Add bit-sliced AES x86_64 assembler, see http://homes.esat.kuleuven.be/~ekasper/...
authorAndy Polyakov <appro@openssl.org>
Sun, 25 Sep 2011 15:31:51 +0000 (15:31 +0000)
committerAndy Polyakov <appro@openssl.org>
Sun, 25 Sep 2011 15:31:51 +0000 (15:31 +0000)
crypto/aes/asm/bsaes-x86_64.pl [new file with mode: 0644]

diff --git a/crypto/aes/asm/bsaes-x86_64.pl b/crypto/aes/asm/bsaes-x86_64.pl
new file mode 100644 (file)
index 0000000..7593ecd
--- /dev/null
@@ -0,0 +1,1184 @@
+#!/usr/bin/env perl
+
+###################################################################
+### AES-128 [originally in CTR mode]                           ###
+### bitsliced implementation for Intel Core 2 processors       ###
+### requires support of SSE extensions up to SSSE3             ###
+### Author: Emilia Käsper                                     ###
+### Date: 2009-03-19                                           ###
+### Public domain                                              ###
+###                                                            ###
+### See http://homes.esat.kuleuven.be/~ekasper/#software for   ###
+### further information.                                       ###
+###################################################################
+#
+# September 2011.
+#
+# Started as transliteration to "perlasm" the original code has
+# undergone following changes:
+#
+# - code was made position-independent;
+# - rounds were folded into a loop resulting in >5x size reduction
+#   from 12.5KB to 2.2KB;
+# - above was possibile thanks to mixcolumns() modification that
+#   allowed to feed its output back to aesenc[last], this was
+#   achieved at cost of two additional inter-registers moves;
+# - some instruction reordering and interleaving;
+# - this module doesn't implement key setup subroutine, instead it
+#   relies on conversion of "conventional" key schedule as returned
+#   by AES_set_encrypt_key (see discussion below);
+# - first and last round keys are treated differently, which allowed
+#   to skip one shiftrows(), reduce bit-sliced key schedule and
+#   speed-up conversion by 22%;
+# - support for 192- and 256-bit keys was added;
+#
+# Resulting performance in CPU cycles spent to encrypt one byte out
+# of 4096-byte buffer with 128-bit key is:
+#
+#              Emilia's        this(*)         difference
+#
+# Core 2       9.30            8.69            +7%
+# Nehalem(**)  7.63            6.98            +9%
+# Atom         17.1            17.4            -2%(***)
+#
+# (*)  Comparison is not completely fair, because "this" is ECB,
+#      i.e. no extra processing such as counter values calculation
+#      and xor-ing input as in Emilia's CTR implementation is
+#      performed. However, the CTR calculations stand for not more
+#      than 1% of total time, so comparison is *rather* fair.
+#
+# (**) Results were collected on Westmere, which is considered to
+#      be equivalent to Nehalem for this code.
+#
+# (***)        Slowdown on Atom is rather strange per se, because original
+#      implementation has a number of 9+-bytes instructions, which
+#      are bad for Atom front-end, and which I eliminated completely.
+#      In attempt to address deterioration sbox() was tested in FP
+#      SIMD "domain" (movaps instead of movdqa, xorps instead of
+#      pxor, etc.). While it resulted in nominal 4% improvement on
+#      Atom, it hurted Westmere by more than 2x factor.
+#
+# As for key schedule conversion subroutine. Interface to OpenSSL
+# relies on per-invocation on-the-fly conversion. This naturally
+# has impact on performance, especially for short inputs. Conversion
+# time in CPU cycles and its ratio to CPU cycles spent in 8x block
+# function is:
+#
+#              conversion      conversion/8x block
+# Core 2       410             0.37
+# Nehalem      310             0.35
+# Atom         570             0.26
+#
+# The ratio values mean that 128-byte blocks will be processed
+# 21-27% slower, 256-byte blocks - 12-16%, 382-byte blocks - 8-11%,
+# etc. Then keep in mind that input sizes not divisible by 128 are
+# *effectively* slower, especially shortest ones, e.g. consecutive
+# 144-byte blocks are processed 44% slower than one would expect,
+# 272 - 29%, 400 - 22%, etc. Yet, despite all these "shortcomings"
+# it's still faster than ["hyper-threading-safe" code path in]
+# aes-x86_64.pl on all lengths above 64 bytes...
+#
+#                                              <appro@openssl.org>
+
+$flavour = shift;
+$output  = shift;
+if ($flavour =~ /\./) { $output = $flavour; undef $flavour; }
+
+$win64=0; $win64=1 if ($flavour =~ /[nm]asm|mingw64/ || $output =~ /\.asm$/);
+
