Update copyright year
[openssl.git] / crypto / bn / asm / rsaz-avx2.pl
index 33f20e64a163209424235fa2344d93e0c8f64b7d..85cd73c668bddab6f328906712a39c5755601d5e 100755 (executable)
@@ -1,56 +1,41 @@
-#!/usr/bin/env perl
-
-#******************************************************************************
-#* Copyright(c) 2012, Intel Corp.                                             
-#* Developers and authors:                                                    
-#* Shay Gueron (1, 2), and Vlad Krasnov (1)                                   
-#* (1) Intel Corporation, Israel Development Center, Haifa, Israel
-#* (2) University of Haifa, Israel                                              
-#******************************************************************************
-#* LICENSE:                                                                
-#* This submission to OpenSSL is to be made available under the OpenSSL  
-#* license, and only to the OpenSSL project, in order to allow integration    
-#* into the publicly distributed code. 
-#* The use of this code, or portions of this code, or concepts embedded in
-#* this code, or modification of this code and/or algorithm(s) in it, or the
-#* use of this code for any other purpose than stated above, requires special
-#* licensing.                                                                  
-#******************************************************************************
-#* DISCLAIMER:                                                                
-#* THIS SOFTWARE IS PROVIDED BY THE CONTRIBUTORS AND THE COPYRIGHT OWNERS     
-#* ``AS IS''. ANY EXPRESSED OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED 
-#* TO, THE IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR 
-#* PURPOSE ARE DISCLAIMED. IN NO EVENT SHALL THE CONTRIBUTORS OR THE COPYRIGHT
-#* OWNERS BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, 
-#* OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF    
-#* SUBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS   
-#* INTERRUPTION) HOWEVER CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN    
-#* CONTRACT, STRICT LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE)    
-#* ARISING IN ANY WAY OUT OF THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE 
-#* POSSIBILITY OF SUCH DAMAGE.                                                
-#******************************************************************************
-#* Reference:                                                                 
-#* [1] S. Gueron, V. Krasnov: "Software Implementation of Modular
-#*     Exponentiation,  Using Advanced Vector Instructions Architectures",
-#*     F. Ozbudak and F. Rodriguez-Henriquez (Eds.): WAIFI 2012, LNCS 7369,
-#*     pp. 119?135, 2012. Springer-Verlag Berlin Heidelberg 2012
-#* [2] S. Gueron: "Efficient Software Implementations of Modular
-#*     Exponentiation", Journal of Cryptographic Engineering 2:31-43 (2012).
-#* [3] S. Gueron, V. Krasnov: "Speeding up Big-numbers Squaring",IEEE
-#*     Proceedings of 9th International Conference on Information Technology:
-#*     New Generations (ITNG 2012), pp.821-823 (2012)
-#* [4] S. Gueron, V. Krasnov: "[PATCH] Efficient and side channel analysis
-#*     resistant 1024-bit modular exponentiation, for optimizing RSA2048
-#*     on AVX2 capable x86_64 platforms",
-#*     http://rt.openssl.org/Ticket/Display.html?id=2850&user=guest&pass=guest
-#******************************************************************************
-
-# +10% improvement by <appro@openssl.org>
+#! /usr/bin/env perl
+# Copyright 2013-2019 The OpenSSL Project Authors. All Rights Reserved.
+# Copyright (c) 2012, Intel Corporation. All Rights Reserved.
+#
+# Licensed under the OpenSSL license (the "License").  You may not use
+# this file except in compliance with the License.  You can obtain a copy
+# in the file LICENSE in the source distribution or at
+# https://www.openssl.org/source/license.html
+#
+# Originally written by Shay Gueron (1, 2), and Vlad Krasnov (1)
+# (1) Intel Corporation, Israel Development Center, Haifa, Israel
+# (2) University of Haifa, Israel
+#
+# References:
+# [1] S. Gueron, V. Krasnov: "Software Implementation of Modular
+#     Exponentiation,  Using Advanced Vector Instructions Architectures",
+#     F. Ozbudak and F. Rodriguez-Henriquez (Eds.): WAIFI 2012, LNCS 7369,
+#     pp. 119?135, 2012. Springer-Verlag Berlin Heidelberg 2012
+# [2] S. Gueron: "Efficient Software Implementations of Modular
+#     Exponentiation", Journal of Cryptographic Engineering 2:31-43 (2012).
+# [3] S. Gueron, V. Krasnov: "Speeding up Big-numbers Squaring",IEEE
+#     Proceedings of 9th International Conference on Information Technology:
+#     New Generations (ITNG 2012), pp.821-823 (2012)
+# [4] S. Gueron, V. Krasnov: "[PATCH] Efficient and side channel analysis
+#     resistant 1024-bit modular exponentiation, for optimizing RSA2048
+#     on AVX2 capable x86_64 platforms",
+#     http://rt.openssl.org/Ticket/Display.html?id=2850&user=guest&pass=guest
+#
+# +13% improvement over original submission by <appro@openssl.org>
 #
 # rsa2048 sign/sec     OpenSSL 1.0.1   scalar(*)       this
-# 2GHz Haswell         544             632/+16%        947/+74%
+# 2.3GHz Haswell       621             765/+23%        1113/+79%
+# 2.3GHz Broadwell(**) 688             1200(***)/+74%  1120/+63%
 #
 # (*)  if system doesn't support AVX2, for reference purposes;
+# (**) scaled to 2.3GHz to simplify comparison;
+# (***)        scalar AD*X code is faster than AVX2 and is preferred code
+#      path for Broadwell;
 
 $flavour = shift;
 $output  = shift;
@@ -66,19 +51,28 @@ die "can't locate x86_64-xlate.pl";
 if (`$ENV{CC} -Wa,-v -c -o /dev/null -x assembler /dev/null 2>&1`
                =~ /GNU assembler version ([2-9]\.[0-9]+)/) {
        $avx = ($1>=2.19) + ($1>=2.22);
+       $addx = ($1>=2.23);
 }
 
 if (!$avx && $win64 && ($flavour =~ /nasm/ || $ENV{ASM} =~ /nasm/) &&
            `nasm -v 2>&1` =~ /NASM version ([2-9]\.[0-9]+)/) {
-       $avx = ($1>=2.09) + ($1>=2.11);
+       $avx = ($1>=2.09) + ($1>=2.10);
+       $addx = ($1>=2.10);
 }
 
 if (!$avx && $win64 && ($flavour =~ /masm/ || $ENV{ASM} =~ /ml64/) &&
            `ml64 2>&1` =~ /Version ([0-9]+)\./) {
        $avx = ($1>=10) + ($1>=11);
+       $addx = ($1>=11);
 }
 
-open OUT,"| $^X $xlate $flavour $output";
+if (!$avx && `$ENV{CC} -v 2>&1` =~ /((?:^clang|LLVM) version|based on LLVM) ([3-9])\.([0-9]+)/) {
+       my $ver = $2 + $3/100.0;        # 3.1->3.01, 3.10->3.10
+       $avx = ($ver>=3.0) + ($ver>=3.01);
+       $addx = ($ver>=3.03);
+}
+
+open OUT,"| \"$^X\" \"$xlate\" $flavour \"$output\"";
 *STDOUT = *OUT;
 
 if ($avx>1) {{{
@@ -125,39 +119,51 @@ my $FrameSize=32*18+32*8; # place for A^2 and 2*A
 my $aap=$r0;
 my $tp0="%rbx";
 my $tp1=$r3;
+my $tpa=$tmp;
 
