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