crypto/rc4/asm/rc4-586.pl

   1 #! /usr/bin/env perl
   2 # Copyright 1998-2016 The OpenSSL Project Authors. All Rights Reserved.
   3 #
   4 # Licensed under the OpenSSL license (the "License").  You may not use
   5 # this file except in compliance with the License.  You can obtain a copy
   6 # in the file LICENSE in the source distribution or at
   7 # https://www.openssl.org/source/license.html
   8
   9
  10 # ====================================================================
  11 # [Re]written by Andy Polyakov <appro@fy.chalmers.se> for the OpenSSL
  12 # project. The module is, however, dual licensed under OpenSSL and
  13 # CRYPTOGAMS licenses depending on where you obtain it. For further
  14 # details see http://www.openssl.org/~appro/cryptogams/.
  15 # ====================================================================
  16
  17 # At some point it became apparent that the original SSLeay RC4
  18 # assembler implementation performs suboptimally on latest IA-32
  19 # microarchitectures. After re-tuning performance has changed as
  20 # following:
  21 #
  22 # Pentium       -10%
  23 # Pentium III   +12%
  24 # AMD           +50%(*)
  25 # P4            +250%(**)
  26 #
  27 # (*)   This number is actually a trade-off:-) It's possible to
  28 #       achieve +72%, but at the cost of -48% off PIII performance.
  29 #       In other words code performing further 13% faster on AMD
  30 #       would perform almost 2 times slower on Intel PIII...
  31 #       For reference! This code delivers ~80% of rc4-amd64.pl
  32 #       performance on the same Opteron machine.
  33 # (**)  This number requires compressed key schedule set up by
  34 #       RC4_set_key [see commentary below for further details].
  35 #
  36 #                                       <appro@fy.chalmers.se>
  37
  38 # May 2011
  39 #
  40 # Optimize for Core2 and Westmere [and incidentally Opteron]. Current
  41 # performance in cycles per processed byte (less is better) and
  42 # improvement relative to previous version of this module is:
  43 #
  44 # Pentium       10.2                    # original numbers
  45 # Pentium III   7.8(*)
  46 # Intel P4      7.5
  47 #
  48 # Opteron       6.1/+20%                # new MMX numbers
  49 # Core2         5.3/+67%(**)
  50 # Westmere      5.1/+94%(**)
  51 # Sandy Bridge  5.0/+8%
  52 # Atom          12.6/+6%
  53 # VIA Nano      6.4/+9%
  54 # Ivy Bridge    4.9/±0%
  55 # Bulldozer     4.9/+15%
  56 #
  57 # (*)   PIII can actually deliver 6.6 cycles per byte with MMX code,
  58 #       but this specific code performs poorly on Core2. And vice
  59 #       versa, below MMX/SSE code delivering 5.8/7.1 on Core2 performs
  60 #       poorly on PIII, at 8.0/14.5:-( As PIII is not a "hot" CPU
  61 #       [anymore], I chose to discard PIII-specific code path and opt
  62 #       for original IALU-only code, which is why MMX/SSE code path
  63 #       is guarded by SSE2 bit (see below), not MMX/SSE.
  64 # (**)  Performance vs. block size on Core2 and Westmere had a maximum
  65 #       at ... 64 bytes block size. And it was quite a maximum, 40-60%
  66 #       in comparison to largest 8KB block size. Above improvement
  67 #       coefficients are for the largest block size.