+$0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
+( $xlate="${dir}x86_64-xlate.pl" and -f $xlate ) or
+( $xlate="${dir}../../perlasm/x86_64-xlate.pl" and -f $xlate) or
+die "can't locate x86_64-xlate.pl";
+
+open STDOUT,"| $^X $xlate $flavour $output";
+
+my ($inp,$out,$len,$key,$ivp)=("%rdi","%rsi","%rdx","%rcx");
+my @XMM=map("%xmm$_",(15,0..14));      # best on Atom, +10% over (0..15)
+
+{
+my ($key,$rounds,$const)=("%rax","%r10d","%r11");
+
+sub sbox {
+# input in  lsb > [b0, b1, b2, b3, b4, b5, b6, b7] < msb
+# output in lsb > [b0, b1, b4, b6, b3, b7, b2, b5] < msb
+my @b=@_[0..7];
+my @t=@_[8..11];
+my @s=@_[12..15];
+       &InBasisChange  (@b);
+       &Inv_GF256      (@b[6,5,0,3,7,1,4,2],@t,@s);
+       &OutBasisChange (@b[7,1,4,2,6,5,0,3]);
+}
+
+sub InBasisChange {
+# input in  lsb > [b0, b1, b2, b3, b4, b5, b6, b7] < msb
+# output in lsb > [b6, b5, b0, b3, b7, b1, b4, b2] < msb 
+my @b=@_[0..7];
+$code.=<<___;
+       pxor    @b[6], @b[5]
+       pxor    @b[1], @b[2]
+       pxor    @b[0], @b[5]
+       pxor    @b[2], @b[6]
+       pxor    @b[0], @b[3]
+
+       pxor    @b[3], @b[6]
+       pxor    @b[7], @b[3]
+       pxor    @b[5], @b[7]
+       pxor    @b[4], @b[3]
+       pxor    @b[5], @b[4]
+       pxor    @b[1], @b[3]
+
+       pxor    @b[7], @b[2]
+       pxor    @b[5], @b[1]
+___
+}
+
+sub OutBasisChange {
+# input in  lsb > [b0, b1, b2, b3, b4, b5, b6, b7] < msb
+# output in lsb > [b6, b1, b2, b4, b7, b0, b3, b5] < msb
+my @b=@_[0..7];
+$code.=<<___;
+       pxor    @b[6], @b[0]
+       pxor    @b[4], @b[1]
+       pxor    @b[0], @b[2]
+       pxor    @b[6], @b[4]
+       pxor    @b[1], @b[6]
+
+       pxor    @b[5], @b[1]
+       pxor    @b[3], @b[5]
+       pxor    @b[7], @b[3]
+       pxor    @b[5], @b[7]
+       pxor    @b[5], @b[2]
+
+       pxor    @b[7], @b[4]
+___
+}
+
+sub Mul_GF4 {
+#;*************************************************************
+#;* Mul_GF4: Input x0-x1,y0-y1 Output x0-x1 Temp t0 (8) *
+#;*************************************************************
+my ($x0,$x1,$y0,$y1,$t0)=@_;
+$code.=<<___;
+       movdqa  $y0, $t0
+       pxor    $y1, $t0
+       pand    $x0, $t0
+       pxor    $x1, $x0
+       pand    $y0, $x1
+       pand    $y1, $x0
+       pxor    $x1, $x0
+       pxor    $t0, $x1
+___
+}
+
+sub Mul_GF4_N {                                # not used, see next subroutine
+# multiply and scale by N
+my ($x0,$x1,$y0,$y1,$t0)=@_;
+$code.=<<___;
+       movdqa  $y0, $t0
+       pxor    $y1, $t0
+       pand    $x0, $t0
+       pxor    $x1, $x0
+       pand    $y0, $x1
+       pand    $y1, $x0
+       pxor    $x0, $x1
+       pxor    $t0, $x0
+___
+}
+
+sub Mul_GF4_N_GF4 {
+# interleaved Mul_GF4_N and Mul_GF4
+my ($x0,$x1,$y0,$y1,$t0,
+    $x2,$x3,$y2,$y3,$t1)=@_;
+$code.=<<___;
+       movdqa  $y0, $t0
+        movdqa $y2, $t1
+       pxor    $y1, $t0
+        pxor   $y3, $t1
+       pand    $x0, $t0
+        pand   $x2, $t1
+       pxor    $x1, $x0
+        pxor   $x3, $x2
+       pand    $y0, $x1
+        pand   $y2, $x3
+       pand    $y1, $x0
+        pand   $y3, $x2
+       pxor    $x0, $x1
+        pxor   $x3, $x2
+       pxor    $t0, $x0
+        pxor   $t1, $x3
+___
+}
+sub Mul_GF16_2 {
+my @x=@_[0..7];
+my @y=@_[8..11];
+my @t=@_[12..15];
+$code.=<<___;
+       movdqa  @x[0], @t[0]
+       movdqa  @x[1], @t[1]
+___
+       &Mul_GF4        (@x[0], @x[1], @y[0], @y[1], @t[2]);
+$code.=<<___;
+       pxor    @x[2], @t[0]
+       pxor    @x[3], @t[1]
+       pxor    @y[2], @y[0]
+       pxor    @y[3], @y[1]
+___
+       Mul_GF4_N_GF4   (@t[0], @t[1], @y[0], @y[1], @t[3],
+                        @x[2], @x[3], @y[2], @y[3], @t[2]);
+$code.=<<___;
+       pxor    @t[0], @x[0]
+       pxor    @t[0], @x[2]
+       pxor    @t[1], @x[1]
+       pxor    @t[1], @x[3]
+
+       movdqa  @x[4], @t[0]
+       movdqa  @x[5], @t[1]
+       pxor    @x[6], @t[0]
+       pxor    @x[7], @t[1]
+___
+       &Mul_GF4_N_GF4  (@t[0], @t[1], @y[0], @y[1], @t[3],
+                        @x[6], @x[7], @y[2], @y[3], @t[2]);
+$code.=<<___;
+       pxor    @y[2], @y[0]
+       pxor    @y[3], @y[1]
+___
+       &Mul_GF4        (@x[4], @x[5], @y[0], @y[1], @t[3]);
+$code.=<<___;
+       pxor    @t[0], @x[4]
+       pxor    @t[0], @x[6]
+       pxor    @t[1], @x[5]
+       pxor    @t[1], @x[7]
+___
+}
+sub Inv_GF256 {
+#;********************************************************************
+#;* Inv_GF256: Input x0-x7 Output x0-x7 Temp t0-t3,s0-s3 (144)       *
+#;********************************************************************
+my @x=@_[0..7];
+my @t=@_[8..11];
+my @s=@_[12..15];
+# direct optimizations from hardware
+$code.=<<___;
+       movdqa  @x[4], @t[3]
