sha256-586.pl: squeeze some more, most notably ~10% on Nehalem.
authorAndy Polyakov <appro@openssl.org>
Tue, 12 Jun 2012 14:38:01 +0000 (14:38 +0000)
committerAndy Polyakov <appro@openssl.org>
Tue, 12 Jun 2012 14:38:01 +0000 (14:38 +0000)
crypto/sha/asm/sha256-586.pl
crypto/sha/asm/sha512-x86_64.pl

index 4ca82b0e5bcd94105f798358016dad4ff4647296..cf3fe3e8fdc840af1157a6b2ef2c06af963e2da6 100644 (file)
 #
 # Optimization including two of Pavel Semjanov's ideas, alternative
 # Maj and full unroll, resulted in ~20-25% improvement on most CPUs,
-# ~10% on Pentium and P4, ~37% on Atom. As fully unrolled loop body is
-# almost 15x larger, 8KB vs. 560B, it's fired only for longer inputs.
-# But not on P4, where it kills performance, nor Sandy Bridge, where
-# folded loop is just as fast...
+# ~7% on Pentium, ~40% on Atom. As fully unrolled loop body is almost
+# 15x larger, 8KB vs. 560B, it's fired only for longer inputs. But not
+# on P4, where it kills performance, nor Sandy Bridge, where folded
+# loop is approximately as fast...
 #
 # Performance in clock cycles per processed byte (less is better):
 #
-#              Pentium PIII    P4      AMD K8  Core2   SB(**)  Atom
-# gcc          46      36      41      27      26      25      50
-# icc          57      33      38      25      23      -       -
-# x86 asm(*)   39/36   27/24   30      19/15.5 18/16   16(**)  30/26
-# x86_64 asm(***)      -       17.5    15      16      17.5    23
+#              PIII    P4      AMD K8  Core2   SB(**)  Atom    Bldzr
+# gcc          36      41      27      26      25      50      36
+# icc          33      38      25      23      -       -       -
+# x86 asm(*)   27/24   28      19/15.5 18/15.6 16(**)  30/25   27/22
+# x86_64 asm(***)      17.5    15      15.5    17.5    23      21
 #
 # (*)  numbers after slash are for unrolled loop, where available;
 # (**) for Sandy Bridge executing code path with ror replaced with
@@ -42,7 +42,13 @@ require "x86asm.pl";
 
 &asm_init($ARGV[0],"sha512-586.pl",$ARGV[$#ARGV] eq "386");
 
-$unroll_after = 1024;
+$unroll_after = 64*4;  # If pre-evicted from L1P cache first spin of
+                       # fully unrolled loop was measured to run about
+                       # 3-4x slower. If slowdown coefficient is N and
+                       # unrolled loop is m times faster, then you break
+                       # even at (N-1)/(m-1) blocks. Then it needs to be
+                       # adjusted for probability of code being evicted,
+                       # code size/cache size=1/4. Typical m is 1.15...
 
 $A="eax";
 $E="edx";
@@ -65,9 +71,9 @@ sub BODY_16_63() {
         &mov   ("edi","esi");
        &ror    ("esi",19-17);
         &xor   ("ecx",$T);
-       &shr    ($T,3);
-        &xor   ("esi","edi");
+        &shr   ($T,3);
        &ror    ("ecx",7);
+        &xor   ("esi","edi");
         &xor   ($T,"ecx");                     # T = sigma0(X[-15])
        &ror    ("esi",17);
         &add   ($T,&DWP(4*(9+15+16),"esp"));   # T += X[-16]
@@ -96,8 +102,8 @@ sub BODY_00_15() {
         &and   ("esi",$E);
         &mov   ($Eoff,$E);             # modulo-scheduled
        &xor    ($E,"ecx");
-        &xor   ("esi","edi");          # Ch(e,f,g)
         &add   ($T,$Hoff);             # T += h
+        &xor   ("esi","edi");          # Ch(e,f,g)
        &ror    ($E,6);                 # Sigma1(e)
         &mov   ("ecx",$A);
         &add   ($T,"esi");             # T += Ch(e,f,g)
@@ -162,7 +168,7 @@ sub BODY_00_15() {
                                                if ($unroll_after) {
        &sub    ("eax","edi");
        &cmp    ("eax",$unroll_after);
-       &jge    (&label("unrolled"));
+       &jae    (&label("unrolled"));
                                                } }
        &jmp    (&label("loop"));
 
