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 $output=pop;
  67 open STDOUT,">$output";
  68
  69 &asm_init($ARGV[0],"rc4-586.pl",$x86only = $ARGV[$#ARGV] eq "386");
  70
  71 $xx="eax";
  72 $yy="ebx";
  73 $tx="ecx";
  74 $ty="edx";
  75 $inp="esi";
  76 $out="ebp";
  77 $dat="edi";
  78
  79 sub RC4_loop {
  80   my $i=shift;
  81   my $func = ($i==0)?*mov:*or;
  82
  83         &add    (&LB($yy),&LB($tx));
  84         &mov    ($ty,&DWP(0,$dat,$yy,4));
  85         &mov    (&DWP(0,$dat,$yy,4),$tx);
  86         &mov    (&DWP(0,$dat,$xx,4),$ty);
  87         &add    ($ty,$tx);
  88         &inc    (&LB($xx));
  89         &and    ($ty,0xff);
  90         &ror    ($out,8)        if ($i!=0);
  91         if ($i<3) {
  92           &mov  ($tx,&DWP(0,$dat,$xx,4));
  93         } else {
  94           &mov  ($tx,&wparam(3));       # reload [re-biased] out
  95         }
  96         &$func  ($out,&DWP(0,$dat,$ty,4));
  97 }
  98
  99 if ($alt=0) {
 100   # >20% faster on Atom and Sandy Bridge[!], 8% faster on Opteron,
 101   # but ~40% slower on Core2 and Westmere... Attempt to add movz
 102   # brings down Opteron by 25%, Atom and Sandy Bridge by 15%, yet
 103   # on Core2 with movz it's almost 20% slower than below alternative
 104   # code... Yes, it's a total mess...
 105   my @XX=($xx,$out);
 106   $RC4_loop_mmx = sub {         # SSE actually...
 107     my $i=shift;
 108     my $j=$i<=0?0:$i>>1;
 109     my $mm=$i<=0?"mm0":"mm".($i&1);
 110
 111         &add    (&LB($yy),&LB($tx));
 112         &lea    (@XX[1],&DWP(1,@XX[0]));
 113         &pxor   ("mm2","mm0")                           if ($i==0);
 114         &psllq  ("mm1",8)                               if ($i==0);
 115         &and    (@XX[1],0xff);
 116         &pxor   ("mm0","mm0")                           if ($i<=0);
 117         &mov    ($ty,&DWP(0,$dat,$yy,4));
 118         &mov    (&DWP(0,$dat,$yy,4),$tx);
 119         &pxor   ("mm1","mm2")                           if ($i==0);
 120         &mov    (&DWP(0,$dat,$XX[0],4),$ty);
 121         &add    (&LB($ty),&LB($tx));
 122         &movd   (@XX[0],"mm7")                          if ($i==0);
 123         &mov    ($tx,&DWP(0,$dat,@XX[1],4));
 124         &pxor   ("mm1","mm1")                           if ($i==1);
 125         &movq   ("mm2",&QWP(0,$inp))                    if ($i==1);
 126         &movq   (&QWP(-8,(@XX[0],$inp)),"mm1")          if ($i==0);
 127         &pinsrw ($mm,&DWP(0,$dat,$ty,4),$j);
 128
 129         push    (@XX,shift(@XX))                        if ($i>=0);
 130   }
 131 } else {
 132   # Using pinsrw here improves performane on Intel CPUs by 2-3%, but
 133   # brings down AMD by 7%...
 134   $RC4_loop_mmx = sub {
 135     my $i=shift;
 136
 137         &add    (&LB($yy),&LB($tx));
 138         &psllq  ("mm1",8*(($i-1)&7))                    if (abs($i)!=1);
 139         &mov    ($ty,&DWP(0,$dat,$yy,4));
 140         &mov    (&DWP(0,$dat,$yy,4),$tx);
 141         &mov    (&DWP(0,$dat,$xx,4),$ty);
 142         &inc    ($xx);
 143         &add    ($ty,$tx);
 144         &movz   ($xx,&LB($xx));                         # (*)
 145         &movz   ($ty,&LB($ty));                         # (*)
 146         &pxor   ("mm2",$i==1?"mm0":"mm1")               if ($i>=0);
 147         &movq   ("mm0",&QWP(0,$inp))                    if ($i<=0);
 148         &movq   (&QWP(-8,($out,$inp)),"mm2")            if ($i==0);
 149         &mov    ($tx,&DWP(0,$dat,$xx,4));
 150         &movd   ($i>0?"mm1":"mm2",&DWP(0,$dat,$ty,4));
 151
 152         # (*)   This is the key to Core2 and Westmere performance.