+       movdqa  @x[5], @t[2]
+       movdqa  @x[1], @t[1]
+       movdqa  @x[7], @s[1]
+       movdqa  @x[0], @s[0]
+
+       pxor    @x[6], @t[3]
+       pxor    @x[7], @t[2]
+       pxor    @x[3], @t[1]
+        movdqa @t[3], @s[2]
+       pxor    @x[6], @s[1]
+        movdqa @t[2], @t[0]
+       pxor    @x[2], @s[0]
+        movdqa @t[3], @s[3]
+
+       por     @t[1], @t[2]
+       por     @s[0], @t[3]
+       pxor    @t[0], @s[3]
+       pand    @s[0], @s[2]
+       pxor    @t[1], @s[0]
+       pand    @t[1], @t[0]
+       pand    @s[0], @s[3]
+       movdqa  @x[3], @s[0]
+       pxor    @x[2], @s[0]
+       pand    @s[0], @s[1]
+       pxor    @s[1], @t[3]
+       pxor    @s[1], @t[2]
+       movdqa  @x[4], @s[1]
+       movdqa  @x[1], @s[0]
+       pxor    @x[5], @s[1]
+       pxor    @x[0], @s[0]
+       movdqa  @s[1], @t[1]
+       pand    @s[0], @s[1]
+       por     @s[0], @t[1]
+       pxor    @s[1], @t[0]
+       pxor    @s[3], @t[3]
+       pxor    @s[2], @t[2]
+       pxor    @s[3], @t[1]
+       movdqa  @x[7], @s[0]
+       pxor    @s[2], @t[0]
+       movdqa  @x[6], @s[1]
+       pxor    @s[2], @t[1]
+       movdqa  @x[5], @s[2]
+       pand    @x[3], @s[0]
+       movdqa  @x[4], @s[3]
+       pand    @x[2], @s[1]
+       pand    @x[1], @s[2]
+       por     @x[0], @s[3]
+       pxor    @s[0], @t[3]
+       pxor    @s[1], @t[2]
+       pxor    @s[2], @t[1]
+       pxor    @s[3], @t[0] 
+
+       #Inv_GF16 \t0, \t1, \t2, \t3, \s0, \s1, \s2, \s3
+
+       # new smaller inversion
+
+       movdqa  @t[3], @s[0]
+       pand    @t[1], @t[3]
+       pxor    @t[2], @s[0]
+
+       movdqa  @t[0], @s[2]
+       movdqa  @s[0], @s[3]
+       pxor    @t[3], @s[2]
+       pand    @s[2], @s[3]
+
+       movdqa  @t[1], @s[1]
+       pxor    @t[2], @s[3]
+       pxor    @t[0], @s[1]
+
+       pxor    @t[2], @t[3]
+
+       pand    @t[3], @s[1]
+
+       movdqa  @s[2], @t[2]
+       pxor    @t[0], @s[1]
+
+       pxor    @s[1], @t[2]
+       pxor    @s[1], @t[1]
+
+       pand    @t[0], @t[2]
+
+       pxor    @t[2], @s[2]
+       pxor    @t[2], @t[1]
+
+       pand    @s[3], @s[2]
+
+       pxor    @s[0], @s[2]
+___
+# output in s3, s2, s1, t1
+
+# Mul_GF16_2 \x0, \x1, \x2, \x3, \x4, \x5, \x6, \x7, \t2, \t3, \t0, \t1, \s0, \s1, \s2, \s3
+
+# Mul_GF16_2 \x0, \x1, \x2, \x3, \x4, \x5, \x6, \x7, \s3, \s2, \s1, \t1, \s0, \t0, \t2, \t3
+       &Mul_GF16_2(@x,@s[3,2,1],@t[1],@s[0],@t[0,2,3]);
+
+### output msb > [x3,x2,x1,x0,x7,x6,x5,x4] < lsb
+}
+
+# AES linear components
+
+sub shiftrows {
+my @x=@_[0..7];
+my $mask=pop;
+$code.=<<___;
+       pxor    0x00($key),@x[0]
+       pxor    0x10($key),@x[1]
+       pshufb  $mask,@x[0]
+       pxor    0x20($key),@x[2]
+       pshufb  $mask,@x[1]
+       pxor    0x30($key),@x[3]
+       pshufb  $mask,@x[2]
+       pxor    0x40($key),@x[4]
+       pshufb  $mask,@x[3]
+       pxor    0x50($key),@x[5]
+       pshufb  $mask,@x[4]
+       pxor    0x60($key),@x[6]
+       pshufb  $mask,@x[5]
+       pxor    0x70($key),@x[7]
+       pshufb  $mask,@x[6]
+       lea     0x80($key),$key
+       pshufb  $mask,@x[7]
+___
+}
+
+sub mixcolumns {
+# modified to emit output in order suitable for feeding back to aesenc[last]
+my @x=@_[0..7];
+my @t=@_[8..15];
+$code.=<<___;
+       pshufd  \$0x93, @x[0], @t[0]    # x0 <<< 32
+       pshufd  \$0x93, @x[1], @t[1]
+        pxor   @t[0], @x[0]            # x0 ^ (x0 <<< 32)
+       pshufd  \$0x93, @x[2], @t[2]
+        pxor   @t[1], @x[1]
+       pshufd  \$0x93, @x[3], @t[3]
+        pxor   @t[2], @x[2]
+       pshufd  \$0x93, @x[4], @t[4]
+        pxor   @t[3], @x[3]
+       pshufd  \$0x93, @x[5], @t[5]
+        pxor   @t[4], @x[4]
+       pshufd  \$0x93, @x[6], @t[6]
+        pxor   @t[5], @x[5]
+       pshufd  \$0x93, @x[7], @t[7]
+        pxor   @t[6], @x[6]
+        pxor   @t[7], @x[7]
+
+       pxor    @x[0], @t[1]
+       pxor    @x[7], @t[0]
+       pxor    @x[7], @t[1]
+        pshufd \$0x4E, @x[0], @x[0]    # (x0 ^ (x0 <<< 32)) <<< 64)
+       pxor    @x[1], @t[2]
+        pshufd \$0x4E, @x[1], @x[1]
+       pxor    @x[4], @t[5]
+        pxor   @t[0], @x[0]
+       pxor    @x[5], @t[6]
+        pxor   @t[1], @x[1]
+       pxor    @x[3], @t[4]
+        pshufd \$0x4E, @x[4], @t[0]
+       pxor    @x[6], @t[7]
+        pshufd \$0x4E, @x[5], @t[1]
+       pxor    @x[2], @t[3]
+        pshufd \$0x4E, @x[3], @x[4]
+       pxor    @x[7], @t[3]
+        pshufd \$0x4E, @x[7], @x[5]
+       pxor    @x[7], @t[4]
+        pshufd \$0x4E, @x[6], @x[3]
+       pxor    @t[4], @t[0]
+        pshufd \$0x4E, @x[2], @x[6]
+       pxor    @t[5], @t[1]
+
+       pxor    @t[3], @x[4]
+       pxor    @t[7], @x[5]
+       pxor    @t[6], @x[3]