@@ -288,6 +294,7 @@ my $suffix=shift;
        0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208,
        0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2     );
 &data_word(@K256);
+&data_word(0x00010203,0x04050607,0x08090a0b,0x0c0d0e0f);
 
 if (!$i386 && $unroll_after) {
 my @AH=($A,$K256);
@@ -333,70 +340,72 @@ my @AH=($A,$K256);
        &mov    (&DWP(96+4,"esp"),"edi");
        &mov    (&DWP(32+12*$i,"esp"),"ebx");
 
+    my ($t1,$t2) = ("ecx","esi");
     my ($a,$b,$c,$d,$e,$f,$g,$h)=(0..7);       # offsets
     sub off { &DWP(4*(((shift)-$i)&7),"esp"); }
 
     for ($i=0;$i<64;$i++) {
 
       if ($i>=16) {
-       &mov    ($T,"ecx");                     # "ecx" is preloaded
-       # &mov  ("esi",&DWP(32+4*(($i+14)&15),"esp"));
-       &ror    ("ecx",18-7);
-        &mov   ("edi","esi");
-       &ror    ("esi",19-17);
-        &xor   ("ecx",$T);
-       &shr    ($T,3);
-        &xor   ("esi","edi");
-       &ror    ("ecx",7);
-        &xor   ($T,"ecx");                     # T = sigma0(X[-15])
-       &ror    ("esi",17);
+       &mov    ($T,$t1);                       # $t1 is preloaded
+       # &mov  ($t2,&DWP(32+4*(($i+14)&15),"esp"));
+       &ror    ($t1,18-7);
+        &mov   ("edi",$t2);
+       &ror    ($t2,19-17);
+        &xor   ($t1,$T);
+        &shr   ($T,3);
+       &ror    ($t1,7);
+        &xor   ($t2,"edi");
+        &xor   ($T,$t1);                       # T = sigma0(X[-15])
+       &ror    ($t2,17);
         &add   ($T,&DWP(32+4*($i&15),"esp"));  # T += X[-16]
        &shr    ("edi",10);
         &add   ($T,&DWP(32+4*(($i+9)&15),"esp"));      # T += X[-7]
-       #&xor   ("edi","esi")                   # sigma1(X[-2])
+       #&xor   ("edi",$t2)                     # sigma1(X[-2])
        # &add  ($T,"edi");                     # T += sigma1(X[-2])
        # &mov  (&DWP(4*(9+15),"esp"),$T);      # save X[0]
       }
-       &mov    ("ecx",$E);
-        &xor   ("edi","esi")                   if ($i>=16);    # sigma1(X[-2])
-        &mov   ("esi",&off($f));
-       &ror    ("ecx",25-11);
+       &mov    ($t1,$E);
+        &xor   ("edi",$t2)                     if ($i>=16);    # sigma1(X[-2])
+        &mov   ($t2,&off($f));
+       &ror    ($E,25-11);
         &add   ($T,"edi")                      if ($i>=16);    # T += sigma1(X[-2])
         &mov   ("edi",&off($g));
-       &xor    ("ecx",$E);
-        &xor   ("esi","edi");
+       &xor    ($E,$t1);
         &mov   ($T,&DWP(32+4*($i&15),"esp"))   if ($i<16);     # X[i]
-        &mov   (&DWP(32+4*($i&15),"esp"),$T)   if ($i>=16);    # save X[0]
-       &ror    ("ecx",11-6);
-        &and   ("esi",$E);
-        &mov   (&off($e),$E);          # modulo-scheduled
-       &xor    ($E,"ecx");
-        &xor   ("esi","edi");          # Ch(e,f,g)
+        &mov   (&DWP(32+4*($i&15),"esp"),$T)   if ($i>=16 && $i<62);   # save X[0]
+        &xor   ($t2,"edi");
+       &ror    ($E,11-6);
+        &and   ($t2,$t1);
+        &mov   (&off($e),$t1);         # save $E, modulo-scheduled
+       &xor    ($E,$t1);
         &add   ($T,&off($h));          # T += h
+        &xor   ("edi",$t2);            # Ch(e,f,g)
        &ror    ($E,6);                 # Sigma1(e)
-        &mov   ("ecx",$AH[0]);
-        &add   ($T,"esi");             # T += Ch(e,f,g)
+        &mov   ($t1,$AH[0]);
+        &add   ($T,"edi");             # T += Ch(e,f,g)
 