  68
  69 $0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
  70 push(@INC,"${dir}","${dir}../../perlasm");
  71 require "x86asm.pl";
  72
  73 $output=pop;
  74 open STDOUT,">$output";
  75
  76 &asm_init($ARGV[0],$x86only = $ARGV[$#ARGV] eq "386");
  77
  78 $xx="eax";
  79 $yy="ebx";
  80 $tx="ecx";
  81 $ty="edx";
  82 $inp="esi";
  83 $out="ebp";
  84 $dat="edi";
  85
  86 sub RC4_loop {
  87   my $i=shift;
  88   my $func = ($i==0)?*mov:*or;
  89
  90         &add    (&LB($yy),&LB($tx));
  91         &mov    ($ty,&DWP(0,$dat,$yy,4));
  92         &mov    (&DWP(0,$dat,$yy,4),$tx);
  93         &mov    (&DWP(0,$dat,$xx,4),$ty);
  94         &add    ($ty,$tx);
  95         &inc    (&LB($xx));
  96         &and    ($ty,0xff);
  97         &ror    ($out,8)        if ($i!=0);
  98         if ($i<3) {
  99           &mov  ($tx,&DWP(0,$dat,$xx,4));
 100         } else {
 101           &mov  ($tx,&wparam(3));       # reload [re-biased] out
 102         }
 103         &$func  ($out,&DWP(0,$dat,$ty,4));
 104 }
 105
 106 if ($alt=0) {
 107   # >20% faster on Atom and Sandy Bridge[!], 8% faster on Opteron,
 108   # but ~40% slower on Core2 and Westmere... Attempt to add movz
 109   # brings down Opteron by 25%, Atom and Sandy Bridge by 15%, yet
 110   # on Core2 with movz it's almost 20% slower than below alternative
 111   # code... Yes, it's a total mess...
 112   my @XX=($xx,$out);
 113   $RC4_loop_mmx = sub {         # SSE actually...
 114     my $i=shift;
 115     my $j=$i<=0?0:$i>>1;
 116     my $mm=$i<=0?"mm0":"mm".($i&1);
 117
 118         &add    (&LB($yy),&LB($tx));
 119         &lea    (@XX[1],&DWP(1,@XX[0]));
 120         &pxor   ("mm2","mm0")                           if ($i==0);
 121         &psllq  ("mm1",8)                               if ($i==0);
 122         &and    (@XX[1],0xff);
 123         &pxor   ("mm0","mm0")                           if ($i<=0);
 124         &mov    ($ty,&DWP(0,$dat,$yy,4));
 125         &mov    (&DWP(0,$dat,$yy,4),$tx);
 126         &pxor   ("mm1","mm2")                           if ($i==0);
 127         &mov    (&DWP(0,$dat,$XX[0],4),$ty);
 128         &add    (&LB($ty),&LB($tx));
 129         &movd   (@XX[0],"mm7")                          if ($i==0);
 130         &mov    ($tx,&DWP(0,$dat,@XX[1],4));
 131         &pxor   ("mm1","mm1")                           if ($i==1);
 132         &movq   ("mm2",&QWP(0,$inp))                    if ($i==1);
 133         &movq   (&QWP(-8,(@XX[0],$inp)),"mm1")          if ($i==0);
 134         &pinsrw ($mm,&DWP(0,$dat,$ty,4),$j);
 135
 136         push    (@XX,shift(@XX))                        if ($i>=0);
 137   }
 138 } else {
 139   # Using pinsrw here improves performane on Intel CPUs by 2-3%, but
 140   # brings down AMD by 7%...
 141   $RC4_loop_mmx = sub {
 142     my $i=shift;
 143
 144         &add    (&LB($yy),&LB($tx));
 145         &psllq  ("mm1",8*(($i-1)&7))                    if (abs($i)!=1);
 146         &mov    ($ty,&DWP(0,$dat,$yy,4));
 147         &mov    (&DWP(0,$dat,$yy,4),$tx);
 148         &mov    (&DWP(0,$dat,$xx,4),$ty);
 149         &inc    ($xx);
 150         &add    ($ty,$tx);
 151         &movz   ($xx,&LB($xx));                         # (*)
 152         &movz   ($ty,&LB($ty));                         # (*)
 153         &pxor   ("mm2",$i==1?"mm0":"mm1")               if ($i>=0);
 154         &movq   ("mm0",&QWP(0,$inp))                    if ($i<=0);
 155         &movq   (&QWP(-8,($out,$inp)),"mm2")            if ($i==0);
 156         &mov    ($tx,&DWP(0,$dat,$xx,4));
 157         &movd   ($i>0?"mm1":"mm2",&DWP(0,$dat,$ty,4));
 158
 159         # (*)   This is the key to Core2 and Westmere performance.
 160         #       Without movz out-of-order execution logic confuses
 161         #       itself and fails to reorder loads and stores. Problem
 162         #       appears to be fixed in Sandy Bridge...
