New scalable bn_mul_add_words loop, which provides up to >20% overall
authorAndy Polyakov <appro@openssl.org>
Thu, 1 Jul 2004 11:10:38 +0000 (11:10 +0000)
committerAndy Polyakov <appro@openssl.org>
Thu, 1 Jul 2004 11:10:38 +0000 (11:10 +0000)
performance improvement. Make module more gcc friendly and clarify
copyright issues for division routine.

crypto/bn/asm/ia64.S

index 7dfda85..7b82b82 100644 (file)
@@ -1,6 +1,6 @@
 .explicit
 .text
-.ident "ia64.S, Version 2.0"
+.ident "ia64.S, Version 2.1"
 .ident "IA-64 ISA artwork by Andy Polyakov <appro@fy.chalmers.se>"
 
 //
@@ -35,7 +35,7 @@
 // What does it mean? You might ratiocinate that the original code
 // should run just faster... Because sum of latencies is smaller...
 // Wrong! Note that getf latency increased. This means that if a loop is
-// scheduled for lower latency (and they are), then it will suffer from
+// scheduled for lower latency (as they were), then it will suffer from
 // stall condition and the code will therefore turn anti-scalable, e.g.
 // original bn_mul_words spun at 5*n or 2.5 times slower than expected
 // on Itanium2! What to do? Reschedule loops for Itanium2? But then
 //     -Drum=nop.m in command line.
 //
 
+#if defined(_HPUX_SOURCE) && !defined(_LP64)
+#define        ADDP    addp4
+#else
+#define        ADDP    add
+#endif
+
 #if 1
 //
 // bn_[add|sub]_words routines.
@@ -178,27 +184,12 @@ bn_add_words:
        brp.loop.imp    .L_bn_add_words_ctop,.L_bn_add_words_cend-16
                                        }
        .body
-{ .mib;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r14=0,r32               // rp
-#else
-       mov             r14=r32                 // rp
-#endif
+{ .mib;        ADDP            r14=0,r32               // rp
        mov             r9=pr           };;
-{ .mii;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r15=0,r33               // ap
-#else
-       mov             r15=r33                 // ap
-#endif
+{ .mii;        ADDP            r15=0,r33               // ap
        mov             ar.lc=r10
        mov             ar.ec=6         }
-{ .mib;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r16=0,r34               // bp
-#else
-       mov             r16=r34                 // bp
-#endif
+{ .mib;        ADDP            r16=0,r34               // bp
        mov             pr.rot=1<<16    };;
 
 .L_bn_add_words_ctop:
@@ -246,27 +237,12 @@ bn_sub_words:
        brp.loop.imp    .L_bn_sub_words_ctop,.L_bn_sub_words_cend-16
                                        }
        .body
-{ .mib;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r14=0,r32               // rp
-#else
-       mov             r14=r32                 // rp
-#endif
+{ .mib;        ADDP            r14=0,r32               // rp
        mov             r9=pr           };;
-{ .mii;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r15=0,r33               // ap
-#else
-       mov             r15=r33                 // ap
-#endif
+{ .mii;        ADDP            r15=0,r33               // ap
        mov             ar.lc=r10
        mov             ar.ec=6         }
-{ .mib;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r16=0,r34               // bp
-#else
-       mov             r16=r34                 // bp
-#endif
+{ .mib;        ADDP            r16=0,r34               // bp
        mov             pr.rot=1<<16    };;
 
 .L_bn_sub_words_ctop:
@@ -332,16 +308,10 @@ bn_mul_words:
 
 #ifndef XMA_TEMPTATION
 
-{ .mii;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r14=0,r32       // rp
-       addp4           r15=0,r33       // ap
-#else
-       mov             r14=r32         // rp
-       mov             r15=r33         // ap
-#endif
+{ .mmi;        ADDP            r14=0,r32       // rp
+       ADDP            r15=0,r33       // ap
        mov             ar.lc=r10       }
-{ .mii;        mov             r40=0   // serves as r35 at first (p27)
+{ .mmi;        mov             r40=0           // serves as r35 at first (p27)
        mov             ar.ec=13        };;
 
 // This loop spins in 2*(n+12) ticks. It's scheduled for data in Itanium
@@ -424,89 +394,64 @@ bn_mul_words:
 .global        bn_mul_add_words#
 .proc  bn_mul_add_words#
 .align 64
-//.skip        0       // makes the loop split at 64-byte boundary
+.skip  48      // makes the loop body aligned at 64-byte boundary
 bn_mul_add_words:
        .prologue
        .fframe 0
        .save   ar.pfs,r2
-{ .mii;        alloc           r2=ar.pfs,4,12,0,16
-       cmp4.le         p6,p0=r34,r0    };;
-{ .mfb;        mov             r8=r0                   // return value
-(p6)   br.ret.spnt.many        b0      };;
-
        .save   ar.lc,r3
-{ .mii;        sub     r10=r34,r0,1
-       mov     r3=ar.lc
-       mov     r9=pr                   };;
+       .save   pr,r9
+{ .mmi;        alloc           r2=ar.pfs,4,4,0,8
+       cmp4.le         p6,p0=r34,r0
+       mov             r3=ar.lc        };;
+{ .mib;        mov             r8=r0           // return value
+       sub             r10=r34,r0,1
+(p6)   br.ret.spnt.many        b0      };;
 
