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",$x86only = $ARGV[$#ARGV] eq "386");
  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         &mov    (&wparam(3),$out);      # $out as accumulator in these loops
 191                                         if ($x86only) {
 192         &jmp    (&label("go4loop4"));
 193                                         } else {
 194         &test   ($ty,-8);
 195         &jz     (&label("go4loop4"));
 196
 197         &picmeup($out,"OPENSSL_ia32cap_P");
 198         &bt     (&DWP(0,$out),26);      # check SSE2 bit [could have been MMX]
 199         &jnc    (&label("go4loop4"));
 200
 201         &mov    ($out,&wparam(3))       if (!$alt);
 202         &movd   ("mm7",&wparam(3))      if ($alt);
 203         &and    ($ty,-8);
 204         &lea    ($ty,&DWP(-8,$inp,$ty));
 205         &mov    (&DWP(-4,$dat),$ty);    # save input+(len/8)*8-8
 206
 207         &$RC4_loop_mmx(-1);
 208         &jmp(&label("loop_mmx_enter"));
 209
 210         &set_label("loop_mmx",16);
 211                 &$RC4_loop_mmx(0);
 212         &set_label("loop_mmx_enter");
 213                 for     ($i=1;$i<8;$i++) { &$RC4_loop_mmx($i); }
 214                 &mov    ($ty,$yy);
 215                 &xor    ($yy,$yy);              # this is second key to Core2
 216                 &mov    (&LB($yy),&LB($ty));    # and Westmere performance...
 217                 &cmp    ($inp,&DWP(-4,$dat));
 218                 &lea    ($inp,&DWP(8,$inp));
 219         &jb     (&label("loop_mmx"));
 220
 221     if ($alt) {
 222         &movd   ($out,"mm7");
 223         &pxor   ("mm2","mm0");
 224         &psllq  ("mm1",8);
 225         &pxor   ("mm1","mm2");
 226         &movq   (&QWP(-8,$out,$inp),"mm1");
 227     } else {
 228         &psllq  ("mm1",56);
 229         &pxor   ("mm2","mm1");
 230         &movq   (&QWP(-8,$out,$inp),"mm2");
 231     }
 232         &emms   ();
 233
 234         &cmp    ($inp,&wparam(1));      # compare to input+len
 235         &je     (&label("done"));
 236         &jmp    (&label("loop1"));
 237                                         }
 238
 239 &set_label("go4loop4",16);
 240         &lea    ($ty,&DWP(-4,$inp,$ty));
 241         &mov    (&wparam(2),$ty);       # save input+(len/4)*4-4
 242
 243         &set_label("loop4");
 244                 for ($i=0;$i<4;$i++) { RC4_loop($i); }
 245                 &ror    ($out,8);
 246                 &xor    ($out,&DWP(0,$inp));
 247                 &cmp    ($inp,&wparam(2));      # compare to input+(len/4)*4-4
 248                 &mov    (&DWP(0,$tx,$inp),$out);# $tx holds re-biased out here
 249                 &lea    ($inp,&DWP(4,$inp));
 250                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 251         &jb     (&label("loop4"));
 252
 253         &cmp    ($inp,&wparam(1));      # compare to input+len
 254         &je     (&label("done"));
 255         &mov    ($out,&wparam(3));      # restore $out
 256
 257         &set_label("loop1",16);
 258                 &add    (&LB($yy),&LB($tx));
 259                 &mov    ($ty,&DWP(0,$dat,$yy,4));
 260                 &mov    (&DWP(0,$dat,$yy,4),$tx);
 261                 &mov    (&DWP(0,$dat,$xx,4),$ty);
 262                 &add    ($ty,$tx);
 263                 &inc    (&LB($xx));
 264                 &and    ($ty,0xff);
 265                 &mov    ($ty,&DWP(0,$dat,$ty,4));
 266                 &xor    (&LB($ty),&BP(0,$inp));
 267                 &lea    ($inp,&DWP(1,$inp));
 268                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 269                 &cmp    ($inp,&wparam(1));      # compare to input+len
 270                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 271         &jb     (&label("loop1"));
 272
 273         &jmp    (&label("done"));
 274
 275 # this is essentially Intel P4 specific codepath...
 276 &set_label("RC4_CHAR",16);
 277         &movz   ($tx,&BP(0,$dat,$xx));
 278         # strangely enough unrolled loop performs over 20% slower...