 $np="%r13";                    # reassigned argument
 
 $code.=<<___;
+.text
+
 .globl rsaz_1024_sqr_avx2
 .type  rsaz_1024_sqr_avx2,\@function,5
 .align 64
 rsaz_1024_sqr_avx2:            # 702 cycles, 14% faster than rsaz_1024_mul_avx2
+.cfi_startproc
        lea     (%rsp), %rax
+.cfi_def_cfa_register  %rax
        push    %rbx
+.cfi_push      %rbx
        push    %rbp
+.cfi_push      %rbp
        push    %r12
+.cfi_push      %r12
        push    %r13
+.cfi_push      %r13
        push    %r14
+.cfi_push      %r14
        push    %r15
+.cfi_push      %r15
+       vzeroupper
 ___
 $code.=<<___ if ($win64);
        lea     -0xa8(%rsp),%rsp
-       movaps  %xmm6,-0xd8(%rax)
-       movaps  %xmm7,-0xc8(%rax)
-       movaps  %xmm8,-0xb8(%rax)
-       movaps  %xmm9,-0xa8(%rax)
-       movaps  %xmm10,-0x98(%rax)
-       movaps  %xmm11,-0x88(%rax)
-       movaps  %xmm12,-0x78(%rax)
-       movaps  %xmm13,-0x68(%rax)
-       movaps  %xmm14,-0x58(%rax)
-       movaps  %xmm15,-0x48(%rax)
+       vmovaps %xmm6,-0xd8(%rax)
+       vmovaps %xmm7,-0xc8(%rax)
+       vmovaps %xmm8,-0xb8(%rax)
+       vmovaps %xmm9,-0xa8(%rax)
+       vmovaps %xmm10,-0x98(%rax)
+       vmovaps %xmm11,-0x88(%rax)
+       vmovaps %xmm12,-0x78(%rax)
+       vmovaps %xmm13,-0x68(%rax)
+       vmovaps %xmm14,-0x58(%rax)
+       vmovaps %xmm15,-0x48(%rax)
 .Lsqr_1024_body:
 ___
 $code.=<<___;
        mov     %rax,%rbp
-       vzeroall
+.cfi_def_cfa_register  %rbp
        mov     %rdx, $np                       # reassigned argument
        sub     \$$FrameSize, %rsp
        mov     $np, $tmp
@@ -168,6 +174,7 @@ $code.=<<___;
        and     \$4095, $tmp                    # see if $np crosses page
        add     \$32*10, $tmp
        shr     \$12, $tmp
+       vpxor   $ACC9,$ACC9,$ACC9
        jz      .Lsqr_1024_no_n_copy
 
        # unaligned 256-bit load that crosses page boundary can
@@ -195,7 +202,7 @@ $code.=<<___;
        vmovdqu         $ACC6, 32*6-128($np)
        vmovdqu         $ACC7, 32*7-128($np)
        vmovdqu         $ACC8, 32*8-128($np)
-       vmovdqu         $ACC9, 32*9-128($np)    # $ACC9 is zero after vzeroall
+       vmovdqu         $ACC9, 32*9-128($np)    # $ACC9 is zero
 
 .Lsqr_1024_no_n_copy:
        and             \$-1024, %rsp
@@ -210,7 +217,7 @@ $code.=<<___;
        vmovdqu         32*8-128($ap), $ACC8
 
        lea     192(%rsp), $tp0                 # 64+128=192
-       vpbroadcastq    .Land_mask(%rip), $AND_MASK
+       vmovdqu .Land_mask(%rip), $AND_MASK
        jmp     .LOOP_GRANDE_SQR_1024
 
 .align 32
@@ -261,47 +268,38 @@ $code.=<<___;
         vpbroadcastq   32*2-128($ap), $B1
         vmovdqu        $ACC9, 32*17-448($tp1)
 
-       xor     $tmp, $tmp
+       mov     $ap, $tpa
        mov     \$4, $i
-       jmp     .Lentry_1024
+       jmp     .Lsqr_entry_1024
 ___
 $TEMP0=$Y1;
 $TEMP2=$Y2;
 $code.=<<___;
 .align 32
 .LOOP_SQR_1024:
-       vmovdqu         32*0(%rsp,$tmp), $TEMP0 # 32*0-192($tp0,$tmp)
-       vmovdqu         32*1(%rsp,$tmp), $TEMP1 # 32*1-192($tp0,$tmp)
-        vpbroadcastq   32*1-128($ap,$tmp), $B2
+        vpbroadcastq   32*1-128($tpa), $B2
        vpmuludq        32*0-128($ap), $B1, $ACC0
-       vmovdqu         32*2-192($tp0,$tmp), $TEMP2
-       vpaddq          $TEMP0, $ACC0, $ACC0
+       vpaddq          32*0-192($tp0), $ACC0, $ACC0
        vpmuludq        32*0-128($aap), $B1, $ACC1
-       vmovdqu         32*3-192($tp0,$tmp), $TEMP0
-       vpaddq          $TEMP1, $ACC1, $ACC1
+       vpaddq          32*1-192($tp0), $ACC1, $ACC1
        vpmuludq        32*1-128($aap), $B1, $ACC2
-       vmovdqu         32*4-192($tp0,$tmp), $TEMP1
-       vpaddq          $TEMP2, $ACC2, $ACC2
+       vpaddq          32*2-192($tp0), $ACC2, $ACC2
        vpmuludq        32*2-128($aap), $B1, $ACC3
-       vmovdqu         32*5-192($tp0,$tmp), $TEMP2
-       vpaddq          $TEMP0, $ACC3, $ACC3
+       vpaddq          32*3-192($tp0), $ACC3, $ACC3
        vpmuludq        32*3-128($aap), $B1, $ACC4
-       vmovdqu         32*6-192($tp0,$tmp), $TEMP0
-       vpaddq          $TEMP1, $ACC4, $ACC4
+       vpaddq          32*4-192($tp0), $ACC4, $ACC4
        vpmuludq        32*4-128($aap), $B1, $ACC5
-       vmovdqu         32*7-192($tp0,$tmp), $TEMP1
-       vpaddq          $TEMP2, $ACC5, $ACC5
+       vpaddq          32*5-192($tp0), $ACC5, $ACC5
        vpmuludq        32*5-128($aap), $B1, $ACC6
-       vmovdqu         32*8-192($tp0,$tmp), $TEMP2
-       vpaddq          $TEMP0, $ACC6, $ACC6
+       vpaddq          32*6-192($tp0), $ACC6, $ACC6
        vpmuludq        32*6-128($aap), $B1, $ACC7
-       vpaddq          $TEMP1, $ACC7, $ACC7
+       vpaddq          32*7-192($tp0), $ACC7, $ACC7
        vpmuludq        32*7-128($aap), $B1, $ACC8
-        vpbroadcastq   32*2-128($ap,$tmp), $B1
-       vpaddq          $TEMP2, $ACC8, $ACC8
-.Lentry_1024:
-       vmovdqu         $ACC0, 32*0(%rsp,$tmp)  # 32*0-192($tp0,$tmp)
-       vmovdqu         $ACC1, 32*1(%rsp,$tmp)  # 32*1-192($tp0,$tmp)
+        vpbroadcastq   32*2-128($tpa), $B1
+       vpaddq          32*8-192($tp0), $ACC8, $ACC8
+.Lsqr_entry_1024:
+       vmovdqu         $ACC0, 32*0-192($tp0)
+       vmovdqu         $ACC1, 32*1-192($tp0)
 
        vpmuludq        32*1-128($ap), $B2, $TEMP0
        vpaddq          $TEMP0, $ACC2, $ACC2
@@ -314,16 +312,15 @@ $code.=<<___;
        vpmuludq        32*4-128($aap), $B2, $TEMP1
        vpaddq          $TEMP1, $ACC6, $ACC6
        vpmuludq        32*5-128($aap), $B2, $TEMP2
-       vmovdqu         32*9-192($tp0,$tmp), $TEMP1
        vpaddq          $TEMP2, $ACC7, $ACC7
        vpmuludq        32*6-128($aap), $B2, $TEMP0
        vpaddq          $TEMP0, $ACC8, $ACC8
        vpmuludq        32*7-128($aap), $B2, $ACC0
-        vpbroadcastq   32*3-128($ap,$tmp), $B2
-       vpaddq          $TEMP1, $ACC0, $ACC0
+        vpbroadcastq   32*3-128($tpa), $B2
+       vpaddq          32*9-192($tp0), $ACC0, $ACC0
 