        .body
-{ .mib;        setf.sig        f8=r35  // w
-       mov             pr.rot=0x800001<<16
-                       // ------^----- serves as (p50) at first (p27)
+{ .mib;        setf.sig        f8=r35          // w
+       mov             r9=pr
        brp.loop.imp    .L_bn_mul_add_words_ctop,.L_bn_mul_add_words_cend-16
                                        }
-{ .mii;
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r14=0,r32       // rp
-       addp4           r15=0,r33       // ap
-#else
-       mov             r14=r32         // rp
-       mov             r15=r33         // ap
-#endif
+{ .mmi;        ADDP            r14=0,r32       // rp
+       ADDP            r15=0,r33       // ap
        mov             ar.lc=r10       }
-{ .mii;        mov             r40=0   // serves as r35 at first (p27)
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-       addp4           r18=0,r32       // rp copy
-#else
-       mov             r18=r32         // rp copy
-#endif
-       mov             ar.ec=15        };;
-
-// This loop spins in 3*(n+14) ticks on Itanium and should spin in
-// 2*(n+14) on "wider" IA-64 implementations (to be verified with new
-// µ-architecture manuals as they become available). As usual it's
-// possible to compress the epilogue, down to 10 in this case, at the
-// cost of scalability. Compressed (and therefore non-scalable) loop
-// running at 3*(n+11) would buy you ~10% on Itanium but take ~35%
-// from "wider" IA-64 so let it be scalable! Special attention was
-// paid for having the loop body split at 64-byte boundary. ld8 is
-// scheduled for L1 cache as the data is more than likely there.
-// Indeed, bn_mul_words has put it there a moment ago:-)
+{ .mii;        ADDP            r16=0,r32       // rp copy
+       mov             pr.rot=0x2001<<16
+                       // ------^----- serves as (p40) at first (p27)
+       mov             ar.ec=11        };;
+
+// This loop spins in 3*(n+10) ticks on Itanium and in 2*(n+10) on
+// Itanium 2. Yes, unlike previous versions it scales:-) Previous
+// version was peforming *all* additions in IALU and was starving
+// for those even on Itanium 2. In this version one addition is
+// moved to FPU and is folded with multiplication. This is at cost
+// of propogating the result from previous call to this subroutine
+// to L2 cache... In other words negligible even for shorter keys.
+// *Overall* performance improvement [over previous version] varies
+// from 11 to 22 percent depending on key length.
 .L_bn_mul_add_words_ctop:
-{ .mfi;        (p25)   getf.sig        r36=f52                 // low
-       (p21)   xmpy.lu         f48=f37,f8
-       (p28)   cmp.ltu         p54,p50=r41,r39 }
-{ .mfi;        (p16)   ldf8            f32=[r15],8
-       (p21)   xmpy.hu         f40=f37,f8
-       (p28)   add             r45=r45,r41     };;
-{ .mii;        (p25)   getf.sig        r32=f44                 // high
-       .pred.rel       "mutex",p50,p54
-       (p50)   add             r40=r38,r35             // (p27)
-       (p54)   add             r40=r38,r35,1   }       // (p27)
-{ .mfb;        (p28)   cmp.ltu.unc     p60,p0=r45,r41
-       (p0)    nop.f           0x0
-       (p0)    nop.b           0x0             }
-{ .mii;        (p27)   ld8             r44=[r18],8
-       (p62)   cmp.eq.or       p61,p0=-1,r46
-       (p62)   add             r46=1,r46       }
-{ .mfb;        (p30)   st8             [r14]=r47,8
-       (p0)    nop.f           0x0
+.pred.rel      "mutex",p40,p42
+{ .mfi;        (p23)   getf.sig        r36=f45                 // low
+       (p20)   xma.lu          f42=f36,f8,f50          // low
+       (p40)   add             r39=r39,r35     }       // (p27)
+{ .mfi;        (p16)   ldf8            f32=[r15],8             // *(ap++)
+       (p20)   xma.hu          f36=f36,f8,f50          // high
+       (p42)   add             r39=r39,r35,1   };;     // (p27)
+{ .mmi;        (p24)   getf.sig        r32=f40                 // high
+       (p16)   ldf8            f46=[r16],8             // *(rp1++)
+       (p40)   cmp.ltu         p41,p39=r39,r35 }       // (p27)
+{ .mib;        (p26)   st8             [r14]=r39,8             // *(rp2++)
+       (p42)   cmp.leu         p41,p39=r39,r35         // (p27)
        br.ctop.sptk    .L_bn_mul_add_words_ctop};;
 .L_bn_mul_add_words_cend:
 
