,$ty));
282                 &add    (&LB($xx),1);
283                 &xor    (&LB($ty),&BP(0,$inp));
284                 &lea    ($inp,&DWP(1,$inp));
285                 &movz   ($tx,&BP(0,$dat,$xx));
286                 &cmp    ($inp,&wparam(1));
287                 &mov    (&BP(-1,$out,$inp),&LB($ty));
288         &jb     (&label("cloop1"));
289
290 &set_label("done");
291         &dec    (&LB($xx));
292         &mov    (&DWP(-4,$dat),$yy);            # save key->y
293         &mov    (&BP(-8,$dat),&LB($xx));        # save key->x
294 &set_label("abort");
295 &function_end("RC4");
296
297 ########################################################################
298
299 $inp="esi";
300 $out="edi";
301 $idi="ebp";
302 $ido="ecx";
303 $idx="edx";
304
305 # void RC4_set_key(RC4_KEY *key,int len,const unsigned char *data);
306 &function_begin("RC4_set_key");
307         &mov    ($out,&wparam(0));              # load key
308         &mov    ($idi,&wparam(1));              # load len
309         &mov    ($inp,&wparam(2));              # load data
310         &picmeup($idx,"OPENSSL_ia32cap_P");
311
312         &lea    ($out,&DWP(2*4,$out));          # &key->data
313         &lea    ($inp,&DWP(0,$inp,$idi));       # $inp to point at the end
314         &neg    ($idi);
315         &xor    ("eax","eax");
316         &mov    (&DWP(-4,$out),$idi);           # borrow key->y
317
318         &bt     (&DWP(0,$idx),20);              # check for bit#20
319         &jc     (&label("c1stloop"));
320
321 &set_label("w1stloop",16);
322         &mov    (&DWP(0,$out,"eax",4),"eax");   # key->data[i]=i;
323         &add    (&LB("eax"),1);                 # i++;
324         &jnc    (&label("w1stloop"));
325
326         &xor    ($ido,$ido);
327         &xor    ($idx,$idx);
328
329 &set_label("w2ndloop",16);
330         &mov    ("eax",&DWP(0,$out,$ido,4));
331         &add    (&LB($idx),&BP(0,$inp,$idi));
332         &add    (&LB($idx),&LB("eax"));
333         &add    ($idi,1);
334         &mov    ("ebx",&DWP(0,$out,$idx,4));
335         &jnz    (&label("wnowrap"));
336           &mov  ($idi,&DWP(-4,$out));
337         &set_label("wnowrap");
338         &mov    (&DWP(0,$out,$idx,4),"eax");
339         &mov    (&DWP(0,$out,$ido,4),"ebx");
340         &add    (&LB($ido),1);
341         &jnc    (&label("w2ndloop"));
342 &jmp    (&label("exit"));
343
344 # Unlike all other x86 [and x86_64] implementations, Intel P4 core
345 # [including EM64T] was found to perform poorly with above "32-bit" key
346 # schedule, a.k.a. RC4_INT. Performance improvement for IA-32 hand-coded
347 # assembler turned out to be 3.5x if re-coded for compressed 8-bit one,
348 # a.k.a. RC4_CHAR! It's however inappropriate to just switch to 8-bit
349 # schedule for x86[_64], because non-P4 implementations suffer from
350 # significant performance losses then, e.g. PIII exhibits >2x
351 # deterioration, and so does Opteron. In order to assure optimal
352 # all-round performance, we detect P4 at run-time and set up compressed
353 # key schedule, which is recognized by RC4 procedure.
354
355 &set_label("c1stloop",16);
356         &mov    (&BP(0,$out,"eax"),&LB("eax")); # key->data[i]=i;
357         &add    (&LB("eax"),1);                 # i++;
358         &jnc    (&label("c1stloop"));
359
360         &xor    ($ido,$ido);
361         &xor    ($idx,$idx);
362         &xor    ("ebx","ebx");
363
364 &set_label("c2ndloop",16);
365         &mov    (&LB("eax"),&BP(0,$out,$ido));
366         &add    (&LB($idx),&BP(0,$inp,$idi));
367         &add    (&LB($idx),&LB("eax"));
368         &add    ($idi,1);
369         &mov    (&LB("ebx"),&BP(0,$out,$idx));
370         &jnz    (&label("cnowrap"));
371           &mov  ($idi,&DWP(-4,$out));
372         &set_label("cnowrap");
373         &mov    (&BP(0,$out,$idx),&LB("eax"));
374         &mov    (&BP(0,$out,$ido),&LB("ebx"));
375         &add    (&LB($ido),1);
376         &jnc    (&label("c2ndloop"));
377
378         &mov    (&DWP(256,$out),-1);            # mark schedule as compressed
379
380 &set_label("exit");
381         &xor    ("eax","eax");
382         &mov    (&DWP(-8,$out),"eax");          # key->x=0;
383         &mov    (&DWP(-4,$out),"eax");          # key->y=0;
384 &function_end("RC4_set_key");
385
386 # const char *RC4_options(void);
387 &function_begin_B("RC4_options");
388         &call   (&label("pic_point"));
389 &set_label("pic_point");
390         &blindpop("eax");
391         &lea    ("eax",&DWP(&label("opts")."-".&label("pic_point"),"eax"));
392         &picmeup("edx","OPENSSL_ia32cap_P");
393         &mov    ("edx",&DWP(0,"edx"));
394         &bt     ("edx",20);
395         &jc     (&label("1xchar"));
396         &bt     ("edx",26);
397         &jnc    (&label("ret"));
398         &add    ("eax",25);
399         &ret    ();
400 &set_label("1xchar");
401         &add    ("eax",12);
402 &set_label("ret");
403         &ret    ();
404 &set_label("opts",64);
405 &asciz  ("rc4(4x,int)");
406 &asciz  ("rc4(1x,char)");
407 &asciz  ("rc4(8x,mmx)");
408 &asciz  ("RC4 for x86, CRYPTOGAMS by <appro\@openssl.org>");
409 &align  (64);
410 &function_end_B("RC4_options");
411
412 &asm_finish();
413