-       &ror    ("ecx",22-13);
+       &ror    ($t1,22-13);
+        &mov   ($t2,$AH[0]);
         &mov   ("edi",&off($b));
-       &xor    ("ecx",$AH[0]);
-        &mov   (&off($a),$AH[0]);      # modulo-scheduled
-       &ror    ("ecx",13-2);
-        &lea   ($T,&DWP(@K256[$i],$T,$E));     # T += Sigma1(1)+K[i]
-        &mov   ($E,&off($d));          # e in next iteration, d in this one
-       &xor    ("ecx",$AH[0]);
+       &xor    ($t1,$AH[0]);
+        &mov   (&off($a),$AH[0]);      # save $A, modulo-scheduled
         &xor   ($AH[0],"edi");         # a ^= b, (b^c) in next round
-       &ror    ("ecx",2);              # Sigma0(a)
-
-       &add    ($E,$T);                # d += T
-        &and   ($AH[1],$AH[0]);        # a &= (b^c)
-       &add    ($T,"ecx");             # T += Sigma0(a)
-        &mov   ("ecx",&DWP(32+4*(($i+2)&15),"esp"))    if ($i>=15 && $i<63);
-       &xor    ($AH[1],"edi");         # h = Maj(a,b,c) = Ch(a^b,c,b)
-        &mov   ("esi",&DWP(32+4*(($i+15)&15),"esp"))   if ($i>=15 && $i<63);
-       &add    ($AH[1],$T);            # h += T
-
-       unshift(@AH,pop(@AH));          # rotate(a,h)
+       &ror    ($t1,13-2);
+        &and   ($AH[1],$AH[0]);        # (b^c) &= (a^b)
+        &lea   ($E,&DWP(@K256[$i],$T,$E));     # T += Sigma1(1)+K[i]
+       &xor    ($t1,$t2);
+        &xor   ($AH[1],"edi");         # h = Maj(a,b,c) = Ch(a^b,c,b)
+        &mov   ($t2,&DWP(32+4*(($i+2)&15),"esp"))      if ($i>=15 && $i<63);
+       &ror    ($t1,2);                # Sigma0(a)
+
+        &add   ($AH[1],$E);            # h += T
+        &add   ($E,&off($d));          # d += T
+       &add    ($AH[1],$t1);           # h += Sigma0(a)
+        &mov   ($t1,&DWP(32+4*(($i+15)&15),"esp"))     if ($i>=15 && $i<63);
+
+       @AH = reverse(@AH);             # rotate(a,h)
+       ($t1,$t2) = ($t2,$t1);          # rotate(t1,t2)
     }
        &mov    ("esi",&DWP(96,"esp")); #ctx
                                        #&mov   ($AH[0],&DWP(0,"esp"));
index 6a57b656509897eaf729e7472cf51d23becd60fd..dcd62a809d0f8215ac3241521c63011fd5964b4c 100755 (executable)
@@ -106,20 +106,20 @@ $code.=<<___;
        xor     $e,$a0
        xor     $g,$a2                  # f^g
 
-       ror     \$`$Sigma1[1]-$Sigma1[0]`,$a0
+       mov     $T1,`$SZ*($i&0xf)`(%rsp)
        xor     $a,$a1
        and     $e,$a2                  # (f^g)&e
 
-       mov     $T1,`$SZ*($i&0xf)`(%rsp)
+       ror     \$`$Sigma1[1]-$Sigma1[0]`,$a0
        add     $h,$T1                  # T1+=h
        xor     $g,$a2                  # Ch(e,f,g)=((f^g)&e)^g
 
        ror     \$`$Sigma0[1]-$Sigma0[0]`,$a1
-       add     $a2,$T1                 # T1+=Ch(e,f,g)
        xor     $e,$a0
+       add     $a2,$T1                 # T1+=Ch(e,f,g)
 
-       add     ($Tbl),$T1              # T1+=K[round]
        mov     $a,$a2
+       add     ($Tbl),$T1              # T1+=K[round]
        xor     $a,$a1
 
        ror     \$$Sigma1[0],$a0        # Sigma1(e)