 153         #       Whithout movz out-of-order execution logic confuses
 154         #       itself and fails to reorder loads and stores. Problem
 155         #       appears to be fixed in Sandy Bridge...
 156   }
 157 }
 158
 159 &external_label("OPENSSL_ia32cap_P");
 160
 161 # void RC4(RC4_KEY *key,size_t len,const unsigned char *inp,unsigned char *out);
 162 &function_begin("RC4");
 163         &mov    ($dat,&wparam(0));      # load key schedule pointer
 164         &mov    ($ty, &wparam(1));      # load len
 165         &mov    ($inp,&wparam(2));      # load inp
 166         &mov    ($out,&wparam(3));      # load out
 167
 168         &xor    ($xx,$xx);              # avoid partial register stalls
 169         &xor    ($yy,$yy);
 170
 171         &cmp    ($ty,0);                # safety net
 172         &je     (&label("abort"));
 173
 174         &mov    (&LB($xx),&BP(0,$dat)); # load key->x
 175         &mov    (&LB($yy),&BP(4,$dat)); # load key->y
 176         &add    ($dat,8);
 177
 178         &lea    ($tx,&DWP(0,$inp,$ty));
 179         &sub    ($out,$inp);            # re-bias out
 180         &mov    (&wparam(1),$tx);       # save input+len
 181
 182         &inc    (&LB($xx));
 183
 184         # detect compressed key schedule...
 185         &cmp    (&DWP(256,$dat),-1);
 186         &je     (&label("RC4_CHAR"));
 187
 188         &mov    ($tx,&DWP(0,$dat,$xx,4));
 189
 190         &and    ($ty,-4);               # how many 4-byte chunks?
 191         &jz     (&label("loop1"));
 192
 193         &mov    (&wparam(3),$out);      # $out as accumulator in these loops
 194                                         if ($x86only) {
 195         &jmp    (&label("go4loop4"));
 196                                         } else {
 197         &test   ($ty,-8);
 198         &jz     (&label("go4loop4"));
 199
 200         &picmeup($out,"OPENSSL_ia32cap_P");
 201         &bt     (&DWP(0,$out),26);      # check SSE2 bit [could have been MMX]
 202         &jnc    (&label("go4loop4"));
 203
 204         &mov    ($out,&wparam(3))       if (!$alt);
 205         &movd   ("mm7",&wparam(3))      if ($alt);
 206         &and    ($ty,-8);
 207         &lea    ($ty,&DWP(-8,$inp,$ty));
 208         &mov    (&DWP(-4,$dat),$ty);    # save input+(len/8)*8-8
 209
 210         &$RC4_loop_mmx(-1);
 211         &jmp(&label("loop_mmx_enter"));
 212
 213         &set_label("loop_mmx",16);
 214                 &$RC4_loop_mmx(0);
 215         &set_label("loop_mmx_enter");
 216                 for     ($i=1;$i<8;$i++) { &$RC4_loop_mmx($i); }
 217                 &mov    ($ty,$yy);
 218                 &xor    ($yy,$yy);              # this is second key to Core2
 219                 &mov    (&LB($yy),&LB($ty));    # and Westmere performance...