 163   }
 164 }
 165
 166 &external_label("OPENSSL_ia32cap_P");
 167
 168 # void RC4(RC4_KEY *key,size_t len,const unsigned char *inp,unsigned char *out);
 169 &function_begin("RC4");
 170         &mov    ($dat,&wparam(0));      # load key schedule pointer
 171         &mov    ($ty, &wparam(1));      # load len
 172         &mov    ($inp,&wparam(2));      # load inp
 173         &mov    ($out,&wparam(3));      # load out
 174
 175         &xor    ($xx,$xx);              # avoid partial register stalls
 176         &xor    ($yy,$yy);
 177
 178         &cmp    ($ty,0);                # safety net
 179         &je     (&label("abort"));
 180
 181         &mov    (&LB($xx),&BP(0,$dat)); # load key->x
 182         &mov    (&LB($yy),&BP(4,$dat)); # load key->y
 183         &add    ($dat,8);
 184
 185         &lea    ($tx,&DWP(0,$inp,$ty));
 186         &sub    ($out,$inp);            # re-bias out
 187         &mov    (&wparam(1),$tx);       # save input+len
 188
 189         &inc    (&LB($xx));
 190
 191         # detect compressed key schedule...
 192         &cmp    (&DWP(256,$dat),-1);
 193         &je     (&label("RC4_CHAR"));
 194
 195         &mov    ($tx,&DWP(0,$dat,$xx,4));
 196
 197         &and    ($ty,-4);               # how many 4-byte chunks?
 198         &jz     (&label("loop1"));
 199
 200         &mov    (&wparam(3),$out);      # $out as accumulator in these loops
 201                                         if ($x86only) {
 202         &jmp    (&label("go4loop4"));
 203                                         } else {
 204         &test   ($ty,-8);
 205         &jz     (&label("go4loop4"));
 206
 207         &picmeup($out,"OPENSSL_ia32cap_P");
 208         &bt     (&DWP(0,$out),26);      # check SSE2 bit [could have been MMX]
 209         &jnc    (&label("go4loop4"));
 210
 211         &mov    ($out,&wparam(3))       if (!$alt);
 212         &movd   ("mm7",&wparam(3))      if ($alt);
 213         &and    ($ty,-8);
 214         &lea    ($ty,&DWP(-8,$inp,$ty));
 215         &mov    (&DWP(-4,$dat),$ty);    # save input+(len/8)*8-8
 216
 217         &$RC4_loop_mmx(-1);
 218         &jmp(&label("loop_mmx_enter"));
 219
 220         &set_label("loop_mmx",16);
 221                 &$RC4_loop_mmx(0);
 222         &set_label("loop_mmx_enter");
 223                 for     ($i=1;$i<8;$i++) { &$RC4_loop_mmx($i); }
 224                 &mov    ($ty,$yy);
 225                 &xor    ($yy,$yy);              # this is second key to Core2
 226                 &mov    (&LB($yy),&LB($ty));    # and Westmere performance...
 227                 &cmp    ($inp,&DWP(-4,$dat));
 228                 &lea    ($inp,&DWP(8,$inp));
 229         &jb     (&label("loop_mmx"));
 230
 231     if ($alt) {
 232         &movd   ($out,"mm7");
 233         &pxor   ("mm2","mm0");
 234         &psllq  ("mm1",8);
 235         &pxor   ("mm1","mm2");
 236         &movq   (&QWP(-8,$out,$inp),"mm1");
 237     } else {
 238         &psllq  ("mm1",56);
 239         &pxor   ("mm2","mm1");
 240         &movq   (&QWP(-8,$out,$inp),"mm2");
 241     }
 242         &emms   ();
 243
 244         &cmp    ($inp,&wparam(1));      # compare to input+len
 245         &je     (&label("done"));
 246         &jmp    (&label("loop1"));
 247                                         }
 248
 249 &set_label("go4loop4",16);
 250         &lea    ($ty,&DWP(-4,$inp,$ty));
 251         &mov    (&wparam(2),$ty);       # save input+(len/4)*4-4
 252
 253         &set_label("loop4");
 254                 for ($i=0;$i<4;$i++) { RC4_loop($i); }
 255                 &ror    ($out,8);
 256                 &xor    ($out,&DWP(0,$inp));