+        movdqa @t[0], @x[2]
+       pxor    @t[2], @x[6]
+        movdqa @t[1], @x[7]
+___
+}
+
+sub aesenc {                           # not used
+my @b=@_[0..7];
+my @t=@_[8..15];
+$code.=<<___;
+       movdqa  0x30($const),@t[0]      # .LSR
+___
+       &shiftrows      (@b,@t[0]);
+       &sbox           (@b,@t);
+       &mixcolumns     (@b[0,1,4,6,3,7,2,5],@t);
+}
+
+sub aesenclast {                       # not used
+my @b=@_[0..7];
+my @t=@_[8..15];
+$code.=<<___;
+       movdqa  0x40($const),@t[0]      # .LSRM0
+___
+       &shiftrows      (@b,@t[0]);
+       &sbox           (@b,@t);
+$code.=<<___
+       pxor    0x00($key),@b[0]
+       pxor    0x10($key),@b[1]
+       pxor    0x20($key),@b[4]
+       pxor    0x30($key),@b[6]
+       pxor    0x40($key),@b[3]
+       pxor    0x50($key),@b[7]
+       pxor    0x60($key),@b[2]
+       pxor    0x70($key),@b[5]
+___
+}
+
+sub swapmove {
+my ($a,$b,$n,$mask,$t)=@_;
+$code.=<<___;
+       movdqa  $b,$t
+       psrlq   \$$n,$b
+       pxor    $a,$b
+       pand    $mask,$b
+       pxor    $b,$a
+       psllq   \$$n,$b
+       pxor    $t,$b
+___
+}
+sub swapmove2x {
+my ($a0,$b0,$a1,$b1,$n,$mask,$t0,$t1)=@_;
+$code.=<<___;
+       movdqa  $b0,$t0
+       psrlq   \$$n,$b0
+        movdqa $b1,$t1
+        psrlq  \$$n,$b1
+       pxor    $a0,$b0
+        pxor   $a1,$b1
+       pand    $mask,$b0
+        pand   $mask,$b1
+       pxor    $b0,$a0
+       psllq   \$$n,$b0
+        pxor   $b1,$a1
+        psllq  \$$n,$b1
+       pxor    $t0,$b0
+        pxor   $t1,$b1
+___
+}
+
+sub bitslice {
+my @x=reverse(@_[0..7]);
+my ($t0,$t1,$t2,$t3)=@_[8..11];
+$code.=<<___;
+       movdqa  0x00($const),$t0        # .LBS0
+       movdqa  0x10($const),$t1        # .LBS1
+___
+       &swapmove2x(@x[0,1,2,3],1,$t0,$t2,$t3);
+       &swapmove2x(@x[4,5,6,7],1,$t0,$t2,$t3);
+$code.=<<___;
+       movdqa  0x20($const),$t0        # .LBS2
+___
+       &swapmove2x(@x[0,2,1,3],2,$t1,$t2,$t3);
+       &swapmove2x(@x[4,6,5,7],2,$t1,$t2,$t3);
+
+       &swapmove2x(@x[0,4,1,5],4,$t0,$t2,$t3);
+       &swapmove2x(@x[2,6,3,7],4,$t0,$t2,$t3);
+}
+
+$code.=<<___;
+.text
+
+.extern        AES_encrypt
+
+.type  _bsaes_encrypt8,\@abi-omnipotent
+.align 64
+_bsaes_encrypt8:
+       lea     .LBS0(%rip), $const     # constants table
+
+       movdqa  ($key), @XMM[9]         # round 0 key
+       lea     0x10($key), $key
+       movdqa  0x60($const), @XMM[8]   # .LM0SR
+       pxor    @XMM[9], @XMM[0]        # xor with round0 key
+       pxor    @XMM[9], @XMM[1]
+        pshufb @XMM[8], @XMM[0]
+       pxor    @XMM[9], @XMM[2]
+        pshufb @XMM[8], @XMM[1]
+       pxor    @XMM[9], @XMM[3]
+        pshufb @XMM[8], @XMM[2]
+       pxor    @XMM[9], @XMM[4]
+        pshufb @XMM[8], @XMM[3]
+       pxor    @XMM[9], @XMM[5]
+        pshufb @XMM[8], @XMM[4]
+       pxor    @XMM[9], @XMM[6]
+        pshufb @XMM[8], @XMM[5]
+       pxor    @XMM[9], @XMM[7]
+        pshufb @XMM[8], @XMM[6]
+        pshufb @XMM[8], @XMM[7]
+_bsaes_encrypt8_bitslice:
+___
+       &bitslice       (@XMM[0..7, 8..11]);
+$code.=<<___;
+       dec     $rounds
+       jmp     .Lenc_sbox
+.align 16
+.Lenc_loop:
+___
+       &shiftrows      (@XMM[0..7, 8]);
+$code.=".Lenc_sbox:\n";
+       &sbox           (@XMM[0..7, 8..15]);
+$code.=<<___;
+       dec     $rounds
+       jl      .Lenc_done
+___
+       &mixcolumns     (@XMM[0,1,4,6,3,7,2,5, 8..15]);
+$code.=<<___;
+       movdqa  0x30($const), @XMM[8]   # .LSR
+       jnz     .Lenc_loop
+       movdqa  0x40($const), @XMM[8]   # .LSRM0
+       jmp     .Lenc_loop
+.align 16
+.Lenc_done:
+___
+       # output in lsb > [t0, t1, t4, t6, t3, t7, t2, t5] < msb
+       &bitslice       (@XMM[0,1,4,6,3,7,2,5, 8..11]);
+$code.=<<___;
+       movdqa  ($key), @XMM[8]         # last round key
+       pxor    @XMM[8], @XMM[0]
+       pxor    @XMM[8], @XMM[1]
+       pxor    @XMM[8], @XMM[4]
+       pxor    @XMM[8], @XMM[6]
+       pxor    @XMM[8], @XMM[3]
+       pxor    @XMM[8], @XMM[7]
+       pxor    @XMM[8], @XMM[2]
+       pxor    @XMM[8], @XMM[5]
+       ret
+.size  _bsaes_encrypt8,.-_bsaes_encrypt8
+___
+}
+{
+my ($out,$inp,$rounds,$const)=("%rax","%rcx","%r10d","%r11");
+
+sub bitslice_key {
+my @x=reverse(@_[0..7]);
+my ($bs0,$bs1,$bs2,$t2,$t3)=@_[8..12];
+
+       &swapmove       (@x[0,1],1,$bs0,$t2,$t3);
+$code.=<<___;
+       #&swapmove(@x[2,3],1,$t0,$t2,$t3);
+       movdqa  @x[0], @x[2]
+       movdqa  @x[1], @x[3]
+___
+       #&swapmove2x(@x[4,5,6,7],1,$t0,$t2,$t3);
+
+       &swapmove2x     (@x[0,2,1,3],2,$bs1,$t2,$t3);
+$code.=<<___;
+       #&swapmove2x(@x[4,6,5,7],2,$t1,$t2,$t3);
+       movdqa  @x[0], @x[4]
+       movdqa  @x[2], @x[6]
+       movdqa  @x[1], @x[5]