-       vmovdqu         $ACC2, 32*2-192($tp0,$tmp)
-       vmovdqu         $ACC3, 32*3-192($tp0,$tmp)
+       vmovdqu         $ACC2, 32*2-192($tp0)
+       vmovdqu         $ACC3, 32*3-192($tp0)
 
        vpmuludq        32*2-128($ap), $B1, $TEMP2
        vpaddq          $TEMP2, $ACC4, $ACC4
@@ -334,16 +331,15 @@ $code.=<<___;
        vpmuludq        32*4-128($aap), $B1, $TEMP2
        vpaddq          $TEMP2, $ACC7, $ACC7
        vpmuludq        32*5-128($aap), $B1, $TEMP0
-       vmovdqu         32*10-448($tp1,$tmp), $TEMP2
        vpaddq          $TEMP0, $ACC8, $ACC8
        vpmuludq        32*6-128($aap), $B1, $TEMP1
        vpaddq          $TEMP1, $ACC0, $ACC0
        vpmuludq        32*7-128($aap), $B1, $ACC1
-        vpbroadcastq   32*4-128($ap,$tmp), $B1
-       vpaddq          $TEMP2, $ACC1, $ACC1
+        vpbroadcastq   32*4-128($tpa), $B1
+       vpaddq          32*10-448($tp1), $ACC1, $ACC1
 
-       vmovdqu         $ACC4, 32*4-192($tp0,$tmp)
-       vmovdqu         $ACC5, 32*5-192($tp0,$tmp)
+       vmovdqu         $ACC4, 32*4-192($tp0)
+       vmovdqu         $ACC5, 32*5-192($tp0)
 
        vpmuludq        32*3-128($ap), $B2, $TEMP0
        vpaddq          $TEMP0, $ACC6, $ACC6
@@ -352,75 +348,71 @@ $code.=<<___;
        vpmuludq        32*4-128($aap), $B2, $TEMP2
        vpaddq          $TEMP2, $ACC8, $ACC8
        vpmuludq        32*5-128($aap), $B2, $TEMP0
-       vmovdqu         32*11-448($tp1,$tmp), $TEMP2
        vpaddq          $TEMP0, $ACC0, $ACC0
        vpmuludq        32*6-128($aap), $B2, $TEMP1
        vpaddq          $TEMP1, $ACC1, $ACC1
        vpmuludq        32*7-128($aap), $B2, $ACC2
-        vpbroadcastq   32*5-128($ap,$tmp), $B2
-       vpaddq          $TEMP2, $ACC2, $ACC2    
+        vpbroadcastq   32*5-128($tpa), $B2
+       vpaddq          32*11-448($tp1), $ACC2, $ACC2
 
-       vmovdqu         $ACC6, 32*6-192($tp0,$tmp)
-       vmovdqu         $ACC7, 32*7-192($tp0,$tmp)
+       vmovdqu         $ACC6, 32*6-192($tp0)
+       vmovdqu         $ACC7, 32*7-192($tp0)
 
        vpmuludq        32*4-128($ap), $B1, $TEMP0
        vpaddq          $TEMP0, $ACC8, $ACC8
        vpmuludq        32*4-128($aap), $B1, $TEMP1
        vpaddq          $TEMP1, $ACC0, $ACC0
        vpmuludq        32*5-128($aap), $B1, $TEMP2
-       vmovdqu         32*12-448($tp1,$tmp), $TEMP1
        vpaddq          $TEMP2, $ACC1, $ACC1
        vpmuludq        32*6-128($aap), $B1, $TEMP0
        vpaddq          $TEMP0, $ACC2, $ACC2
        vpmuludq        32*7-128($aap), $B1, $ACC3
-        vpbroadcastq   32*6-128($ap,$tmp), $B1
-       vpaddq          $TEMP1, $ACC3, $ACC3
+        vpbroadcastq   32*6-128($tpa), $B1
+       vpaddq          32*12-448($tp1), $ACC3, $ACC3
 
-       vmovdqu         $ACC8, 32*8-192($tp0,$tmp)
-       vmovdqu         $ACC0, 32*9-192($tp0,$tmp)
+       vmovdqu         $ACC8, 32*8-192($tp0)
+       vmovdqu         $ACC0, 32*9-192($tp0)
+       lea             8($tp0), $tp0
 
        vpmuludq        32*5-128($ap), $B2, $TEMP2
        vpaddq          $TEMP2, $ACC1, $ACC1
        vpmuludq        32*5-128($aap), $B2, $TEMP0
-       vmovdqu         32*13-448($tp1,$tmp), $TEMP2
        vpaddq          $TEMP0, $ACC2, $ACC2
        vpmuludq        32*6-128($aap), $B2, $TEMP1
        vpaddq          $TEMP1, $ACC3, $ACC3
        vpmuludq        32*7-128($aap), $B2, $ACC4
-        vpbroadcastq   32*7-128($ap,$tmp), $B2
-       vpaddq          $TEMP2, $ACC4, $ACC4
+        vpbroadcastq   32*7-128($tpa), $B2
+       vpaddq          32*13-448($tp1), $ACC4, $ACC4
 
-       vmovdqu         $ACC1, 32*10-448($tp1,$tmp)
-       vmovdqu         $ACC2, 32*11-448($tp1,$tmp)
+       vmovdqu         $ACC1, 32*10-448($tp1)
+       vmovdqu         $ACC2, 32*11-448($tp1)
 
        vpmuludq        32*6-128($ap), $B1, $TEMP0
-       vmovdqu         32*14-448($tp1,$tmp), $TEMP2
        vpaddq          $TEMP0, $ACC3, $ACC3
        vpmuludq        32*6-128($aap), $B1, $TEMP1
-        vpbroadcastq   32*8-128($ap,$tmp), $ACC0       # borrow $ACC0 for $B1
+        vpbroadcastq   32*8-128($tpa), $ACC0           # borrow $ACC0 for $B1
        vpaddq          $TEMP1, $ACC4, $ACC4
        vpmuludq        32*7-128($aap), $B1, $ACC5
-        vpbroadcastq   32*0+8-128($ap,$tmp), $B1       # for next iteration
-       vpaddq          $TEMP2, $ACC5, $ACC5
-       vmovdqu         32*15-448($tp1,$tmp), $TEMP1
+        vpbroadcastq   32*0+8-128($tpa), $B1           # for next iteration
+       vpaddq          32*14-448($tp1), $ACC5, $ACC5
 