 257                 &cmp    ($inp,&wparam(2));      # compare to input+(len/4)*4-4
 258                 &mov    (&DWP(0,$tx,$inp),$out);# $tx holds re-biased out here
 259                 &lea    ($inp,&DWP(4,$inp));
 260                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 261         &jb     (&label("loop4"));
 262
 263         &cmp    ($inp,&wparam(1));      # compare to input+len
 264         &je     (&label("done"));
 265         &mov    ($out,&wparam(3));      # restore $out
 266
 267         &set_label("loop1",16);
 268                 &add    (&LB($yy),&LB($tx));
 269                 &mov    ($ty,&DWP(0,$dat,$yy,4));
 270                 &mov    (&DWP(0,$dat,$yy,4),$tx);
 271                 &mov    (&DWP(0,$dat,$xx,4),$ty);
 272                 &add    ($ty,$tx);
 273                 &inc    (&LB($xx));
 274                 &and    ($ty,0xff);
 275                 &mov    ($ty,&DWP(0,$dat,$ty,4));
 276                 &xor    (&LB($ty),&BP(0,$inp));
 277                 &lea    ($inp,&DWP(1,$inp));
 278                 &mov    ($tx,&DWP(0,$dat,$xx,4));
 279                 &cmp    ($inp,&wparam(1));      # compare to input+len
 280                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 281         &jb     (&label("loop1"));
 282
 283         &jmp    (&label("done"));
 284
 285 # this is essentially Intel P4 specific codepath...
 286 &set_label("RC4_CHAR",16);
 287         &movz   ($tx,&BP(0,$dat,$xx));
 288         # strangely enough unrolled loop performs over 20% slower...
 289         &set_label("cloop1");
 290                 &add    (&LB($yy),&LB($tx));
 291                 &movz   ($ty,&BP(0,$dat,$yy));
 292                 &mov    (&BP(0,$dat,$yy),&LB($tx));
 293                 &mov    (&BP(0,$dat,$xx),&LB($ty));
 294                 &add    (&LB($ty),&LB($tx));
 295                 &movz   ($ty,&BP(0,$dat,$ty));
 296                 &add    (&LB($xx),1);
 297                 &xor    (&LB($ty),&BP(0,$inp));
 298                 &lea    ($inp,&DWP(1,$inp));
 299                 &movz   ($tx,&BP(0,$dat,$xx));
 300                 &cmp    ($inp,&wparam(1));
 301                 &mov    (&BP(-1,$out,$inp),&LB($ty));
 302         &jb     (&label("cloop1"));
 303
 304 &set_label("done");
 305         &dec    (&LB($xx));
 306         &mov    (&DWP(-4,$dat),$yy);            # save key->y
 307         &mov    (&BP(-8,$dat),&LB($xx));        # save key->x
 308 &set_label("abort");
 309 &function_end("RC4");
 310
 311 ########################################################################
 312
 313 $inp="esi";
 314 $out="edi";
 315 $idi="ebp";
 316 $ido="ecx";
 317 $idx="edx";
 318
 319 # void RC4_set_key(RC4_KEY *key,int len,const unsigned char *data);
 320 &function_begin("RC4_set_key");
 321         &mov    ($out,&wparam(0));              # load key
 322         &mov    ($idi,&wparam(1));              # load len
 323         &mov    ($inp,&wparam(2));              # load data
 324         &picmeup($idx,"OPENSSL_ia32cap_P");
 325
 326         &lea    ($out,&DWP(2*4,$out));          # &key->data
 327         &lea    ($inp,&DWP(0,$inp,$idi));       # $inp to point at the end
 328         &neg    ($idi);
 329         &xor    ("eax","eax");
 330         &mov    (&DWP(-4,$out),$idi);           # borrow key->y
 331
 332         &bt     (&DWP(0,$idx),20);              # check for bit#20
 333         &jc     (&label("c1stloop"));
 334
 335 &set_label("w1stloop",16);
 336         &mov    (&DWP(0,$out,"eax",4),"eax");   # key->data[i]=i;
 337         &add    (&LB("eax"),1);                 # i++;