+       movdqa  @x[3], @x[7]
+___
+       &swapmove2x     (@x[0,4,1,5],4,$bs2,$t2,$t3);
+       &swapmove2x     (@x[2,6,3,7],4,$bs2,$t2,$t3);
+}
+
+$code.=<<___;
+.type  _bsaes_enc_key_convert,\@abi-omnipotent
+.align 16
+_bsaes_enc_key_convert:
+       lea     .LBS1(%rip), $const
+       movdqu  ($inp), %xmm7           # load round 0 key
+       movdqa  -0x10($const), %xmm8    # .LBS0
+       movdqa  0x00($const), %xmm9     # .LBS1
+       movdqa  0x10($const), %xmm10    # .LBS2
+       movdqa  0x40($const), %xmm13    # .LM0
+       movdqa  0x60($const),%xmm14     # .LNOT
+
+       movdqu  0x10($inp), %xmm6       # load round 1 key
+       lea     0x10($inp), $inp
+       movdqa  %xmm7, ($out)           # save round 0 key
+       lea     0x10($out), $out
+       dec     $rounds
+       jmp     .Lkey_loop
+.align 16
+.Lkey_loop:
+       pshufb  %xmm13, %xmm6
+       movdqa  %xmm6, %xmm7
+___
+       &bitslice_key   (map("%xmm$_",(0..7, 8..12)));
+$code.=<<___;
+       pxor    %xmm14, %xmm5           # "pnot"
+       pxor    %xmm14, %xmm6
+       pxor    %xmm14, %xmm0
+       pxor    %xmm14, %xmm1
+       lea     0x10($inp), $inp
+       movdqa  %xmm0, 0x00($out)       # write bit-sliced round key
+       movdqa  %xmm1, 0x10($out)
+       movdqa  %xmm2, 0x20($out)
+       movdqa  %xmm3, 0x30($out)
+       movdqa  %xmm4, 0x40($out)
+       movdqa  %xmm5, 0x50($out)
+       movdqa  %xmm6, 0x60($out)
+       movdqa  %xmm7, 0x70($out)
+       lea     0x80($out),$out
+       movdqu  ($inp), %xmm6           # load next round key
+       dec     $rounds
+       jnz     .Lkey_loop
+
+       pxor    0x70($const), %xmm6     # .L63
+       movdqa  %xmm6, ($out)           # save last round key
+       ret
+.size  _bsaes_enc_key_convert,.-_bsaes_enc_key_convert
+___
+}
+
+if (1) {       # following two functions are unsupported interface
+               # used for benchmarking...
+$code.=<<___;
+.globl bsaes_enc_key_convert
+.type  bsaes_enc_key_convert,\@function,2
+.align 16
+bsaes_enc_key_convert:
+       mov     240($inp),%r10d         # pass rounds
+       mov     $inp,%rcx               # pass key
+       mov     $out,%rax               # pass key schedule
+       call    _bsaes_enc_key_convert
+       ret
+.size  bsaes_enc_key_convert,.-bsaes_enc_key_convert
+
+.globl bsaes_encrypt_128
+.type  bsaes_encrypt_128,\@function,4
+.align 16
+bsaes_encrypt_128:
+.Lenc128_loop:
+       movdqu  0x00($inp), @XMM[0]     # load input
+       movdqu  0x10($inp), @XMM[1]
+       movdqu  0x20($inp), @XMM[2]
+       movdqu  0x30($inp), @XMM[3]
+       movdqu  0x40($inp), @XMM[4]
+       movdqu  0x50($inp), @XMM[5]
+       movdqu  0x60($inp), @XMM[6]
+       movdqu  0x70($inp), @XMM[7]
+       mov     $key, %rax              # pass the $key
+       lea     0x80($inp), $inp
+       mov     \$10,%r10d
+
+       call    _bsaes_encrypt8
+
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       movdqu  @XMM[4], 0x20($out)
+       movdqu  @XMM[6], 0x30($out)
+       movdqu  @XMM[3], 0x40($out)
+       movdqu  @XMM[7], 0x50($out)
+       movdqu  @XMM[2], 0x60($out)
+       movdqu  @XMM[5], 0x70($out)
+       lea     0x80($out), $out
+       sub     \$0x80,$len
+       ja      .Lenc128_loop
+       ret
+.size  bsaes_encrypt_128,.-bsaes_encrypt_128
+___
+}
+{
+######################################################################
+#
+# OpenSSL interface
+#
+my ($arg1,$arg2,$arg3,$arg4,$arg5) = $win64    ? ("%rcx","%rdx","%r8","%r9","%r10")
+                                               : ("%rdi","%rsi","%rdx","%rcx","%r8");
+my ($inp,$out,$len,$key)=("%r12","%r13","%r14","%r15");
+
+$code.=<<___;
+.globl bsaes_ecb_encrypt_blocks
+.type  bsaes_ecb_encrypt_blocks,\@abi-omnipotent
+.align 16
+bsaes_ecb_encrypt_blocks:
+       push    %rbp
+       push    %rbx
+       push    %r12
+       push    %r13
+       push    %r14
+       push    %r15
+       lea     -0x48(%rsp),%rsp
+___
+$code.=<<___ if ($win64);
+       lea     -0xa0(%rsp), %rsp
+       movaps  %xmm6, 0x40(%rsp)
+       movaps  %xmm7, 0x50(%rsp)
+       movaps  %xmm8, 0x60(%rsp)
+       movaps  %xmm9, 0x70(%rsp)
+       movaps  %xmm10, 0x80(%rsp)
+       movaps  %xmm11, 0x90(%rsp)
+       movaps  %xmm12, 0xa0(%rsp)
+       movaps  %xmm13, 0xb0(%rsp)
+       movaps  %xmm14, 0xc0(%rsp)
+       movaps  %xmm15, 0xd0(%rsp)
+.Lecb_enc_body:
+___
+$code.=<<___;
+       mov     %rsp,%rbp               # backup %rsp
+       mov     240($arg4),%eax         # rounds
+       mov     $arg1,$inp              # backup arguments
+       mov     $arg2,$out
+       mov     $arg3,$len
+       mov     $arg4,$key
+       cmp     \$8,$arg3
+       jb      .Lecb_enc_short
+