-       vmovdqu         $ACC3, 32*12-448($tp1,$tmp)
-       vmovdqu         $ACC4, 32*13-448($tp1,$tmp)
+       vmovdqu         $ACC3, 32*12-448($tp1)
+       vmovdqu         $ACC4, 32*13-448($tp1)
+       lea             8($tpa), $tpa
 
        vpmuludq        32*7-128($ap), $B2, $TEMP0
-       vmovdqu         32*16-448($tp1,$tmp), $TEMP2
        vpaddq          $TEMP0, $ACC5, $ACC5
        vpmuludq        32*7-128($aap), $B2, $ACC6
-       vpaddq          $TEMP1, $ACC6, $ACC6
+       vpaddq          32*15-448($tp1), $ACC6, $ACC6
 
        vpmuludq        32*8-128($ap), $ACC0, $ACC7
-       vmovdqu         $ACC5, 32*14-448($tp1,$tmp)
-       vpaddq          $TEMP2, $ACC7, $ACC7
-       vmovdqu         $ACC6, 32*15-448($tp1,$tmp)
-       vmovdqu         $ACC7, 32*16-448($tp1,$tmp)
+       vmovdqu         $ACC5, 32*14-448($tp1)
+       vpaddq          32*16-448($tp1), $ACC7, $ACC7
+       vmovdqu         $ACC6, 32*15-448($tp1)
+       vmovdqu         $ACC7, 32*16-448($tp1)
+       lea             8($tp1), $tp1
 
-       lea     8($tmp), $tmp
-       dec     $i        
+       dec     $i
        jnz     .LOOP_SQR_1024
 ___
 $ZERO = $ACC9;
@@ -429,10 +421,11 @@ $TEMP2 = $B2;
 $TEMP3 = $Y1;
 $TEMP4 = $Y2;
 $code.=<<___;
-       #we need to fix indexes 32-39 to avoid overflow
-       vmovdqu         32*8-192($tp0), $ACC8
-       vmovdqu         32*9-192($tp0), $ACC1
-       vmovdqu         32*10-448($tp1), $ACC2
+       # we need to fix indices 32-39 to avoid overflow
+       vmovdqu         32*8(%rsp), $ACC8               # 32*8-192($tp0),
+       vmovdqu         32*9(%rsp), $ACC1               # 32*9-192($tp0)
+       vmovdqu         32*10(%rsp), $ACC2              # 32*10-192($tp0)
+       lea             192(%rsp), $tp0                 # 64+128=192
 
        vpsrlq          \$29, $ACC8, $TEMP1
        vpand           $AND_MASK, $ACC8, $ACC8
@@ -450,7 +443,7 @@ $code.=<<___;
        vpaddq          $TEMP1, $ACC1, $ACC1
        vpaddq          $TEMP2, $ACC2, $ACC2
        vmovdqu         $ACC1, 32*9-192($tp0)
-       vmovdqu         $ACC2, 32*10-448($tp1)
+       vmovdqu         $ACC2, 32*10-192($tp0)
 
        mov     (%rsp), %rax
        mov     8(%rsp), $r1
@@ -500,13 +493,15 @@ $code.=<<___;
         mov    %rax, %rdx
         imulq  -128($np), %rax
        vpaddq          $TEMP0, $ACC1, $ACC1
-       vpmuludq        32*2-128($np), $Y1, $TEMP1
         add    %rax, $r1
+       vpmuludq        32*2-128($np), $Y1, $TEMP1
         mov    %rdx, %rax
         imulq  8-128($np), %rax
        vpaddq          $TEMP1, $ACC2, $ACC2
        vpmuludq        32*3-128($np), $Y1, $TEMP2
+        .byte  0x67
         add    %rax, $r2
+        .byte  0x67
         mov    %rdx, %rax
         imulq  16-128($np), %rax
         shr    \$29, $r1
@@ -526,17 +521,17 @@ $code.=<<___;
        vpaddq          $TEMP0, $ACC7, $ACC7
        vpmuludq        32*8-128($np), $Y1, $TEMP1
         vmovd  %eax, $Y1
-        vmovdqu        32*1-8-128($np), $TEMP2
+        #vmovdqu       32*1-8-128($np), $TEMP2         # moved below
        vpaddq          $TEMP1, $ACC8, $ACC8
-        vmovdqu        32*2-8-128($np), $TEMP0
+        #vmovdqu       32*2-8-128($np), $TEMP0         # moved below
         vpbroadcastq   $Y1, $Y1
 
-       vpmuludq        $Y2, $TEMP2, $TEMP2
+       vpmuludq        32*1-8-128($np), $Y2, $TEMP2    # see above
        vmovdqu         32*3-8-128($np), $TEMP1
         mov    %rax, %rdx
         imulq  -128($np), %rax
        vpaddq          $TEMP2, $ACC1, $ACC1
-       vpmuludq        $Y2, $TEMP0, $TEMP0
+       vpmuludq        32*2-8-128($np), $Y2, $TEMP0    # see above
        vmovdqu         32*4-8-128($np), $TEMP2
         add    %rax, $r2
         mov    %rdx, %rax
@@ -550,11 +545,12 @@ $code.=<<___;
        vpaddq          $TEMP1, $ACC3, $ACC3
        vpmuludq        $Y2, $TEMP2, $TEMP2
        vmovdqu         32*6-8-128($np), $TEMP1
+        .byte  0x67
         mov    %rax, $r3
         imull  $n0, %eax
        vpaddq          $TEMP2, $ACC4, $ACC4
        vpmuludq        $Y2, $TEMP0, $TEMP0
-       vmovdqu         32*7-8-128($np), $TEMP2
+       .byte   0xc4,0x41,0x7e,0x6f,0x9d,0x58,0x00,0x00,0x00    # vmovdqu               32*7-8-128($np), $TEMP2
         and    \$0x1fffffff, %eax
        vpaddq          $TEMP0, $ACC5, $ACC5
        vpmuludq        $Y2, $TEMP1, $TEMP1
@@ -582,11 +578,12 @@ $code.=<<___;
        vpaddq          $TEMP1, $ACC1, $ACC1
         vpmuludq       $Y2, $ACC0, $ACC0
        vpmuludq        $Y1, $TEMP2, $TEMP2
-       vmovdqu         32*4-16-128($np), $TEMP1
+       .byte   0xc4,0x41,0x7e,0x6f,0xb5,0xf0,0xff,0xff,0xff    # vmovdqu               32*4-16-128($np), $TEMP1
         vpaddq         $ACC1, $ACC0, $ACC0
        vpaddq          $TEMP2, $ACC2, $ACC2
        vpmuludq        $Y1, $TEMP0, $TEMP0
        vmovdqu         32*5-16-128($np), $TEMP2
+        .byte  0x67
         vmovq          $ACC0, %rax
         vmovdqu        $ACC0, (%rsp)           # transfer $r0-$r3
        vpaddq          $TEMP0, $ACC3, $ACC3
@@ -600,12 +597,12 @@ $code.=<<___;
        vmovdqu         32*8-16-128($np), $TEMP2
        vpaddq          $TEMP0, $ACC6, $ACC6
        vpmuludq        $Y1, $TEMP1, $TEMP1
-       vmovdqu         32*9-16-128($np), $TEMP0
         shr    \$29, $r3
+       vmovdqu         32*9-16-128($np), $TEMP0
+        add    $r3, %rax
        vpaddq          $TEMP1, $ACC7, $ACC7
        vpmuludq        $Y1, $TEMP2, $TEMP2
-        vmovdqu        32*2-24-128($np), $TEMP1
-        add    $r3, %rax
+        #vmovdqu       32*2-24-128($np), $TEMP1        # moved below
         mov    %rax, $r0
         imull  $n0, %eax
        vpaddq          $TEMP2, $ACC8, $ACC8
@@ -613,10 +610,11 @@ $code.=<<___;
         and    \$0x1fffffff, %eax
         vmovd  %eax, $Y1
         vmovdqu        32*3-24-128($np), $TEMP2
+       .byte   0x67
        vpaddq          $TEMP0, $ACC9, $ACC9
         vpbroadcastq   $Y1, $Y1
 