 279         &set_label("cloop1");
 280                 &add    (&LB($yy),&LB($tx));
 281                 &movz   ($ty,&BP(0,$dat,$yy));
 282                 &mov    (&BP(0,$dat,$yy),&LB($tx));
 283                 &mov    (&BP(0,$dat,$xx),&LB($ty));
 284                 &add    (&LB($ty),&LB($tx));
 285                 &movz   ($ty,&BP(0,$dat,$ty));
 286                 &add    (&LB($xx),1);
 287                 &xor    (&LB($ty),&BP(0,$inp));
 288                 &lea    ($inp,&DWP(1,$inp));
 289                 &movz   ($tx,&BP(0,$dat,$xx));
 290                 &cmp    ($inp,&wparam(1));
 291                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 292         &jb     (&label("cloop1"));
 293
 294 &set_label("done");
 295         &dec    (&LB($xx));
 296         &mov    (&DWP(-4,$dat),$yy);            # save key->y
 297         &mov    (&BP(-8,$dat),&LB($xx));        # save key->x
 298 &set_label("abort");
 299 &function_end("RC4");
 300
 301 ########################################################################
 302
 303 $inp="esi";
 304 $out="edi";
 305 $idi="ebp";
 306 $ido="ecx";
 307 $idx="edx";
 308
 309 # void RC4_set_key(RC4_KEY *key,int len,const unsigned char *data);
 310 &function_begin("RC4_set_key");
 311         &mov    ($out,&wparam(0));              # load key
 312         &mov    ($idi,&wparam(1));              # load len
 313         &mov    ($inp,&wparam(2));              # load data
 314         &picmeup($idx,"OPENSSL_ia32cap_P");
 315
 316         &lea    ($out,&DWP(2*4,$out));          # &key->data
 317         &lea    ($inp,&DWP(0,$inp,$idi));       # $inp to point at the end
 318         &neg    ($idi);
 319         &xor    ("eax","eax");
 320         &mov    (&DWP(-4,$out),$idi);           # borrow key->y
 321
 322         &bt     (&DWP(0,$idx),20);              # check for bit#20
 323         &jc     (&label("c1stloop"));
 324
 325 &set_label("w1stloop",16);
 326         &mov    (&DWP(0,$out,"eax",4),"eax");   # key->data[i]=i;
 327         &add    (&LB("eax"),1);                 # i++;
 328         &jnc    (&label("w1stloop"));
 329
 330         &xor    ($ido,$ido);
 331         &xor    ($idx,$idx);
 332
 333 &set_label("w2ndloop",16);
 334         &mov    ("eax",&DWP(0,$out,$ido,4));
 335         &add    (&LB($idx),&BP(0,$inp,$idi));
 336         &add    (&LB($idx),&LB("eax"));
 337         &add    ($idi,1);
 338         &mov    ("ebx",&DWP(0,$out,$idx,4));
 339         &jnz    (&label("wnowrap"));
 340           &mov  ($idi,&DWP(-4,$out));
 341         &set_label("wnowrap");
 342         &mov    (&DWP(0,$out,$idx,4),"eax");
 343         &mov    (&DWP(0,$out,$ido,4),"ebx");
 344         &add    (&LB($ido),1);
 345         &jnc    (&label("w2ndloop"));
 346 &jmp    (&label("exit"));
 347
 348 # Unlike all other x86 [and x86_64] implementations, Intel P4 core
 349 # [including EM64T] was found to perform poorly with above "32-bit" key
 350 # schedule, a.k.a. RC4_INT. Performance improvement for IA-32 hand-coded
 351 # assembler turned out to be 3.5x if re-coded for compressed 8-bit one,
 352 # a.k.a. RC4_CHAR! It's however inappropriate to just switch to 8-bit
 353 # schedule for x86[_64], because non-P4 implementations suffer from
 354 # significant performance losses then, e.g. PIII exhibits >2x
 355 # deterioration, and so does Opteron. In order to assure optimal
 356 # all-round performance, we detect P4 at run-time and set up compressed
 357 # key schedule, which is recognized by RC4 procedure.
 358
 359 &set_label("c1stloop",16);
 360         &mov    (&BP(0,$out,"eax"),&LB("eax")); # key->data[i]=i;
 361         &add    (&LB("eax"),1);                 # i++;
 362         &jnc    (&label("c1stloop"));
 363
 364         &xor    ($ido,$ido);
 365         &xor    ($idx,$idx);
 366         &xor    ("ebx","ebx");
 367
 368 &set_label("c2ndloop",16);
 369         &mov    (&LB("eax"),&BP(0,$out,$ido));
 370         &add    (&LB($idx),&BP(0,$inp,$idi));
 371         &add    (&LB($idx),&LB("eax"));
 372         &add    ($idi,1);
 373         &mov    (&LB("ebx"),&BP(0,$out,$idx));
 374         &jnz    (&label("cnowrap"));
 375           &mov  ($idi,&DWP(-4,$out));
 376         &set_label("cnowrap");
 377         &mov    (&BP(0,$out,$idx),&LB("eax"));
 378         &mov    (&BP(0,$out,$ido),&LB("ebx"));
 379         &add    (&LB($ido),1);
 380         &jnc    (&label("c2ndloop"));
 381
 382         &mov    (&DWP(256,$out),-1);            # mark schedule as compressed
 383
 384 &set_label("exit");
 385         &xor    ("eax","eax");
 386         &mov    (&DWP(-8,$out),"eax");          # key->x=0;
 387         &mov    (&DWP(-4,$out),"eax");          # key->y=0;
 388 &function_end("RC4_set_key");
 389
 390 # const char *RC4_options(void);
 391 &function_begin_B("RC4_options");
 392         &call   (&label("pic_point"));
 393 &set_label("pic_point");
 394         &blindpop("eax");
 395         &lea    ("eax",&DWP(&label("opts")."-".&label("pic_point"),"eax"));
 396         &picmeup("edx","OPENSSL_ia32cap_P");
 397         &mov    ("edx",&DWP(0,"edx"));
 398         &bt     ("edx",20);
 399         &jc     (&label("1xchar"));
 400         &bt     ("edx",26);
 401         &jnc    (&label("ret"));
 402         &add    ("eax",25);
 403         &ret    ();
 404 &set_label("1xchar");
 405         &add    ("eax",12);
 406 &set_label("ret");
 407         &ret    ();
 408 &set_label("opts",64);
 409 &asciz  ("rc4(4x,int)");
 410 &asciz  ("rc4(1x,char)");
 411 &asciz  ("rc4(8x,mmx)");
 412 &asciz  ("RC4 for x86, CRYPTOGAMS by <appro\@openssl.org>");
 413 &align  (64);
 414 &function_end_B("RC4_options");
 415
 416 &asm_finish();
 417