+       mov     %eax,%ebx               # backup rounds
+       shl     \$7,%rax                # 128 bytes per inner round key
+       sub     \$`128-32`,%rax         # size of bit-sliced key schedule
+       sub     %rax,%rsp
+       mov     %rsp,%rax               # pass key schedule
+       mov     $key,%rcx               # pass key
+       mov     %ebx,%r10d              # pass rounds
+       call    _bsaes_enc_key_convert
+
+       sub     \$8,$len
+.Lecb_enc_loop:
+       movdqu  0x00($inp), @XMM[0]     # load input
+       movdqu  0x10($inp), @XMM[1]
+       movdqu  0x20($inp), @XMM[2]
+       movdqu  0x30($inp), @XMM[3]
+       movdqu  0x40($inp), @XMM[4]
+       movdqu  0x50($inp), @XMM[5]
+       mov     %rsp, %rax              # pass key schedule
+       movdqu  0x60($inp), @XMM[6]
+       mov     %ebx,%r10d              # pass rounds
+       movdqu  0x70($inp), @XMM[7]
+       lea     0x80($inp), $inp
+
+       call    _bsaes_encrypt8
+
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       movdqu  @XMM[4], 0x20($out)
+       movdqu  @XMM[6], 0x30($out)
+       movdqu  @XMM[3], 0x40($out)
+       movdqu  @XMM[7], 0x50($out)
+       movdqu  @XMM[2], 0x60($out)
+       movdqu  @XMM[5], 0x70($out)
+       lea     0x80($out), $out
+       sub     \$8,$len
+       jnc     .Lecb_enc_loop
+
+       add     \$8,$len
+       jz      .Lecb_enc_done
+
+       movdqu  0x00($inp), @XMM[0]     # load input
+       mov     %rsp, %rax              # pass key schedule
+       mov     %ebx,%r10d              # pass rounds
+       cmp     \$2,$len
+       jb      .Lecb_enc_one
+       movdqu  0x10($inp), @XMM[1]
+       je      .Lecb_enc_two
+       movdqu  0x20($inp), @XMM[2]
+       cmp     \$4,$len
+       jb      .Lecb_enc_three
+       movdqu  0x30($inp), @XMM[3]
+       je      .Lecb_enc_four
+       movdqu  0x40($inp), @XMM[4]
+       cmp     \$6,$len
+       jb      .Lecb_enc_five
+       movdqu  0x50($inp), @XMM[5]
+       je      .Lecb_enc_six
+       movdqu  0x60($inp), @XMM[6]
+       call    _bsaes_encrypt8
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       movdqu  @XMM[4], 0x20($out)
+       movdqu  @XMM[6], 0x30($out)
+       movdqu  @XMM[3], 0x40($out)
+       movdqu  @XMM[7], 0x50($out)
+       movdqu  @XMM[2], 0x60($out)
+       jmp     .Lecb_enc_done
+.align 16
+.Lecb_enc_six:
+       call    _bsaes_encrypt8
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       movdqu  @XMM[4], 0x20($out)
+       movdqu  @XMM[6], 0x30($out)
+       movdqu  @XMM[3], 0x40($out)
+       movdqu  @XMM[7], 0x50($out)
+       jmp     .Lecb_enc_done
+.align 16
+.Lecb_enc_five:
+       call    _bsaes_encrypt8
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       movdqu  @XMM[4], 0x20($out)
+       movdqu  @XMM[6], 0x30($out)
+       movdqu  @XMM[3], 0x40($out)
+       jmp     .Lecb_enc_done
+.align 16
+.Lecb_enc_four:
+       call    _bsaes_encrypt8
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       movdqu  @XMM[4], 0x20($out)
+       movdqu  @XMM[6], 0x30($out)
+       jmp     .Lecb_enc_done
+.align 16
+.Lecb_enc_three:
+       call    _bsaes_encrypt8
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       movdqu  @XMM[4], 0x20($out)
+       jmp     .Lecb_enc_done
+.align 16
+.Lecb_enc_two:
+       call    _bsaes_encrypt8
+       movdqu  @XMM[0], 0x00($out)     # write output
+       movdqu  @XMM[1], 0x10($out)
+       jmp     .Lecb_enc_done
+.align 16
+.Lecb_enc_one:
+       call    _bsaes_encrypt8
+       movdqu  @XMM[0], 0x00($out)     # write output
+       jmp     .Lecb_enc_done
+.align 16
+.Lecb_enc_short:
+       lea     ($inp), $arg1
+       lea     ($out), $arg2
+       lea     ($key), $arg3
+       call    AES_encrypt
+       lea     16($inp), $inp
+       lea     16($out), $out
+       dec     $len
+       jnz     .Lecb_enc_short
+
+.Lecb_enc_done:
+       lea     (%rsp),%rax
+       pxor    %xmm0, %xmm0
+.Lecb_enc_bzero:                       # wipe key schedule [if any]
+       movdqa  %xmm0, 0x00(%rax)
+       movdqa  %xmm0, 0x10(%rax)
+       lea     0x20(%rax), %rax
+       cmp     %rax, %rbp
+       jb      .Lecb_enc_bzero
+
+       lea     (%rbp),%rsp             # restore %rsp
+___
+$code.=<<___ if ($win64);
+       movaps  0x40(%rbp), %xmm6
+       movaps  0x50(%rbp), %xmm7
+       movaps  0x60(%rbp), %xmm8
+       movaps  0x70(%rbp), %xmm9
+       movaps  0x80(%rbp), %xmm10
+       movaps  0x90(%rbp), %xmm11
+       movaps  0xa0(%rbp), %xmm12
+       movaps  0xb0(%rbp), %xmm13
+       movaps  0xc0(%rbp), %xmm14
+       movaps  0xd0(%rbp), %xmm15
+       lea     0xa0(%rbp), %rsp
+___
+$code.=<<___;
+       mov     0x48(%rsp), %r15
+       mov     0x50(%rsp), %r14