-       vpmuludq        $Y2, $TEMP1, $TEMP1
+       vpmuludq        32*2-24-128($np), $Y2, $TEMP1   # see above
        vmovdqu         32*4-24-128($np), $TEMP0
         mov    %rax, %rdx
         imulq  -128($np), %rax
@@ -627,6 +625,7 @@ $code.=<<___;
         add    %rax, $r0
         mov    %rdx, %rax
         imulq  8-128($np), %rax
+        .byte  0x67
         shr    \$29, $r0
         mov    16(%rsp), $r2
        vpaddq          $TEMP2, $ACC3, $ACC2
@@ -646,8 +645,8 @@ $code.=<<___;
        vmovdqu         32*8-24-128($np), $TEMP1
         mov    %rax, $r1
         imull  $n0, %eax
-       vpaddq          $TEMP2, $ACC6, $ACC5
        vpmuludq        $Y2, $TEMP0, $TEMP0
+       vpaddq          $TEMP2, $ACC6, $ACC5
        vmovdqu         32*9-24-128($np), $TEMP2
         and    \$0x1fffffff, %eax
        vpaddq          $TEMP0, $ACC7, $ACC6
@@ -758,7 +757,7 @@ $code.=<<___;
        vpblendd        \$3, $TEMP4, $TEMP5, $TEMP4
        vpaddq          $TEMP3, $ACC7, $ACC7
        vpaddq          $TEMP4, $ACC8, $ACC8
-     
+
        vpsrlq          \$29, $ACC4, $TEMP1
        vpand           $AND_MASK, $ACC4, $ACC4
        vpsrlq          \$29, $ACC5, $TEMP2
@@ -797,8 +796,10 @@ $code.=<<___;
 
        vzeroall
        mov     %rbp, %rax
+.cfi_def_cfa_register  %rax
 ___
 $code.=<<___ if ($win64);
+.Lsqr_1024_in_tail:
        movaps  -0xd8(%rax),%xmm6
        movaps  -0xc8(%rax),%xmm7
        movaps  -0xb8(%rax),%xmm8
@@ -812,14 +813,22 @@ $code.=<<___ if ($win64);
 ___
 $code.=<<___;
        mov     -48(%rax),%r15
+.cfi_restore   %r15
        mov     -40(%rax),%r14
+.cfi_restore   %r14
        mov     -32(%rax),%r13
+.cfi_restore   %r13
        mov     -24(%rax),%r12
+.cfi_restore   %r12
        mov     -16(%rax),%rbp
+.cfi_restore   %rbp
        mov     -8(%rax),%rbx
+.cfi_restore   %rbx
        lea     (%rax),%rsp             # restore %rsp
+.cfi_def_cfa_register  %rsp
 .Lsqr_1024_epilogue:
        ret
+.cfi_endproc
 .size  rsaz_1024_sqr_avx2,.-rsaz_1024_sqr_avx2
 ___
 }
@@ -872,30 +881,40 @@ $code.=<<___;
 .type  rsaz_1024_mul_avx2,\@function,5
 .align 64
 rsaz_1024_mul_avx2:
+.cfi_startproc
        lea     (%rsp), %rax
+.cfi_def_cfa_register  %rax
        push    %rbx
+.cfi_push      %rbx
        push    %rbp
+.cfi_push      %rbp
        push    %r12
+.cfi_push      %r12
        push    %r13
+.cfi_push      %r13
        push    %r14
+.cfi_push      %r14
        push    %r15
+.cfi_push      %r15
 ___
 $code.=<<___ if ($win64);
+       vzeroupper
        lea     -0xa8(%rsp),%rsp
-       movaps  %xmm6,-0xd8(%rax)
-       movaps  %xmm7,-0xc8(%rax)
-       movaps  %xmm8,-0xb8(%rax)
-       movaps  %xmm9,-0xa8(%rax)
-       movaps  %xmm10,-0x98(%rax)
-       movaps  %xmm11,-0x88(%rax)
-       movaps  %xmm12,-0x78(%rax)
-       movaps  %xmm13,-0x68(%rax)
-       movaps  %xmm14,-0x58(%rax)
-       movaps  %xmm15,-0x48(%rax)
+       vmovaps %xmm6,-0xd8(%rax)
+       vmovaps %xmm7,-0xc8(%rax)
+       vmovaps %xmm8,-0xb8(%rax)
+       vmovaps %xmm9,-0xa8(%rax)
+       vmovaps %xmm10,-0x98(%rax)
+       vmovaps %xmm11,-0x88(%rax)
+       vmovaps %xmm12,-0x78(%rax)
+       vmovaps %xmm13,-0x68(%rax)
+       vmovaps %xmm14,-0x58(%rax)
+       vmovaps %xmm15,-0x48(%rax)
 .Lmul_1024_body:
 ___
 $code.=<<___;
        mov     %rax,%rbp
+.cfi_def_cfa_register  %rbp
        vzeroall
        mov     %rdx, $bp       # reassigned argument
        sub     \$64,%rsp
@@ -905,6 +924,7 @@ $code.=<<___;
        # cross page boundary, swap it with $bp [meaning that caller
        # is advised to lay down $ap and $bp next to each other, so
        # that only one can cross page boundary].
+       .byte   0x67,0x67
        mov     $ap, $tmp
        and     \$4095, $tmp
        add     \$32*10, $tmp
@@ -920,6 +940,7 @@ $code.=<<___;
 
        and     \$4095, $tmp    # see if $np crosses page
        add     \$32*10, $tmp
+       .byte   0x67,0x67
        shr     \$12, $tmp
        jz      .Lmul_1024_no_n_copy
 
@@ -965,12 +986,14 @@ $code.=<<___;
        vpbroadcastq ($bp), $Bi
        vmovdqu $ACC0, (%rsp)                   # clear top of stack
        xor     $r0, $r0
+       .byte   0x67
        xor     $r1, $r1
        xor     $r2, $r2
        xor     $r3, $r3
 
        vmovdqu .Land_mask(%rip), $AND_MASK
        mov     \$9, $i
+       vmovdqu $ACC9, 32*9-128($rp)            # $ACC9 is zero after vzeroall
        jmp     .Loop_mul_1024
 
 .align 32
@@ -1044,10 +1067,10 @@ $code.=<<___;
        vpmuludq        32*6-128($np),$Yi,$TEMP1
        vpaddq          $TEMP1,$ACC6,$ACC6
        vpmuludq        32*7-128($np),$Yi,$TEMP2
-        vpblendd       \$3, $ZERO, $ACC9, $ACC9        # correct $ACC3
+        vpblendd       \$3, $ZERO, $ACC9, $TEMP1       # correct $ACC3
        vpaddq          $TEMP2,$ACC7,$ACC7
        vpmuludq        32*8-128($np),$Yi,$TEMP0
-        vpaddq         $ACC9, $ACC3, $ACC3             # correct $ACC3
+        vpaddq         $TEMP1, $ACC3, $ACC3            # correct $ACC3
        vpaddq          $TEMP0,$ACC8,$ACC8
 
        mov     %rbx, %rax
@@ -1060,7 +1083,9 @@ $code.=<<___;
         vmovdqu        -8+32*2-128($ap),$TEMP2
 
        mov     $r1, %rax
+        vpblendd       \$0xfc, $ZERO, $ACC9, $ACC9     # correct $ACC3
        imull   $n0, %eax
+        vpaddq         $ACC9,$ACC4,$ACC4               # correct $ACC3
        and     \$0x1fffffff, %eax
 
         imulq  16-128($ap),%rbx
@@ -1296,15 +1321,12 @@ ___
 #      But as we underutilize resources, it's possible to correct in
 #      each iteration with marginal performance loss. But then, as
 #      we do it in each iteration, we can correct less digits, and
-#      avoid performance penalties completely. Also note that we
-#      correct only three digits out of four. This works because
-#      most significant digit is subjected to less additions.
+#      avoid performance penalties completely.
 