 338         &jnc    (&label("w1stloop"));
 339
 340         &xor    ($ido,$ido);
 341         &xor    ($idx,$idx);
 342
 343 &set_label("w2ndloop",16);
 344         &mov    ("eax",&DWP(0,$out,$ido,4));
 345         &add    (&LB($idx),&BP(0,$inp,$idi));
 346         &add    (&LB($idx),&LB("eax"));
 347         &add    ($idi,1);
 348         &mov    ("ebx",&DWP(0,$out,$idx,4));
 349         &jnz    (&label("wnowrap"));
 350           &mov  ($idi,&DWP(-4,$out));
 351         &set_label("wnowrap");
 352         &mov    (&DWP(0,$out,$idx,4),"eax");
 353         &mov    (&DWP(0,$out,$ido,4),"ebx");
 354         &add    (&LB($ido),1);
 355         &jnc    (&label("w2ndloop"));
 356 &jmp    (&label("exit"));
 357
 358 # Unlike all other x86 [and x86_64] implementations, Intel P4 core
 359 # [including EM64T] was found to perform poorly with above "32-bit" key
 360 # schedule, a.k.a. RC4_INT. Performance improvement for IA-32 hand-coded
 361 # assembler turned out to be 3.5x if re-coded for compressed 8-bit one,
 362 # a.k.a. RC4_CHAR! It's however inappropriate to just switch to 8-bit
 363 # schedule for x86[_64], because non-P4 implementations suffer from
 364 # significant performance losses then, e.g. PIII exhibits >2x
 365 # deterioration, and so does Opteron. In order to assure optimal
 366 # all-round performance, we detect P4 at run-time and set up compressed
 367 # key schedule, which is recognized by RC4 procedure.
 368
 369 &set_label("c1stloop",16);
 370         &mov    (&BP(0,$out,"eax"),&LB("eax")); # key->data[i]=i;
 371         &add    (&LB("eax"),1);                 # i++;
 372         &jnc    (&label("c1stloop"));
 373
 374         &xor    ($ido,$ido);
 375         &xor    ($idx,$idx);
 376         &xor    ("ebx","ebx");
 377
 378 &set_label("c2ndloop",16);
 379         &mov    (&LB("eax"),&BP(0,$out,$ido));
 380         &add    (&LB($idx),&BP(0,$inp,$idi));
 381         &add    (&LB($idx),&LB("eax"));
 382         &add    ($idi,1);
 383         &mov    (&LB("ebx"),&BP(0,$out,$idx));
 384         &jnz    (&label("cnowrap"));
 385           &mov  ($idi,&DWP(-4,$out));
 386         &set_label("cnowrap");
 387         &mov    (&BP(0,$out,$idx),&LB("eax"));
 388         &mov    (&BP(0,$out,$ido),&LB("ebx"));
 389         &add    (&LB($ido),1);
 390         &jnc    (&label("c2ndloop"));
 391
 392         &mov    (&DWP(256,$out),-1);            # mark schedule as compressed
 393
 394 &set_label("exit");
 395         &xor    ("eax","eax");
 396         &mov    (&DWP(-8,$out),"eax");          # key->x=0;
 397         &mov    (&DWP(-4,$out),"eax");          # key->y=0;
 398 &function_end("RC4_set_key");
 399
 400 # const char *RC4_options(void);
 401 &function_begin_B("RC4_options");
 402         &call   (&label("pic_point"));
 403 &set_label("pic_point");
 404         &blindpop("eax");
 405         &lea    ("eax",&DWP(&label("opts")."-".&label("pic_point"),"eax"));
 406         &picmeup("edx","OPENSSL_ia32cap_P");
 407         &mov    ("edx",&DWP(0,"edx"));
 408         &bt     ("edx",20);
 409         &jc     (&label("1xchar"));
 410         &bt     ("edx",26);
 411         &jnc    (&label("ret"));
 412         &add    ("eax",25);
 413         &ret    ();
 414 &set_label("1xchar");
 415         &add    ("eax",12);
 416 &set_label("ret");
 417         &ret    ();
 418 &set_label("opts",64);
 419 &asciz  ("rc4(4x,int)");
 420 &asciz  ("rc4(1x,char)");
 421 &asciz  ("rc4(8x,mmx)");
 422 &asciz  ("RC4 for x86, CRYPTOGAMS by <appro\@openssl.org>");
 423 &align  (64);
 424 &function_end_B("RC4_options");
 425
 426 &asm_finish();
 427
 428 close STDOUT;