+       mov     0x58(%rsp), %r13
+       mov     0x60(%rsp), %r12
+       mov     0x68(%rsp), %rbx
+       mov     0x70(%rsp), %rbp
+       lea     0x78(%rsp), %rsp
+.Lecb_enc_epilogue:
+       ret
+.size  bsaes_ecb_encrypt_blocks,.-bsaes_ecb_encrypt_blocks
+
+.globl bsaes_ctr32_encrypt_blocks
+.type  bsaes_ctr32_encrypt_blocks,\@abi-omnipotent
+.align 16
+bsaes_ctr32_encrypt_blocks:
+       push    %rbp
+       push    %rbx
+       push    %r12
+       push    %r13
+       push    %r14
+       push    %r15
+       lea     -0x48(%rsp), %rsp
+___
+$code.=<<___ if ($win64);
+       mov     0xa0(%rsp),$arg5        # pull ivp
+       lea     -0xa0(%rsp), %rsp
+       movaps  %xmm6, 0x40(%rsp)
+       movaps  %xmm7, 0x50(%rsp)
+       movaps  %xmm8, 0x60(%rsp)
+       movaps  %xmm9, 0x70(%rsp)
+       movaps  %xmm10, 0x80(%rsp)
+       movaps  %xmm11, 0x90(%rsp)
+       movaps  %xmm12, 0xa0(%rsp)
+       movaps  %xmm13, 0xb0(%rsp)
+       movaps  %xmm14, 0xc0(%rsp)
+       movaps  %xmm15, 0xd0(%rsp)
+.Lctr_enc_body:
+___
+$code.=<<___;
+       mov     %rsp, %rbp              # backup %rsp
+       movdqu  ($arg5), %xmm0          # load counter
+       mov     240($arg4), %eax        # rounds
+       mov     $arg1, $inp             # backup arguments
+       mov     $arg2, $out
+       mov     $arg3, $len
+       mov     $arg4, $key
+       movdqa  %xmm0, 0x20(%rbp)       # copy counter
+       cmp     \$8, $arg3
+       jb      .Lctr_enc_short
+
+       mov     %eax, %ebx              # rounds
+       shl     \$7, %rax               # 128 bytes per inner round key
+       sub     \$`128-32`, %rax        # size of bit-sliced key schedule
+       sub     %rax, %rsp
+
+       mov     %rsp, %rax              # pass key schedule
+       mov     $key, %rcx              # pass key
+       mov     %ebx, %r10d             # pass rounds
+       call    _bsaes_enc_key_convert
+
+       movdqa  (%rsp), @XMM[9]         # load round0 key
+       lea     .LADD1(%rip), %r11
+       movdqa  0x20(%rbp), @XMM[0]     # counter copy
+       movdqa  -0x20(%r11), @XMM[8]    # .LSWPUP
+       pshufb  @XMM[8], @XMM[9]        # byte swap upper part
+       pshufb  @XMM[8], @XMM[0]
+       movdqa  @XMM[9], (%rsp)         # save adjusted round0 key
+       jmp     .Lctr_enc_loop
+.align 16
+.Lctr_enc_loop:
+       movdqa  @XMM[0], 0x20(%rbp)     # save counter
+       movdqa  @XMM[0], @XMM[1]        # prepare 8 counter values
+       movdqa  @XMM[0], @XMM[2]
+       paddd   0x00(%r11), @XMM[1]     # .LADD1
+       movdqa  @XMM[0], @XMM[3]
+       paddd   0x10(%r11), @XMM[2]     # .LADD2
+       movdqa  @XMM[0], @XMM[4]
+       paddd   0x20(%r11), @XMM[3]     # .LADD3
+       movdqa  @XMM[0], @XMM[5]
+       paddd   0x30(%r11), @XMM[4]     # .LADD4
+       movdqa  @XMM[0], @XMM[6]
+       paddd   0x40(%r11), @XMM[5]     # .LADD5
+       movdqa  @XMM[0], @XMM[7]
+       paddd   0x50(%r11), @XMM[6]     # .LADD6
+       paddd   0x60(%r11), @XMM[7]     # .LADD7
+
+       # Borrow prologue from _bsaes_encrypt8 to use the opportunity
+       # to flip byte order in 32-bit counter
+       movdqa  (%rsp), @XMM[9]         # round 0 key
+       lea     0x10(%rsp), %rax        # pass key schedule
+       movdqa  -0x10(%r11), @XMM[8]    # .LSWPUPM0SR
+       pxor    @XMM[9], @XMM[0]        # xor with round0 key
+       pxor    @XMM[9], @XMM[1]
+        pshufb @XMM[8], @XMM[0]
+       pxor    @XMM[9], @XMM[2]
+        pshufb @XMM[8], @XMM[1]
+       pxor    @XMM[9], @XMM[3]
+        pshufb @XMM[8], @XMM[2]
+       pxor    @XMM[9], @XMM[4]
+        pshufb @XMM[8], @XMM[3]
+       pxor    @XMM[9], @XMM[5]
+        pshufb @XMM[8], @XMM[4]
+       pxor    @XMM[9], @XMM[6]
+        pshufb @XMM[8], @XMM[5]
+       pxor    @XMM[9], @XMM[7]
+        pshufb @XMM[8], @XMM[6]
+       lea     .LBS0(%rip), %r11       # constants table
+        pshufb @XMM[8], @XMM[7]
+       mov     %ebx,%r10d              # pass rounds
+
+       call    _bsaes_encrypt8_bitslice
+
+       sub     \$8,$len
+       jc      .Lctr_enc_loop_done
+
+       movdqu  0x00($inp), @XMM[8]     # load input
+       movdqu  0x10($inp), @XMM[9]
+       movdqu  0x20($inp), @XMM[10]
+       movdqu  0x30($inp), @XMM[11]
+       movdqu  0x40($inp), @XMM[12]
+       movdqu  0x50($inp), @XMM[13]
+       movdqu  0x60($inp), @XMM[14]
+       movdqu  0x70($inp), @XMM[15]
+       lea     0x80($inp),$inp
+       pxor    @XMM[0], @XMM[8]
+       movdqa  0x20(%rbp), @XMM[0]     # load counter
+       pxor    @XMM[9], @XMM[1]
+       movdqu  @XMM[8], 0x00($out)     # write output
+       pxor    @XMM[10], @XMM[4]
+       movdqu  @XMM[1], 0x10($out)
+       pxor    @XMM[11], @XMM[6]