 $TEMP0 = $ACC9;
 $TEMP3 = $Bi;
 $TEMP4 = $Yi;
 $code.=<<___;
-       vpermq          \$0, $AND_MASK, $AND_MASK
        vpaddq          (%rsp), $TEMP1, $ACC0
 
        vpsrlq          \$29, $ACC0, $TEMP1
@@ -1418,15 +1440,17 @@ $code.=<<___;
        vpaddq          $TEMP4, $ACC8, $ACC8
 
        vmovdqu         $ACC4, 128-128($rp)
-       vmovdqu         $ACC5, 160-128($rp)    
+       vmovdqu         $ACC5, 160-128($rp)
        vmovdqu         $ACC6, 192-128($rp)
        vmovdqu         $ACC7, 224-128($rp)
        vmovdqu         $ACC8, 256-128($rp)
        vzeroupper
 
        mov     %rbp, %rax
+.cfi_def_cfa_register  %rax
 ___
 $code.=<<___ if ($win64);
+.Lmul_1024_in_tail:
        movaps  -0xd8(%rax),%xmm6
        movaps  -0xc8(%rax),%xmm7
        movaps  -0xb8(%rax),%xmm8
@@ -1440,14 +1464,22 @@ $code.=<<___ if ($win64);
 ___
 $code.=<<___;
        mov     -48(%rax),%r15
+.cfi_restore   %r15
        mov     -40(%rax),%r14
+.cfi_restore   %r14
        mov     -32(%rax),%r13
+.cfi_restore   %r13
        mov     -24(%rax),%r12
+.cfi_restore   %r12
        mov     -16(%rax),%rbp
+.cfi_restore   %rbp
        mov     -8(%rax),%rbx
+.cfi_restore   %rbx
        lea     (%rax),%rsp             # restore %rsp
+.cfi_def_cfa_register  %rsp
 .Lmul_1024_epilogue:
        ret
+.cfi_endproc
 .size  rsaz_1024_mul_avx2,.-rsaz_1024_mul_avx2
 ___
 }
@@ -1460,6 +1492,7 @@ $code.=<<___;
 .type  rsaz_1024_red2norm_avx2,\@abi-omnipotent
 .align 32
 rsaz_1024_red2norm_avx2:
+.cfi_startproc
        sub     \$-128,$inp     # size optimization
        xor     %rax,%rax
 ___
@@ -1493,12 +1526,14 @@ ___
 }
 $code.=<<___;
        ret
+.cfi_endproc
 .size  rsaz_1024_red2norm_avx2,.-rsaz_1024_red2norm_avx2
 
 .globl rsaz_1024_norm2red_avx2
 .type  rsaz_1024_norm2red_avx2,\@abi-omnipotent
 .align 32
 rsaz_1024_norm2red_avx2:
+.cfi_startproc
        sub     \$-128,$out     # size optimization
        mov     ($inp),@T[0]
        mov     \$0x1fffffff,%eax
@@ -1530,6 +1565,7 @@ $code.=<<___;
        mov     @T[0],`8*($j+2)-128`($out)
        mov     @T[0],`8*($j+3)-128`($out)
        ret
+.cfi_endproc
 .size  rsaz_1024_norm2red_avx2,.-rsaz_1024_norm2red_avx2
 ___
 }
@@ -1541,6 +1577,7 @@ $code.=<<___;
 .type  rsaz_1024_scatter5_avx2,\@abi-omnipotent
 .align 32
 rsaz_1024_scatter5_avx2:
+.cfi_startproc
        vzeroupper
        vmovdqu .Lscatter_permd(%rip),%ymm5
        shl     \$4,$power
@@ -1560,74 +1597,137 @@ rsaz_1024_scatter5_avx2:
 
        vzeroupper
        ret
+.cfi_endproc
 .size  rsaz_1024_scatter5_avx2,.-rsaz_1024_scatter5_avx2
 
 .globl rsaz_1024_gather5_avx2
 .type  rsaz_1024_gather5_avx2,\@abi-omnipotent
 .align 32
 rsaz_1024_gather5_avx2:
+.cfi_startproc
+       vzeroupper
+       mov     %rsp,%r11
+.cfi_def_cfa_register  %r11
 ___
 $code.=<<___ if ($win64);
        lea     -0x88(%rsp),%rax
 .LSEH_begin_rsaz_1024_gather5:
        # I can't trust assembler to use specific encoding:-(
-       .byte   0x48,0x8d,0x60,0xe0             #lea    -0x20(%rax),%rsp
-       .byte   0x0f,0x29,0x70,0xe0             #movaps %xmm6,-0x20(%rax)
-       .byte   0x0f,0x29,0x78,0xf0             #movaps %xmm7,-0x10(%rax)
-       .byte   0x44,0x0f,0x29,0x00             #movaps %xmm8,0(%rax)
-       .byte   0x44,0x0f,0x29,0x48,0x10        #movaps %xmm9,0x10(%rax)
-       .byte   0x44,0x0f,0x29,0x50,0x20        #movaps %xmm10,0x20(%rax)
-       .byte   0x44,0x0f,0x29,0x58,0x30        #movaps %xmm11,0x30(%rax)
-       .byte   0x44,0x0f,0x29,0x60,0x40        #movaps %xmm12,0x40(%rax)
-       .byte   0x44,0x0f,0x29,0x68,0x50        #movaps %xmm13,0x50(%rax)
-       .byte   0x44,0x0f,0x29,0x70,0x60        #movaps %xmm14,0x60(%rax)
-       .byte   0x44,0x0f,0x29,0x78,0x70        #movaps %xmm15,0x70(%rax)
+       .byte   0x48,0x8d,0x60,0xe0             # lea   -0x20(%rax),%rsp
+       .byte   0xc5,0xf8,0x29,0x70,0xe0        # vmovaps %xmm6,-0x20(%rax)
+       .byte   0xc5,0xf8,0x29,0x78,0xf0        # vmovaps %xmm7,-0x10(%rax)
+       .byte   0xc5,0x78,0x29,0x40,0x00        # vmovaps %xmm8,0(%rax)
+       .byte   0xc5,0x78,0x29,0x48,0x10        # vmovaps %xmm9,0x10(%rax)
+       .byte   0xc5,0x78,0x29,0x50,0x20        # vmovaps %xmm10,0x20(%rax)
+       .byte   0xc5,0x78,0x29,0x58,0x30        # vmovaps %xmm11,0x30(%rax)
+       .byte   0xc5,0x78,0x29,0x60,0x40        # vmovaps %xmm12,0x40(%rax)
+       .byte   0xc5,0x78,0x29,0x68,0x50        # vmovaps %xmm13,0x50(%rax)
+       .byte   0xc5,0x78,0x29,0x70,0x60        # vmovaps %xmm14,0x60(%rax)
+       .byte   0xc5,0x78,0x29,0x78,0x70        # vmovaps %xmm15,0x70(%rax)
 ___
 $code.=<<___;
-       vzeroupper
-       lea     .Lgather_table(%rip),%r11
-       mov     $power,%eax
-       and     \$3,$power
-       shr     \$2,%eax                        # cache line number
-       shl     \$4,$power                      # offset within cache line
-
-       vmovdqu         -32(%r11),%ymm7         # .Lgather_permd
-       vpbroadcastb    8(%r11,%rax), %xmm8
-       vpbroadcastb    7(%r11,%rax), %xmm9
-       vpbroadcastb    6(%r11,%rax), %xmm10
-       vpbroadcastb    5(%r11,%rax), %xmm11
-       vpbroadcastb    4(%r11,%rax), %xmm12
-       vpbroadcastb    3(%r11,%rax), %xmm13
-       vpbroadcastb    2(%r11,%rax), %xmm14
-       vpbroadcastb    1(%r11,%rax), %xmm15
-
-       lea     ($inp,$power),$inp
-       mov     \$64,%r11                       # size optimization
-       mov     \$9,%eax
-       jmp     .Loop_gather_1024
+       lea     -0x100(%rsp),%rsp
+       and     \$-32, %rsp
+       lea     .Linc(%rip), %r10
+       lea     -128(%rsp),%rax                 # control u-op density
+
+       vmovd           $power, %xmm4
+       vmovdqa         (%r10),%ymm0
+       vmovdqa         32(%r10),%ymm1
+       vmovdqa         64(%r10),%ymm5
+       vpbroadcastd    %xmm4,%ymm4
+
+       vpaddd          %ymm5, %ymm0, %ymm2
+       vpcmpeqd        %ymm4, %ymm0, %ymm0
+       vpaddd          %ymm5, %ymm1, %ymm3
+       vpcmpeqd        %ymm4, %ymm1, %ymm1
+       vmovdqa         %ymm0, 32*0+128(%rax)
+       vpaddd          %ymm5, %ymm2, %ymm0
+       vpcmpeqd        %ymm4, %ymm2, %ymm2
+       vmovdqa         %ymm1, 32*1+128(%rax)
+       vpaddd          %ymm5, %ymm3, %ymm1
+       vpcmpeqd        %ymm4, %ymm3, %ymm3
+       vmovdqa         %ymm2, 32*2+128(%rax)
+       vpaddd          %ymm5, %ymm0, %ymm2
+       vpcmpeqd        %ymm4, %ymm0, %ymm0
+       vmovdqa         %ymm3, 32*3+128(%rax)
+       vpaddd          %ymm5, %ymm1, %ymm3
+       vpcmpeqd        %ymm4, %ymm1, %ymm1
+       vmovdqa         %ymm0, 32*4+128(%rax)
+       vpaddd          %ymm5, %ymm2, %ymm8
+       vpcmpeqd        %ymm4, %ymm2, %ymm2
+       vmovdqa         %ymm1, 32*5+128(%rax)
+       vpaddd          %ymm5, %ymm3, %ymm9
+       vpcmpeqd        %ymm4, %ymm3, %ymm3
+       vmovdqa         %ymm2, 32*6+128(%rax)
+       vpaddd          %ymm5, %ymm8, %ymm10
+       vpcmpeqd        %ymm4, %ymm8, %ymm8
+       vmovdqa         %ymm3, 32*7+128(%rax)
+       vpaddd          %ymm5, %ymm9, %ymm11
+       vpcmpeqd        %ymm4, %ymm9, %ymm9
+       vpaddd          %ymm5, %ymm10, %ymm12
+       vpcmpeqd        %ymm4, %ymm10, %ymm10
+       vpaddd          %ymm5, %ymm11, %ymm13
+       vpcmpeqd        %ymm4, %ymm11, %ymm11
+       vpaddd          %ymm5, %ymm12, %ymm14
+       vpcmpeqd        %ymm4, %ymm12, %ymm12
+       vpaddd          %ymm5, %ymm13, %ymm15
+       vpcmpeqd        %ymm4, %ymm13, %ymm13
+       vpcmpeqd        %ymm4, %ymm14, %ymm14
+       vpcmpeqd        %ymm4, %ymm15, %ymm15
+
+       vmovdqa -32(%r10),%ymm7                 # .Lgather_permd
+       lea     128($inp), $inp
+       mov     \$9,$power
 