 220                 &cmp    ($inp,&DWP(-4,$dat));
 221                 &lea    ($inp,&DWP(8,$inp));
 222         &jb     (&label("loop_mmx"));
 223
 224     if ($alt) {
 225         &movd   ($out,"mm7");
 226         &pxor   ("mm2","mm0");
 227         &psllq  ("mm1",8);
 228         &pxor   ("mm1","mm2");
 229         &movq   (&QWP(-8,$out,$inp),"mm1");
 230     } else {
 231         &psllq  ("mm1",56);
 232         &pxor   ("mm2","mm1");
 233         &movq   (&QWP(-8,$out,$inp),"mm2");
 234     }
 235         &emms   ();
 236
 237         &cmp    ($inp,&wparam(1));      # compare to input+len
 238         &je     (&label("done"));
 239         &jmp    (&label("loop1"));
 240                                         }
 241
 242 &set_label("go4loop4",16);
 243         &lea    ($ty,&DWP(-4,$inp,$ty));
 244         &mov    (&wparam(2),$ty);       # save input+(len/4)*4-4
 245
 246         &set_label("loop4");
 247                 for ($i=0;$i<4;$i++) { RC4_loop($i); }
 248                 &ror    ($out,8);
 249                 &xor    ($out,&DWP(0,$inp));
 250                 &cmp    ($inp,&wparam(2));      # compare to input+(len/4)*4-4
 251                 &mov    (&DWP(0,$tx,$inp),$out);# $tx holds re-biased out here
 252                 &lea    ($inp,&DWP(4,$inp));
 253                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 254         &jb     (&label("loop4"));
 255
 256         &cmp    ($inp,&wparam(1));      # compare to input+len
 257         &je     (&label("done"));
 258         &mov    ($out,&wparam(3));      # restore $out
 259
 260         &set_label("loop1",16);
 261                 &add    (&LB($yy),&LB($tx));
 262                 &mov    ($ty,&DWP(0,$dat,$yy,4));
 263                 &mov    (&DWP(0,$dat,$yy,4),$tx);
 264                 &mov    (&DWP(0,$dat,$xx,4),$ty);
 265                 &add    ($ty,$tx);
 266                 &inc    (&LB($xx));
 267                 &and    ($ty,0xff);
 268                 &mov    ($ty,&DWP(0,$dat,$ty,4));
 269                 &xor    (&LB($ty),&BP(0,$inp));
 270                 &lea    ($inp,&DWP(1,$inp));
 271                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 272                 &cmp    ($inp,&wparam(1));      # compare to input+len
 273                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 274         &jb     (&label("loop1"));
 275
 276         &jmp    (&label("done"));
 277
 278 # this is essentially Intel P4 specific codepath...
 279 &set_label("RC4_CHAR",16);
 280         &movz   ($tx,&BP(0,$dat,$xx));
 281         # strangely enough unrolled loop performs over 20% slower...
 282         &set_label("cloop1");
 283                 &add    (&LB($yy),&LB($tx));
 284                 &movz   ($ty,&BP(0,$dat,$yy));
 285                 &mov    (&BP(0,$dat,$yy),&LB($tx));
 286                 &mov    (&BP(0,$dat,$xx),&LB($ty));
 287                 &add    (&LB($ty),&LB($tx));
 288                 &movz   ($ty,&BP(0,$dat,$ty));
 289                 &add    (&LB($xx),1);
 290                 &xor    (&LB($ty),&BP(0,$inp));
 291                 &lea    ($inp,&DWP(1,$inp));
 292                 &movz   ($tx,&BP(0,$dat,$xx));
 293                 &cmp    ($inp,&wparam(1));
 294                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 295         &jb     (&label("cloop1"));
 296
 297 &set_label("done");
 298         &dec    (&LB($xx));
 299         &mov    (&DWP(-4,$dat),$yy);            # save key->y
 300         &mov    (&BP(-8,$dat),&LB($xx));        # save key->x
 301 &set_label("abort");
 302 &function_end("RC4");
 303
 304 ########################################################################
 305
 306 $inp="esi";
 307 $out="edi";
 308 $idi="ebp";
 309 $ido="ecx";
 310 $idx="edx";
 311
 312 # void RC4_set_key(RC4_KEY *key,int len,const unsigned char *data);
 313 &function_begin("RC4_set_key");
 314         &mov    ($out,&wparam(0));              # load key
 315         &mov    ($idi,&wparam(1));              # load len
 316         &mov    ($inp,&wparam(2));              # load data
 317         &picmeup($idx,"OPENSSL_ia32cap_P");
 318