+       movdqu  @XMM[4], 0x20($out)
+       pxor    @XMM[12], @XMM[3]
+       movdqu  @XMM[6], 0x30($out)
+       pxor    @XMM[13], @XMM[7]
+       movdqu  @XMM[3], 0x40($out)
+       pxor    @XMM[14], @XMM[2]
+       movdqu  @XMM[7], 0x50($out)
+       pxor    @XMM[15], @XMM[5]
+       movdqu  @XMM[2], 0x60($out)
+       lea     .LADD1(%rip), %r11
+       movdqu  @XMM[5], 0x70($out)
+       lea     0x80($out), $out
+       paddd   0x70(%r11), @XMM[0]     # .LADD8
+       jnz     .Lctr_enc_loop
+
+       jmp     .Lctr_enc_done
+.align 16
+.Lctr_enc_loop_done:
+       movdqu  0x00($inp), @XMM[8]     # load input
+       pxor    @XMM[8], @XMM[0]
+       movdqu  @XMM[0], 0x00($out)     # write output
+       cmp     \$2,$len
+       jb      .Lctr_enc_done
+       movdqu  0x10($inp), @XMM[9]
+       pxor    @XMM[9], @XMM[1]
+       movdqu  @XMM[1], 0x10($out)
+       je      .Lctr_enc_done
+       movdqu  0x20($inp), @XMM[10]
+       pxor    @XMM[10], @XMM[4]
+       movdqu  @XMM[4], 0x20($out)
+       cmp     \$4,$len
+       jb      .Lctr_enc_done
+       movdqu  0x30($inp), @XMM[11]
+       pxor    @XMM[11], @XMM[6]
+       movdqu  @XMM[6], 0x30($out)
+       je      .Lctr_enc_done
+       movdqu  0x40($inp), @XMM[12]
+       pxor    @XMM[12], @XMM[3]
+       movdqu  @XMM[3], 0x40($out)
+       cmp     \$6,$len
+       jb      .Lctr_enc_done
+       movdqu  0x50($inp), @XMM[13]
+       pxor    @XMM[13], @XMM[7]
+       movdqu  @XMM[7], 0x50($out)
+       je      .Lctr_enc_done
+       movdqu  0x60($inp), @XMM[14]
+       pxor    @XMM[14], @XMM[2]
+       movdqu  @XMM[2], 0x60($out)
+       jmp     .Lctr_enc_done
+
+.align 16
+.Lctr_enc_short:
+       lea     0x20(%rbp), $arg1
+       lea     0x30(%rbp), $arg2
+       lea     ($key), $arg3
+       call    AES_encrypt
+       movdqu  ($inp), @XMM[1]
+       lea     16($inp), $inp
+       mov     0x2c(%rbp), %eax        # load 32-bit counter
+       bswap   %eax
+       pxor    0x30(%rbp), @XMM[1]
+       inc     %eax                    # increment
+       movdqu  @XMM[1], ($out)
+       bswap   %eax
+       lea     16($out), $out
+       mov     %eax, 0x2c(%rsp)        # save 32-bit counter
+       dec     $len
+       jnz     .Lctr_enc_short
+
+.Lctr_enc_done:
+       lea     (%rsp), %rax
+       pxor    %xmm0, %xmm0
+.Lctr_enc_bzero:                       # wipe key schedule [if any]
+       movdqa  %xmm0, 0x00(%rax)
+       movdqa  %xmm0, 0x10(%rax)
+       lea     0x20(%rax), %rax
+       cmp     %rax, %rbp
+       ja      .Lctr_enc_bzero
+
+       lea     (%rbp),%rsp             # restore %rsp
+___
+$code.=<<___ if ($win64);
+       movaps  0x40(%rbp), %xmm6
+       movaps  0x50(%rbp), %xmm7
+       movaps  0x60(%rbp), %xmm8
+       movaps  0x70(%rbp), %xmm9
+       movaps  0x80(%rbp), %xmm10
+       movaps  0x90(%rbp), %xmm11
+       movaps  0xa0(%rbp), %xmm12
+       movaps  0xb0(%rbp), %xmm13
+       movaps  0xc0(%rbp), %xmm14
+       movaps  0xd0(%rbp), %xmm15
+       lea     0xa0(%rbp), %rsp
+___
+$code.=<<___;
+       mov     0x48(%rsp), %r15
+       mov     0x50(%rsp), %r14
+       mov     0x58(%rsp), %r13
+       mov     0x60(%rsp), %r12
+       mov     0x68(%rsp), %rbx
+       mov     0x70(%rsp), %rbp
+       lea     0x78(%rsp), %rsp
+.Lctr_enc_epilogue:
+       ret
+.size  bsaes_ctr32_encrypt_blocks,.-bsaes_ctr32_encrypt_blocks
+___
+}
+$code.=<<___;
+.align 64
+.LBS0: .quad   0x5555555555555555, 0x5555555555555555
+.LBS1: .quad   0x3333333333333333, 0x3333333333333333
+.LBS2: .quad   0x0f0f0f0f0f0f0f0f, 0x0f0f0f0f0f0f0f0f
+.LSR:  .quad   0x0504070600030201, 0x0f0e0d0c0a09080b
+.LSRM0:        .quad   0x0304090e00050a0f, 0x01060b0c0207080d
+.LM0:  .quad   0x02060a0e03070b0f, 0x0004080c0105090d
+.LM0SR:        .quad   0x0a0e02060f03070b, 0x0004080c05090d01
+.LNOT: .quad   0xffffffffffffffff, 0xffffffffffffffff
+.L63:  .quad   0x6363636363636363, 0x6363636363636363
+.LSWPUP:
+       .quad   0x0706050403020100, 0x0c0d0e0f0b0a0908
+.LSWPUPM0SR:
+       .quad   0x0a0d02060c03070b, 0x0004080f05090e01
+.LADD1:        .quad   0x0000000000000000, 0x0000000100000000
+.LADD2:        .quad   0x0000000000000000, 0x0000000200000000
+.LADD3:        .quad   0x0000000000000000, 0x0000000300000000
+.LADD4:        .quad   0x0000000000000000, 0x0000000400000000
+.LADD5:        .quad   0x0000000000000000, 0x0000000500000000
+.LADD6:        .quad   0x0000000000000000, 0x0000000600000000
+.LADD7:        .quad   0x0000000000000000, 0x0000000700000000
+.LADD8:        .quad   0x0000000000000000, 0x0000000800000000
+.asciz "Bit-sliced AES for x86_64, Emilia Käsper"
+.align 64
+___
+
+$code =~ s/\`([^\`]*)\`/eval($1)/gem;
+
+print $code;
+
+close STDOUT;