-.align 32
 .Loop_gather_1024:
-       vpand           ($inp),                 %xmm8,%xmm0
-       vpand           ($inp,%r11),            %xmm9,%xmm1
-       vpand           ($inp,%r11,2),          %xmm10,%xmm2
-       vpand           64($inp,%r11,2),        %xmm11,%xmm3
-        vpor                                   %xmm0,%xmm1,%xmm1
-       vpand           ($inp,%r11,4),          %xmm12,%xmm4
-        vpor                                   %xmm2,%xmm3,%xmm3
-       vpand           64($inp,%r11,4),        %xmm13,%xmm5
-        vpor                                   %xmm1,%xmm3,%xmm3
-       vpand           -128($inp,%r11,8),      %xmm14,%xmm6
-        vpor                                   %xmm4,%xmm5,%xmm5
-       vpand           -64($inp,%r11,8),       %xmm15,%xmm2
-       lea             ($inp,%r11,8),$inp
-        vpor                                   %xmm3,%xmm5,%xmm5
-        vpor                                   %xmm2,%xmm6,%xmm6
-        vpor                                   %xmm5,%xmm6,%xmm6
-       vpermd          %ymm6,%ymm7,%ymm6
-       vmovdqu         %ymm6,($out)
+       vmovdqa         32*0-128($inp), %ymm0
+       vmovdqa         32*1-128($inp), %ymm1
+       vmovdqa         32*2-128($inp), %ymm2
+       vmovdqa         32*3-128($inp), %ymm3
+       vpand           32*0+128(%rax), %ymm0,  %ymm0
+       vpand           32*1+128(%rax), %ymm1,  %ymm1
+       vpand           32*2+128(%rax), %ymm2,  %ymm2
+       vpor            %ymm0, %ymm1, %ymm4
+       vpand           32*3+128(%rax), %ymm3,  %ymm3
+       vmovdqa         32*4-128($inp), %ymm0
+       vmovdqa         32*5-128($inp), %ymm1
+       vpor            %ymm2, %ymm3, %ymm5
+       vmovdqa         32*6-128($inp), %ymm2
+       vmovdqa         32*7-128($inp), %ymm3
+       vpand           32*4+128(%rax), %ymm0,  %ymm0
+       vpand           32*5+128(%rax), %ymm1,  %ymm1
+       vpand           32*6+128(%rax), %ymm2,  %ymm2
+       vpor            %ymm0, %ymm4, %ymm4
+       vpand           32*7+128(%rax), %ymm3,  %ymm3
+       vpand           32*8-128($inp), %ymm8,  %ymm0
+       vpor            %ymm1, %ymm5, %ymm5
+       vpand           32*9-128($inp), %ymm9,  %ymm1
+       vpor            %ymm2, %ymm4, %ymm4
+       vpand           32*10-128($inp),%ymm10, %ymm2
+       vpor            %ymm3, %ymm5, %ymm5
+       vpand           32*11-128($inp),%ymm11, %ymm3
+       vpor            %ymm0, %ymm4, %ymm4
+       vpand           32*12-128($inp),%ymm12, %ymm0
+       vpor            %ymm1, %ymm5, %ymm5
+       vpand           32*13-128($inp),%ymm13, %ymm1
+       vpor            %ymm2, %ymm4, %ymm4
+       vpand           32*14-128($inp),%ymm14, %ymm2
+       vpor            %ymm3, %ymm5, %ymm5
+       vpand           32*15-128($inp),%ymm15, %ymm3
+       lea             32*16($inp), $inp
+       vpor            %ymm0, %ymm4, %ymm4
+       vpor            %ymm1, %ymm5, %ymm5
+       vpor            %ymm2, %ymm4, %ymm4
+       vpor            %ymm3, %ymm5, %ymm5
+
+       vpor            %ymm5, %ymm4, %ymm4
+       vextracti128    \$1, %ymm4, %xmm5       # upper half is cleared
+       vpor            %xmm4, %xmm5, %xmm5
+       vpermd          %ymm5,%ymm7,%ymm5
+       vmovdqu         %ymm5,($out)
        lea             32($out),$out
-       dec     %eax
+       dec     $power
        jnz     .Loop_gather_1024
 
        vpxor   %ymm0,%ymm0,%ymm0
@@ -1635,21 +1735,23 @@ $code.=<<___;
        vzeroupper
 ___
 $code.=<<___ if ($win64);
-       movaps  (%rsp),%xmm6
-       movaps  0x10(%rsp),%xmm7
-       movaps  0x20(%rsp),%xmm8
-       movaps  0x30(%rsp),%xmm9
-       movaps  0x40(%rsp),%xmm10
-       movaps  0x50(%rsp),%xmm11
-       movaps  0x60(%rsp),%xmm12
-       movaps  0x70(%rsp),%xmm13
-       movaps  0x80(%rsp),%xmm14
-       movaps  0x90(%rsp),%xmm15
-       lea     0xa8(%rsp),%rsp
-.LSEH_end_rsaz_1024_gather5:
+       movaps  -0xa8(%r11),%xmm6
+       movaps  -0x98(%r11),%xmm7
+       movaps  -0x88(%r11),%xmm8
+       movaps  -0x78(%r11),%xmm9
+       movaps  -0x68(%r11),%xmm10
+       movaps  -0x58(%r11),%xmm11
+       movaps  -0x48(%r11),%xmm12
+       movaps  -0x38(%r11),%xmm13
+       movaps  -0x28(%r11),%xmm14
+       movaps  -0x18(%r11),%xmm15
 ___
 $code.=<<___;
+       lea     (%r11),%rsp
+.cfi_def_cfa_register  %rsp
        ret
+.cfi_endproc
+.LSEH_end_rsaz_1024_gather5:
 .size  rsaz_1024_gather5_avx2,.-rsaz_1024_gather5_avx2
 ___
 }
@@ -1661,6 +1763,15 @@ $code.=<<___;
 .align 32
 rsaz_avx2_eligible:
        mov     OPENSSL_ia32cap_P+8(%rip),%eax
+___
+$code.=<<___   if ($addx);
+       mov     \$`1<<8|1<<19`,%ecx
+       mov     \$0,%edx
+       and     %eax,%ecx
+       cmp     \$`1<<8|1<<19`,%ecx     # check for BMI2+AD*X
+       cmove   %edx,%eax
+___
+$code.=<<___;
        and     \$`1<<5`,%eax
        shr     \$5,%eax
        ret
@@ -1668,13 +1779,15 @@ rsaz_avx2_eligible:
 
 .align 64
 .Land_mask:
-       .quad   0x1fffffff,0x1fffffff,0x1fffffff,-1
+       .quad   0x1fffffff,0x1fffffff,0x1fffffff,0x1fffffff
 .Lscatter_permd:
        .long   0,2,4,6,7,7,7,7
 .Lgather_permd:
        .long   0,7,1,7,2,7,3,7
-.Lgather_table:
-       .byte   0,0,0,0,0,0,0,0, 0xff,0,0,0,0,0,0,0
+.Linc:
+       .long   0,0,0,0, 1,1,1,1
+       .long   2,2,2,2, 3,3,3,3
+       .long   4,4,4,4, 4,4,4,4
 .align 64
 ___
 
@@ -1711,14 +1824,17 @@ rsaz_se_handler:
        cmp     %r10,%rbx               # context->Rip<prologue label
        jb      .Lcommon_seh_tail
 
-       mov     152($context),%rax      # pull context->Rsp
-
        mov     4(%r11),%r10d           # HandlerData[1]
        lea     (%rsi,%r10),%r10        # epilogue label
        cmp     %r10,%rbx               # context->Rip>=epilogue label
        jae     .Lcommon_seh_tail
 
-       mov     160($context),%rax      # pull context->Rbp
+       mov     160($context),%rbp      # pull context->Rbp
+
+       mov     8(%r11),%r10d           # HandlerData[2]
+       lea     (%rsi,%r10),%r10        # "in tail" label
+       cmp     %r10,%rbx               # context->Rip>="in tail" label
+       cmovc   %rbp,%rax
 
        mov     -48(%rax),%r15
        mov     -40(%rax),%r14
@@ -1796,24 +1912,27 @@ rsaz_se_handler:
 .LSEH_info_rsaz_1024_sqr_avx2:
        .byte   9,0,0,0
        .rva    rsaz_se_handler
-       .rva    .Lsqr_1024_body,.Lsqr_1024_epilogue
+       .rva    .Lsqr_1024_body,.Lsqr_1024_epilogue,.Lsqr_1024_in_tail
+       .long   0
 .LSEH_info_rsaz_1024_mul_avx2:
        .byte   9,0,0,0
        .rva    rsaz_se_handler
-       .rva    .Lmul_1024_body,.Lmul_1024_epilogue
+       .rva    .Lmul_1024_body,.Lmul_1024_epilogue,.Lmul_1024_in_tail
+       .long   0
 .LSEH_info_rsaz_1024_gather5:
-       .byte   0x01,0x33,0x16,0x00
-       .byte   0x33,0xf8,0x09,0x00     #movaps 0x90(rsp),xmm15
-       .byte   0x2e,0xe8,0x08,0x00     #movaps 0x80(rsp),xmm14
-       .byte   0x29,0xd8,0x07,0x00     #movaps 0x70(rsp),xmm13
-       .byte   0x24,0xc8,0x06,0x00     #movaps 0x60(rsp),xmm12
-       .byte   0x1f,0xb8,0x05,0x00     #movaps 0x50(rsp),xmm11
-       .byte   0x1a,0xa8,0x04,0x00     #movaps 0x40(rsp),xmm10
-       .byte   0x15,0x98,0x03,0x00     #movaps 0x30(rsp),xmm9
-       .byte   0x10,0x88,0x02,0x00     #movaps 0x20(rsp),xmm8
-       .byte   0x0c,0x78,0x01,0x00     #movaps 0x10(rsp),xmm7
-       .byte   0x08,0x68,0x00,0x00     #movaps 0x00(rsp),xmm6
-       .byte   0x04,0x01,0x15,0x00     #sub    rsp,0xa8
+       .byte   0x01,0x36,0x17,0x0b
+       .byte   0x36,0xf8,0x09,0x00     # vmovaps 0x90(rsp),xmm15
+       .byte   0x31,0xe8,0x08,0x00     # vmovaps 0x80(rsp),xmm14
+       .byte   0x2c,0xd8,0x07,0x00     # vmovaps 0x70(rsp),xmm13
+       .byte   0x27,0xc8,0x06,0x00     # vmovaps 0x60(rsp),xmm12
+       .byte   0x22,0xb8,0x05,0x00     # vmovaps 0x50(rsp),xmm11
+       .byte   0x1d,0xa8,0x04,0x00     # vmovaps 0x40(rsp),xmm10
+       .byte   0x18,0x98,0x03,0x00     # vmovaps 0x30(rsp),xmm9
+       .byte   0x13,0x88,0x02,0x00     # vmovaps 0x20(rsp),xmm8
+       .byte   0x0e,0x78,0x01,0x00     # vmovaps 0x10(rsp),xmm7
+       .byte   0x09,0x68,0x00,0x00     # vmovaps 0x00(rsp),xmm6
+       .byte   0x04,0x01,0x15,0x00     # sub     rsp,0xa8
+       .byte   0x00,0xb3,0x00,0x00     # set_frame r11
 ___
 }
 
@@ -1836,7 +1955,7 @@ print <<___;      # assembler is too old
 
 .globl rsaz_avx2_eligible
 .type  rsaz_avx2_eligible,\@abi-omnipotent
-rsaz_eligible:
+rsaz_avx2_eligible:
        xor     %eax,%eax
        ret
 .size  rsaz_avx2_eligible,.-rsaz_avx2_eligible