 319         &lea    ($out,&DWP(2*4,$out));          # &key->data
 320         &lea    ($inp,&DWP(0,$inp,$idi));       # $inp to point at the end
 321         &neg    ($idi);
 322         &xor    ("eax","eax");
 323         &mov    (&DWP(-4,$out),$idi);           # borrow key->y
 324
 325         &bt     (&DWP(0,$idx),20);              # check for bit#20
 326         &jc     (&label("c1stloop"));
 327
 328 &set_label("w1stloop",16);
 329         &mov    (&DWP(0,$out,"eax",4),"eax");   # key->data[i]=i;
 330         &add    (&LB("eax"),1);                 # i++;
 331         &jnc    (&label("w1stloop"));
 332
 333         &xor    ($ido,$ido);
 334         &xor    ($idx,$idx);
 335
 336 &set_label("w2ndloop",16);
 337         &mov    ("eax",&DWP(0,$out,$ido,4));
 338         &add    (&LB($idx),&BP(0,$inp,$idi));
 339         &add    (&LB($idx),&LB("eax"));
 340         &add    ($idi,1);
 341         &mov    ("ebx",&DWP(0,$out,$idx,4));
 342         &jnz    (&label("wnowrap"));
 343           &mov  ($idi,&DWP(-4,$out));
 344         &set_label("wnowrap");
 345         &mov    (&DWP(0,$out,$idx,4),"eax");
 346         &mov    (&DWP(0,$out,$ido,4),"ebx");
 347         &add    (&LB($ido),1);
 348         &jnc    (&label("w2ndloop"));
 349 &jmp    (&label("exit"));
 350
 351 # Unlike all other x86 [and x86_64] implementations, Intel P4 core
 352 # [including EM64T] was found to perform poorly with above "32-bit" key
 353 # schedule, a.k.a. RC4_INT. Performance improvement for IA-32 hand-coded
 354 # assembler turned out to be 3.5x if re-coded for compressed 8-bit one,
 355 # a.k.a. RC4_CHAR! It's however inappropriate to just switch to 8-bit
 356 # schedule for x86[_64], because non-P4 implementations suffer from
 357 # significant performance losses then, e.g. PIII exhibits >2x
 358 # deterioration, and so does Opteron. In order to assure optimal
 359 # all-round performance, we detect P4 at run-time and set up compressed
 360 # key schedule, which is recognized by RC4 procedure.
 361
 362 &set_label("c1stloop",16);
 363         &mov    (&BP(0,$out,"eax"),&LB("eax")); # key->data[i]=i;
 364         &add    (&LB("eax"),1);                 # i++;
 365         &jnc    (&label("c1stloop"));
 366
 367         &xor    ($ido,$ido);
 368         &xor    ($idx,$idx);
 369         &xor    ("ebx","ebx");
 370
 371 &set_label("c2ndloop",16);
 372         &mov    (&LB("eax"),&BP(0,$out,$ido));
 373         &add    (&LB($idx),&BP(0,$inp,$idi));
 374         &add    (&LB($idx),&LB("eax"));
 375         &add    ($idi,1);
 376         &mov    (&LB("ebx"),&BP(0,$out,$idx));
 377         &jnz    (&label("cnowrap"));
 378           &mov  ($idi,&DWP(-4,$out));
 379         &set_label("cnowrap");
 380         &mov    (&BP(0,$out,$idx),&LB("eax"));
 381         &mov    (&BP(0,$out,$ido),&LB("ebx"));
 382         &add    (&LB($ido),1);
 383         &jnc    (&label("c2ndloop"));
 384
 385         &mov    (&DWP(256,$out),-1);            # mark schedule as compressed
 386
 387 &set_label("exit");
 388         &xor    ("eax","eax");
 389         &mov    (&DWP(-8,$out),"eax");          # key->x=0;
 390         &mov    (&DWP(-4,$out),"eax");          # key->y=0;
 391 &function_end("RC4_set_key");
 392
 393 # const char *RC4_options(void);
 394 &function_begin_B("RC4_options");
 395         &call   (&label("pic_point"));
 396 &set_label("pic_point");
 397         &blindpop("eax");
 398         &lea    ("eax",&DWP(&label("opts")."-".&label("pic_point"),"eax"));
 399         &picmeup("edx","OPENSSL_ia32cap_P");
 400         &mov    ("edx",&DWP(0,"edx"));
 401         &bt     ("edx",20);
 402         &jc     (&label("1xchar"));
 403         &bt     ("edx",26);
 404         &jnc    (&label("ret"));
 405         &add    ("eax",25);
 406         &ret    ();
 407 &set_label("1xchar");
 408         &add    ("eax",12);
 409 &set_label("ret");
 410         &ret    ();
 411 &set_label("opts",64);
 412 &asciz  ("rc4(4x,int)");
 413 &asciz  ("rc4(1x,char)");
 414 &asciz  ("rc4(8x,mmx)");
 415 &asciz  ("RC4 for x86, CRYPTOGAMS by <appro\@openssl.org>");
 416 &align  (64);
 417 &function_end_B("RC4_options");
 418
 419 &asm_finish();
 420
 421 close STDOUT;