-{ .mii;        nop.m           0x0
-.pred.rel      "mutex",p53,p57
-(p53)  add             r8=r38,r0
-(p57)  add             r8=r38,r0,1     }
-{ .mfb;        nop.m   0x0
-       nop.f   0x0
-       nop.b   0x0                     };;
-{ .mii;
-(p63)  add             r8=1,r8
-       mov             pr=r9,0x1ffff
-       mov             ar.lc=r3        }
-{ .mfb;        rum             1<<5            // clear um.mfh
-       nop.f           0x0
+{ .mmi;        .pred.rel       "mutex",p40,p42
+(p40)  add             r8=r35,r0
+(p42)  add             r8=r35,r0,1
+       mov             pr=r9,0x1ffff   }
+{ .mib;        rum             1<<5            // clear um.mfh
+       mov             ar.lc=r3
        br.ret.sptk.many        b0      };;
 .endp  bn_mul_add_words#
 #endif
@@ -527,7 +472,8 @@ bn_sqr_words:
        sxt4            r34=r34         };;
 { .mii;        cmp.le          p6,p0=r34,r0
        mov             r8=r0           }       // return value
-{ .mfb;        nop.f           0x0
+{ .mfb;        ADDP            r32=0,r32
+       nop.f           0x0
 (p6)   br.ret.spnt.many        b0      };;
 
        .save   ar.lc,r3
@@ -536,11 +482,7 @@ bn_sqr_words:
        mov     r9=pr                   };;
 
        .body
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
-{ .mii; addp4          r32=0,r32
-       addp4           r33=0,r33       };;
-#endif
-{ .mib;
+{ .mib;        ADDP            r33=0,r33
        mov             pr.rot=1<<16
        brp.loop.imp    .L_bn_sqr_words_ctop,.L_bn_sqr_words_cend-16
                                        }
@@ -605,7 +547,7 @@ bn_sqr_comba8:
        .prologue
        .fframe 0
        .save   ar.pfs,r2
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
+#if defined(_HPUX_SOURCE) && !defined(_LP64)
 { .mii;        alloc   r2=ar.pfs,2,1,0,0
        addp4   r33=0,r33
        addp4   r32=0,r32               };;
@@ -631,6 +573,10 @@ bn_sqr_comba8:
 // clause in Itanium µ-architecture manual? Comments are welcomed and
 // highly appreciated.
 //
+// On Itanium 2 it takes ~190 ticks. This is because of stalls on
+// result from getf.sig. I do nothing about it at this point for
+// reasons depicted below.
+//
 // However! It should be noted that even 160 ticks is darn good result
 // as it's over 10 (yes, ten, spelled as t-e-n) times faster than the
 // C version (compiled with gcc with inline assembler). I really
@@ -673,7 +619,7 @@ bn_mul_comba8:
        .prologue
        .fframe 0
        .save   ar.pfs,r2
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
+#if defined(_HPUX_SOURCE) && !defined(_LP64)
 { .mii;        alloc   r2=ar.pfs,3,0,0,0
        addp4   r33=0,r33
        addp4   r34=0,r34               };;
@@ -1231,7 +1177,7 @@ bn_sqr_comba4:
        .prologue
        .fframe 0
        .save   ar.pfs,r2
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
+#if defined(_HPUX_SOURCE) && !defined(_LP64)
 { .mii;        alloc   r2=ar.pfs,2,1,0,0
        addp4   r32=0,r32
        addp4   r33=0,r33               };;
@@ -1264,7 +1210,7 @@ bn_mul_comba4:
        .prologue
        .fframe 0
        .save   ar.pfs,r2
-#if defined(_HPUX_SOURCE) && defined(_ILP32)
+#if defined(_HPUX_SOURCE) && !defined(_LP64)
 { .mii;        alloc   r2=ar.pfs,3,0,0,0
        addp4   r33=0,r33
        addp4   r34=0,r34               };;
@@ -1448,8 +1394,8 @@ bn_mul_comba4:
 #define        I       r21
 
 #if 0
-// Some preprocessors (most notably HP-UX) apper to be allergic to
-// macros enclosed to parenthesis as these three will be.
+// Some preprocessors (most notably HP-UX) appear to be allergic to
+// macros enclosed to parenthesis [as these three were].
 #define        cont    p16
 #define        break   p0      // p20
 #define        equ     p24
@@ -1581,9 +1527,18 @@ bn_div_words:
 // output:     f8 = (int)(a/b)
 // clobbered:  f8,f9,f10,f11,pred
 pred=p15
-// This procedure is essentially Intel code and therefore is
-// copyrighted to Intel Corporation (I suppose...). It's sligtly
-// modified for specific needs.
+// One can argue that this snippet is copyrighted to Intel
+// Corporation, as it's essentially identical to one of those
+// found in "Divide, Square Root and Remainder" section at
+// http://www.intel.com/software/products/opensource/libraries/num.htm.
+// Yes, I admit that the referred code was used as template,
+// but after I realized that there hardly is any other instruction
+// sequence which would perform this operation. I mean I figure that
+// any independent attempt to implement high-performance division
+// will result in code virtually identical to the Intel code. It
+// should be noted though that below division kernel is 1 cycle
+// faster than Intel one (note commented splits:-), not to mention
+// original prologue (rather lack of one) and epilogue.
 .align 32
 .skip  16
 .L_udiv64_32_b6: