Add AES-NI SHA256 stitch and take it into build loop [from master].
authorAndy Polyakov <appro@openssl.org>
Sun, 19 May 2013 20:23:18 +0000 (22:23 +0200)
committerAndy Polyakov <appro@openssl.org>
Sun, 19 May 2013 20:23:18 +0000 (22:23 +0200)
Configure
TABLE
crypto/aes/Makefile
crypto/aes/asm/aesni-sha256-x86_64.pl [new file with mode: 0644]

index 59f67d1a0634a1ad7b3e2416278fd4680bd407bb..909c869b82337871244a9cb774358cc9428ec942 100755 (executable)
--- a/Configure
+++ b/Configure
@@ -128,7 +128,7 @@ my $x86_asm="x86cpuid.o:bn-586.o co-586.o x86-mont.o x86-gf2m.o:des-586.o crypt5
 
 my $x86_elf_asm="$x86_asm:elf";
 
-my $x86_64_asm="x86_64cpuid.o:x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o::aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o::md5-x86_64.o:sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o::rc4-x86_64.o rc4-md5-x86_64.o:::wp-x86_64.o:cmll-x86_64.o cmll_misc.o:ghash-x86_64.o aesni-gcm-x86_64.o:";
+my $x86_64_asm="x86_64cpuid.o:x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o::aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o::md5-x86_64.o:sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o::rc4-x86_64.o rc4-md5-x86_64.o:::wp-x86_64.o:cmll-x86_64.o cmll_misc.o:ghash-x86_64.o aesni-gcm-x86_64.o:";
 my $ia64_asm="ia64cpuid.o:bn-ia64.o ia64-mont.o::aes_core.o aes_cbc.o aes-ia64.o::md5-ia64.o:sha1-ia64.o sha256-ia64.o sha512-ia64.o::rc4-ia64.o rc4_skey.o:::::ghash-ia64.o::void";
 my $sparcv9_asm="sparcv9cap.o sparccpuid.o:bn-sparcv9.o sparcv9-mont.o sparcv9a-mont.o:des_enc-sparc.o fcrypt_b.o:aes_core.o aes_cbc.o aes-sparcv9.o:::sha1-sparcv9.o sha256-sparcv9.o sha512-sparcv9.o:::::::ghash-sparcv9.o::void";
 my $sparcv8_asm=":sparcv8.o:des_enc-sparc.o fcrypt_b.o:::::::::::::void";
diff --git a/TABLE b/TABLE
index 8b38d4d307971e14d4f3ec234f45d310e92b24d5..212a3bc28367af7d012e36d2da1064702ef444ee 100644 (file)
--- a/TABLE
+++ b/TABLE
@@ -308,7 +308,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -803,7 +803,7 @@ $bn_ops       = SIXTY_FOUR_BIT RC4_CHUNK_LL DES_INT EXPORT_VAR_AS_FN
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = bn_asm.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -1496,7 +1496,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHAR RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -1661,7 +1661,7 @@ $bn_ops       = SIXTY_FOUR_BIT RC4_CHUNK_LL DES_INT EXPORT_VAR_AS_FN
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = bn_asm.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -1760,7 +1760,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHAR RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -1826,7 +1826,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -2057,7 +2057,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -2585,7 +2585,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -2783,7 +2783,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -2849,7 +2849,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -4466,7 +4466,7 @@ $bn_ops       = SIXTY_FOUR_BIT RC4_CHUNK_LL DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -4499,7 +4499,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -4532,7 +4532,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -4730,7 +4730,7 @@ $bn_ops       = SIXTY_FOUR_BIT RC4_CHUNK_LL DES_INT EXPORT_VAR_AS_FN
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -5720,7 +5720,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
@@ -5753,7 +5753,7 @@ $bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK DES_INT DES_UNROLL
 $cpuid_obj    = x86_64cpuid.o
 $bn_obj       = x86_64-gcc.o x86_64-mont.o x86_64-mont5.o x86_64-gf2m.o modexp512-x86_64.o
 $des_obj      = 
-$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o
+$aes_obj      = aes-x86_64.o vpaes-x86_64.o bsaes-x86_64.o aesni-x86_64.o aesni-sha1-x86_64.o aesni-sha256-x86_64.o
 $bf_obj       = 
 $md5_obj      = md5-x86_64.o
 $sha1_obj     = sha1-x86_64.o sha256-x86_64.o sha512-x86_64.o
index 45ede0a0b459c6bdf827220ede45c45e3724d348..c21cb8fff955e407a2e7e34f331ef767ed2c0280 100644 (file)
@@ -65,6 +65,8 @@ aesni-x86_64.s: asm/aesni-x86_64.pl
        $(PERL) asm/aesni-x86_64.pl $(PERLASM_SCHEME) > $@
 aesni-sha1-x86_64.s:   asm/aesni-sha1-x86_64.pl
        $(PERL) asm/aesni-sha1-x86_64.pl $(PERLASM_SCHEME) > $@
+aesni-sha256-x86_64.s: asm/aesni-sha256-x86_64.pl
+       $(PERL) asm/aesni-sha256-x86_64.pl $(PERLASM_SCHEME) > $@
 
 aes-sparcv9.s: asm/aes-sparcv9.pl
        $(PERL) asm/aes-sparcv9.pl $(CFLAGS) > $@
diff --git a/crypto/aes/asm/aesni-sha256-x86_64.pl b/crypto/aes/asm/aesni-sha256-x86_64.pl
new file mode 100644 (file)
index 0000000..ebce021
--- /dev/null
@@ -0,0 +1,1358 @@
+#!/usr/bin/env perl
+#
+# ====================================================================
+# Written by Andy Polyakov <appro@openssl.org> for the OpenSSL
+# project. The module is, however, dual licensed under OpenSSL and
+# CRYPTOGAMS licenses depending on where you obtain it. For further
+# details see http://www.openssl.org/~appro/cryptogams/.
+# ====================================================================
+#
+# January 2013
+#
+# This is AESNI-CBC+SHA256 stitch implementation. The idea, as spelled
+# in http://download.intel.com/design/intarch/papers/323686.pdf, is
+# that since AESNI-CBC encrypt exhibit *very* low instruction-level
+# parallelism, interleaving it with another algorithm would allow to
+# utilize processor resources better and achieve better performance.
+# SHA256 instruction sequences(*) are taken from sha512-x86_64.pl and
+# AESNI code is weaved into it. As SHA256 dominates execution time,
+# stitch performance does not depend on AES key length. Below are
+# performance numbers in cycles per processed byte, less is better,
+# for standalone AESNI-CBC encrypt, standalone SHA256, and stitched
+# subroutine:
+#
+#               AES-128/-192/-256+SHA256       this(**)gain
+# Sandy Bridge     5.05/6.05/7.05+11.6         13.0    +28%/36%/43%
+# Ivy Bridge       5.05/6.05/7.05+10.3         11.6    +32%/41%/50%
+# Bulldozer        5.77/6.89/8.00+13.7         13.7    +42%/50%/58%
+#
+# (*)  there are XOP, AVX1 and AVX2 code pathes, meaning that
+#      Westmere is omitted from loop, this is because gain was not
+#      estimated high enough to justify the effort;
+# (**) these are EVP-free results, results obtained with 'speed
+#      -evp aes-256-cbc-hmac-sha256' will vary by percent or two;
+
+$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 $xlate) or
+die "can't locate x86_64-xlate.pl";
+
+if (`$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) + ($1>=2.22);
+}
+
+if (!$avx && $win64 && ($flavour =~ /nasm/ || $ENV{ASM} =~ /nasm/) &&
+          `nasm -v 2>&1` =~ /NASM version ([2-9]\.[0-9]+)/) {
+       $avx = ($1>=2.09) + ($1>=2.10);
+}
+
+if (!$avx && $win64 && ($flavour =~ /masm/ || $ENV{ASM} =~ /ml64/) &&
+          `ml64 2>&1` =~ /Version ([0-9]+)\./) {
+       $avx = ($1>=10) + ($1>=11);
+}
+
+open OUT,"| \"$^X\" $xlate $flavour $output";
+*STDOUT=*OUT;
+
+$func="aesni_cbc_sha256_enc";
+$TABLE="K256";
+$SZ=4;
+@ROT=($A,$B,$C,$D,$E,$F,$G,$H)=("%eax","%ebx","%ecx","%edx",
+                               "%r8d","%r9d","%r10d","%r11d");
+($T1,$a0,$a1,$a2,$a3)=("%r12d","%r13d","%r14d","%r15d","%esi");
+@Sigma0=( 2,13,22);
+@Sigma1=( 6,11,25);
+@sigma0=( 7,18, 3);
+@sigma1=(17,19,10);
+$rounds=64;
+
+########################################################################
+# void aesni_cbc_sha256_enc(const void *inp,
+#                      void *out,
+#                      size_t length,
+#                      const AES_KEY *key,
+#                      unsigned char *iv,
+#                      SHA256_CTX *ctx,
+#                      const void *in0);
+($inp,  $out,  $len,  $key,  $ivp, $ctx, $in0) =
+("%rdi","%rsi","%rdx","%rcx","%r8","%r9","%r10");
+
+$Tbl="%rbp";
+
+$_inp="16*$SZ+0*8(%rsp)";
+$_out="16*$SZ+1*8(%rsp)";
+$_end="16*$SZ+2*8(%rsp)";
+$_key="16*$SZ+3*8(%rsp)";
+$_ivp="16*$SZ+4*8(%rsp)";
+$_ctx="16*$SZ+5*8(%rsp)";
+$_in0="16*$SZ+6*8(%rsp)";
+$_rsp="16*$SZ+7*8(%rsp)";
+$framesz=16*$SZ+8*8;
+
+$code=<<___;
+.text
+
+.extern        OPENSSL_ia32cap_P
+.globl $func
+.type  $func,\@abi-omnipotent
+.align 16
+$func:
+___
+$code.=<<___ if ($avx);
+       lea     OPENSSL_ia32cap_P(%rip),%r11
+       mov     \$1,%eax
+       cmp     \$0,`$win64?"%rcx":"%rdi"`
+       je      .Lprobe
+       mov     0(%r11),%eax
+       mov     4(%r11),%r10d
+       mov     8(%r11),%r11d
+
+       test    \$`1<<11`,%r10d                 # check for XOP
+       jnz     ${func}_xop
+___
+$code.=<<___ if ($avx>1);
+       and     \$`1<<8|1<<5|1<<3`,%r11d        # check for BMI2+AVX2+BMI1
+       cmp     \$`1<<8|1<<5|1<<3`,%r11d
+       je      ${func}_avx2
+___
+$code.=<<___ if ($avx);
+       and     \$`1<<30`,%eax                  # mask "Intel CPU" bit
+       and     \$`1<<28|1<<9`,%r10d            # mask AVX+SSSE3 bits
+       or      %eax,%r10d
+       cmp     \$`1<<28|1<<9|1<<30`,%r10d
+       je      ${func}_avx
+       ud2
+___
+$code.=<<___;
+       xor     %eax,%eax
+       cmp     \$0,`$win64?"%rcx":"%rdi"`
+       je      .Lprobe
+       ud2
+.Lprobe:
+       ret
+.size  $func,.-$func
+
+.align 64
+.type  $TABLE,\@object
+$TABLE:
+       .long   0x428a2f98,0x71374491,0xb5c0fbcf,0xe9b5dba5
+       .long   0x428a2f98,0x71374491,0xb5c0fbcf,0xe9b5dba5
+       .long   0x3956c25b,0x59f111f1,0x923f82a4,0xab1c5ed5
+       .long   0x3956c25b,0x59f111f1,0x923f82a4,0xab1c5ed5
+       .long   0xd807aa98,0x12835b01,0x243185be,0x550c7dc3
+       .long   0xd807aa98,0x12835b01,0x243185be,0x550c7dc3
+       .long   0x72be5d74,0x80deb1fe,0x9bdc06a7,0xc19bf174
+       .long   0x72be5d74,0x80deb1fe,0x9bdc06a7,0xc19bf174
+       .long   0xe49b69c1,0xefbe4786,0x0fc19dc6,0x240ca1cc
+       .long   0xe49b69c1,0xefbe4786,0x0fc19dc6,0x240ca1cc
+       .long   0x2de92c6f,0x4a7484aa,0x5cb0a9dc,0x76f988da
+       .long   0x2de92c6f,0x4a7484aa,0x5cb0a9dc,0x76f988da
+       .long   0x983e5152,0xa831c66d,0xb00327c8,0xbf597fc7
+       .long   0x983e5152,0xa831c66d,0xb00327c8,0xbf597fc7
+       .long   0xc6e00bf3,0xd5a79147,0x06ca6351,0x14292967
+       .long   0xc6e00bf3,0xd5a79147,0x06ca6351,0x14292967
+       .long   0x27b70a85,0x2e1b2138,0x4d2c6dfc,0x53380d13
+       .long   0x27b70a85,0x2e1b2138,0x4d2c6dfc,0x53380d13
+       .long   0x650a7354,0x766a0abb,0x81c2c92e,0x92722c85
+       .long   0x650a7354,0x766a0abb,0x81c2c92e,0x92722c85
+       .long   0xa2bfe8a1,0xa81a664b,0xc24b8b70,0xc76c51a3
+       .long   0xa2bfe8a1,0xa81a664b,0xc24b8b70,0xc76c51a3
+       .long   0xd192e819,0xd6990624,0xf40e3585,0x106aa070
+       .long   0xd192e819,0xd6990624,0xf40e3585,0x106aa070
+       .long   0x19a4c116,0x1e376c08,0x2748774c,0x34b0bcb5
+       .long   0x19a4c116,0x1e376c08,0x2748774c,0x34b0bcb5
+       .long   0x391c0cb3,0x4ed8aa4a,0x5b9cca4f,0x682e6ff3
+       .long   0x391c0cb3,0x4ed8aa4a,0x5b9cca4f,0x682e6ff3
+       .long   0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208
+       .long   0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208
+       .long   0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2
+       .long   0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2
+
+       .long   0x00010203,0x04050607,0x08090a0b,0x0c0d0e0f
+       .long   0x00010203,0x04050607,0x08090a0b,0x0c0d0e0f
+       .long   0,0,0,0,   0,0,0,0,   -1,-1,-1,-1
+       .long   0,0,0,0,   0,0,0,0
+       .asciz  "AESNI-CBC+SHA256 stitch for x86_64, CRYPTOGAMS by <appro\@openssl.org>"
+.align 64
+___
+
+######################################################################
+# SIMD code paths
+#
+{{{
+($iv,$inout,$roundkey,$temp,
+ $mask10,$mask12,$mask14,$offload)=map("%xmm$_",(8..15));
+
+$aesni_cbc_idx=0;
+@aesni_cbc_block = (
+##     &vmovdqu        ($roundkey,"0x00-0x80($inp)");'
+##     &vmovdqu        ($inout,($inp));
+##     &mov            ($_inp,$inp);
+
+       '&vpxor         ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x10-0x80($inp)");',
+
+       '&vpxor         ($inout,$inout,$iv);',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x20-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x30-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x40-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x50-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x60-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x70-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x80-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x90-0x80($inp)");',
+
+       '&vaesenc       ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0xa0-0x80($inp)");',
+
+       '&vaesenclast   ($temp,$inout,$roundkey);'.
+       ' &vaesenc      ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0xb0-0x80($inp)");',
+
+       '&vpand         ($iv,$temp,$mask10);'.
+       ' &vaesenc      ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0xc0-0x80($inp)");',
+
+       '&vaesenclast   ($temp,$inout,$roundkey);'.
+       ' &vaesenc      ($inout,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0xd0-0x80($inp)");',
+
+       '&vpand         ($temp,$temp,$mask12);'.
+       ' &vaesenc      ($inout,$inout,$roundkey);'.
+        '&vmovdqu      ($roundkey,"0xe0-0x80($inp)");',
+
+       '&vpor          ($iv,$iv,$temp);'.
+       ' &vaesenclast  ($temp,$inout,$roundkey);'.
+       ' &vmovdqu      ($roundkey,"0x00-0x80($inp)");'
+
+##     &mov            ($inp,$_inp);
+##     &mov            ($out,$_out);
+##     &vpand          ($temp,$temp,$mask14);
+##     &vpor           ($iv,$iv,$temp);
+##     &vmovdqu        ($iv,($out,$inp);
+##     &lea            (inp,16($inp));
+);
+
+my $a4=$T1;
+my ($a,$b,$c,$d,$e,$f,$g,$h);
+
+sub AUTOLOAD()         # thunk [simplified] 32-bit style perlasm
+{ my $opcode = $AUTOLOAD; $opcode =~ s/.*:://;
+  my $arg = pop;
+    $arg = "\$$arg" if ($arg*1 eq $arg);
+    $code .= "\t$opcode\t".join(',',$arg,reverse @_)."\n";
+}
+
+sub body_00_15 () {
+       (
+       '($a,$b,$c,$d,$e,$f,$g,$h)=@ROT;'.
+
+       '&ror   ($a0,$Sigma1[2]-$Sigma1[1])',
+       '&mov   ($a,$a1)',
+       '&mov   ($a4,$f)',
+
+       '&xor   ($a0,$e)',
+       '&ror   ($a1,$Sigma0[2]-$Sigma0[1])',
+       '&xor   ($a4,$g)',                      # f^g
+
+       '&ror   ($a0,$Sigma1[1]-$Sigma1[0])',
+       '&xor   ($a1,$a)',
+       '&and   ($a4,$e)',                      # (f^g)&e
+
+       @aesni_cbc_block[$aesni_cbc_idx++].
+       '&xor   ($a0,$e)',
+       '&add   ($h,$SZ*($i&15)."(%rsp)")',     # h+=X[i]+K[i]
+       '&mov   ($a2,$a)',
+
+       '&ror   ($a1,$Sigma0[1]-$Sigma0[0])',
+       '&xor   ($a4,$g)',                      # Ch(e,f,g)=((f^g)&e)^g
+       '&xor   ($a2,$b)',                      # a^b, b^c in next round
+
+       '&ror   ($a0,$Sigma1[0])',              # Sigma1(e)
+       '&add   ($h,$a4)',                      # h+=Ch(e,f,g)
+       '&and   ($a3,$a2)',                     # (b^c)&(a^b)
+
+       '&xor   ($a1,$a)',
+       '&add   ($h,$a0)',                      # h+=Sigma1(e)
+       '&xor   ($a3,$b)',                      # Maj(a,b,c)=Ch(a^b,c,b)
+
+       '&add   ($d,$h)',                       # d+=h
+       '&ror   ($a1,$Sigma0[0])',              # Sigma0(a)
+       '&add   ($h,$a3)',                      # h+=Maj(a,b,c)
+
+       '&mov   ($a0,$d)',
+       '&add   ($a1,$h);'.                     # h+=Sigma0(a)
+       '($a2,$a3) = ($a3,$a2); unshift(@ROT,pop(@ROT)); $i++;'
+       );
+}
+
+if ($avx) {{
+######################################################################
+# XOP code path
+#
+$code.=<<___;
+.type  ${func}_xop,\@function,6
+.align 64
+${func}_xop:
+.Lxop_shortcut:
+       mov     `($win64?56:8)`(%rsp),$in0      # load 7th parameter
+       push    %rbx
+       push    %rbp
+       push    %r12
+       push    %r13
+       push    %r14
+       push    %r15
+       mov     %rsp,%r11               # copy %rsp
+       sub     \$`$framesz+$win64*16*10`,%rsp
+       and     \$-64,%rsp              # align stack frame
+
+       shl     \$6,$len
+       sub     $inp,$out               # re-bias
+       sub     $inp,$in0
+       add     $inp,$len               # end of input
+
+       #mov    $inp,$_inp              # saved later
+       mov     $out,$_out
+       mov     $len,$_end
+       #mov    $key,$_key              # remains resident in $inp register
+       mov     $ivp,$_ivp
+       mov     $ctx,$_ctx
+       mov     $in0,$_in0
+       mov     %r11,$_rsp
+___
+$code.=<<___ if ($win64);
+       movaps  %xmm6,`$framesz+16*0`(%rsp)
+       movaps  %xmm7,`$framesz+16*1`(%rsp)
+       movaps  %xmm8,`$framesz+16*2`(%rsp)
+       movaps  %xmm9,`$framesz+16*3`(%rsp)
+       movaps  %xmm10,`$framesz+16*4`(%rsp)
+       movaps  %xmm11,`$framesz+16*5`(%rsp)
+       movaps  %xmm12,`$framesz+16*6`(%rsp)
+       movaps  %xmm13,`$framesz+16*7`(%rsp)
+       movaps  %xmm14,`$framesz+16*8`(%rsp)
+       movaps  %xmm15,`$framesz+16*9`(%rsp)
+___
+$code.=<<___;
+.Lprologue_xop:
+       vzeroall
+
+       mov     $inp,%r12               # borrow $a4
+       lea     0x80($key),$inp         # size optimization, reassign
+       lea     $TABLE+`$SZ*2*$rounds+32`(%rip),%r13    # borrow $a0
+       mov     0xf0-0x80($inp),%r14d   # rounds, borrow $a1
+       mov     $ctx,%r15               # borrow $a2
+       mov     $in0,%rsi               # borrow $a3
+       vmovdqu ($ivp),$iv              # load IV
+       sub     \$9,%r14
+
+       mov     $SZ*0(%r15),$A
+       mov     $SZ*1(%r15),$B
+       mov     $SZ*2(%r15),$C
+       mov     $SZ*3(%r15),$D
+       mov     $SZ*4(%r15),$E
+       mov     $SZ*5(%r15),$F
+       mov     $SZ*6(%r15),$G
+       mov     $SZ*7(%r15),$H
+
+       vmovdqa 0x00(%r13,%r14,8),$mask14
+       vmovdqa 0x10(%r13,%r14,8),$mask12
+       vmovdqa 0x20(%r13,%r14,8),$mask10
+       vmovdqu 0x00-0x80($inp),$roundkey
+       jmp     .Lloop_xop
+___
+                                       if ($SZ==4) {   # SHA256
+    my @X = map("%xmm$_",(0..3));
+    my ($t0,$t1,$t2,$t3) = map("%xmm$_",(4..7));
+
+$code.=<<___;
+.align 16
+.Lloop_xop:
+       vmovdqa $TABLE+`$SZ*2*$rounds`(%rip),$t3
+       vmovdqu 0x00(%rsi,%r12),@X[0]
+       vmovdqu 0x10(%rsi,%r12),@X[1]
+       vmovdqu 0x20(%rsi,%r12),@X[2]
+       vmovdqu 0x30(%rsi,%r12),@X[3]
+       vpshufb $t3,@X[0],@X[0]
+       lea     $TABLE(%rip),$Tbl
+       vpshufb $t3,@X[1],@X[1]
+       vpshufb $t3,@X[2],@X[2]
+       vpaddd  0x00($Tbl),@X[0],$t0
+       vpshufb $t3,@X[3],@X[3]
+       vpaddd  0x20($Tbl),@X[1],$t1
+       vpaddd  0x40($Tbl),@X[2],$t2
+       vpaddd  0x60($Tbl),@X[3],$t3
+       vmovdqa $t0,0x00(%rsp)
+       mov     $A,$a1
+       vmovdqa $t1,0x10(%rsp)
+       mov     $B,$a3
+       vmovdqa $t2,0x20(%rsp)
+       xor     $C,$a3                  # magic
+       vmovdqa $t3,0x30(%rsp)
+       mov     $E,$a0
+       jmp     .Lxop_00_47
+
+.align 16
+.Lxop_00_47:
+       sub     \$-16*2*$SZ,$Tbl        # size optimization
+       vmovdqu (%r12),$inout           # $a4
+       mov     %r12,$_inp              # $a4
+___
+sub XOP_256_00_47 () {
+my $j = shift;
+my $body = shift;
+my @X = @_;
+my @insns = (&$body,&$body,&$body,&$body);     # 104 instructions
+
+       &vpalignr       ($t0,@X[1],@X[0],$SZ);  # X[1..4]
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpalignr      ($t3,@X[3],@X[2],$SZ);  # X[9..12]
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vprotd         ($t1,$t0,8*$SZ-$sigma0[1]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpsrld         ($t0,$t0,$sigma0[2]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpaddd        (@X[0],@X[0],$t3);      # X[0..3] += X[9..12]
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vprotd         ($t2,$t1,$sigma0[1]-$sigma0[0]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpxor          ($t0,$t0,$t1);
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vprotd        ($t3,@X[3],8*$SZ-$sigma1[1]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpxor          ($t0,$t0,$t2);          # sigma0(X[1..4])
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpsrld        ($t2,@X[3],$sigma1[2]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpaddd         (@X[0],@X[0],$t0);      # X[0..3] += sigma0(X[1..4])
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vprotd        ($t1,$t3,$sigma1[1]-$sigma1[0]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpxor         ($t3,$t3,$t2);
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpxor         ($t3,$t3,$t1);          # sigma1(X[14..15])
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpsrldq        ($t3,$t3,8);
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpaddd         (@X[0],@X[0],$t3);      # X[0..1] += sigma1(X[14..15])
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vprotd        ($t3,@X[0],8*$SZ-$sigma1[1]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpsrld        ($t2,@X[0],$sigma1[2]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vprotd        ($t1,$t3,$sigma1[1]-$sigma1[0]);
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpxor         ($t3,$t3,$t2);
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+        &vpxor         ($t3,$t3,$t1);          # sigma1(X[16..17])
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpslldq        ($t3,$t3,8);            # 22 instructions
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpaddd         (@X[0],@X[0],$t3);      # X[2..3] += sigma1(X[16..17])
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+         eval(shift(@insns));
+       &vpaddd         ($t2,@X[0],16*2*$j."($Tbl)");
+         foreach (@insns) { eval; }            # remaining instructions
+       &vmovdqa        (16*$j."(%rsp)",$t2);
+}
+
+    $aesni_cbc_idx=0;
+    for ($i=0,$j=0; $j<4; $j++) {
+       &XOP_256_00_47($j,\&body_00_15,@X);
+       push(@X,shift(@X));                     # rotate(@X)
+    }
+       &mov            ("%r12",$_inp);         # borrow $a4
+       &vpand          ($temp,$temp,$mask14);
+       &mov            ("%r15",$_out);         # borrow $a2
+       &vpor           ($iv,$iv,$temp);
+       &vmovdqu        ("(%r15,%r12)",$iv);    # write output
+       &lea            ("%r12","16(%r12)");    # inp++
+
+       &cmpb   ($SZ-1+16*2*$SZ."($Tbl)",0);
+       &jne    (".Lxop_00_47");
+
+       &vmovdqu        ($inout,"(%r12)");
+       &mov            ($_inp,"%r12");
+
+    $aesni_cbc_idx=0;
+    for ($i=0; $i<16; ) {
+       foreach(body_00_15()) { eval; }
+    }
+                                       }
+$code.=<<___;
+       mov     $_inp,%r12              # borrow $a4
+       mov     $_out,%r13              # borrow $a0
+       mov     $_ctx,%r15              # borrow $a2
+       mov     $_in0,%rsi              # borrow $a3
+
+       vpand   $mask14,$temp,$temp
+       mov     $a1,$A
+       vpor    $temp,$iv,$iv
+       vmovdqu $iv,(%r13,%r12)         # write output
+       lea     16(%r12),%r12           # inp++
+
+       add     $SZ*0(%r15),$A
+       add     $SZ*1(%r15),$B
+       add     $SZ*2(%r15),$C
+       add     $SZ*3(%r15),$D
+       add     $SZ*4(%r15),$E
+       add     $SZ*5(%r15),$F
+       add     $SZ*6(%r15),$G
+       add     $SZ*7(%r15),$H
+
+       cmp     $_end,%r12
+
+       mov     $A,$SZ*0(%r15)
+       mov     $B,$SZ*1(%r15)
+       mov     $C,$SZ*2(%r15)
+       mov     $D,$SZ*3(%r15)
+       mov     $E,$SZ*4(%r15)
+       mov     $F,$SZ*5(%r15)
+       mov     $G,$SZ*6(%r15)
+       mov     $H,$SZ*7(%r15)
+
+       jb      .Lloop_xop
+
+       mov     $_ivp,$ivp
+       mov     $_rsp,%rsi
+       vmovdqu $iv,($ivp)              # output IV
+       vzeroall
+___
+$code.=<<___ if ($win64);
+       movaps  `$framesz+16*0`(%rsp),%xmm6
+       movaps  `$framesz+16*1`(%rsp),%xmm7
+       movaps  `$framesz+16*2`(%rsp),%xmm8
+       movaps  `$framesz+16*3`(%rsp),%xmm9
+       movaps  `$framesz+16*4`(%rsp),%xmm10
+       movaps  `$framesz+16*5`(%rsp),%xmm11
+       movaps  `$framesz+16*6`(%rsp),%xmm12
+       movaps  `$framesz+16*7`(%rsp),%xmm13
+       movaps  `$framesz+16*8`(%rsp),%xmm14
+       movaps  `$framesz+16*9`(%rsp),%xmm15
+___
+$code.=<<___;
+       mov     (%rsi),%r15
+       mov     8(%rsi),%r14
+       mov     16(%rsi),%r13
+       mov     24(%rsi),%r12
+       mov     32(%rsi),%rbp
+       mov     40(%rsi),%rbx
+       lea     48(%rsi),%rsp
+.Lepilogue_xop:
+       ret
+.size  ${func}_xop,.-${func}_xop
+___
+######################################################################
+# AVX+shrd code path
+#
+local *ror = sub { &shrd(@_[0],@_) };
+
+$code.=<<___;
+.type  ${func}_avx,\@function,6
+.align 64
+${func}_avx:
+.Lavx_shortcut:
+       mov     `($win64?56:8)`(%rsp),$in0      # load 7th parameter
+       push    %rbx
+       push    %rbp
+       push    %r12
+       push    %r13
+       push    %r14
+       push    %r15
+       mov     %rsp,%r11               # copy %rsp
+       sub     \$`$framesz+$win64*16*10`,%rsp
+       and     \$-64,%rsp              # align stack frame
+
+       shl     \$6,$len
+       sub     $inp,$out               # re-bias
+       sub     $inp,$in0
+       add     $inp,$len               # end of input
+
+       #mov    $inp,$_inp              # saved later
+       mov     $out,$_out
+       mov     $len,$_end
+       #mov    $key,$_key              # remains resident in $inp register
+       mov     $ivp,$_ivp
+       mov     $ctx,$_ctx
+       mov     $in0,$_in0
+       mov     %r11,$_rsp
+___
+$code.=<<___ if ($win64);
+       movaps  %xmm6,`$framesz+16*0`(%rsp)
+       movaps  %xmm7,`$framesz+16*1`(%rsp)
+       movaps  %xmm8,`$framesz+16*2`(%rsp)
+       movaps  %xmm9,`$framesz+16*3`(%rsp)
+       movaps  %xmm10,`$framesz+16*4`(%rsp)
+       movaps  %xmm11,`$framesz+16*5`(%rsp)
+       movaps  %xmm12,`$framesz+16*6`(%rsp)
+       movaps  %xmm13,`$framesz+16*7`(%rsp)
+       movaps  %xmm14,`$framesz+16*8`(%rsp)
+       movaps  %xmm15,`$framesz+16*9`(%rsp)
+___
+$code.=<<___;
+.Lprologue_avx:
+       vzeroall
+
+       mov     $inp,%r12               # borrow $a4
+       lea     0x80($key),$inp         # size optimization, reassign
+       lea     $TABLE+`$SZ*2*$rounds+32`(%rip),%r13    # borrow $a0
+       mov     0xf0-0x80($inp),%r14d   # rounds, borrow $a1
+       mov     $ctx,%r15               # borrow $a2
+       mov     $in0,%rsi               # borrow $a3
+       vmovdqu ($ivp),$iv              # load IV
+       sub     \$9,%r14
+
+       mov     $SZ*0(%r15),$A
+       mov     $SZ*1(%r15),$B
+       mov     $SZ*2(%r15),$C
+       mov     $SZ*3(%r15),$D
+       mov     $SZ*4(%r15),$E
+       mov     $SZ*5(%r15),$F
+       mov     $SZ*6(%r15),$G
+       mov     $SZ*7(%r15),$H
+
+       vmovdqa 0x00(%r13,%r14,8),$mask14
+       vmovdqa 0x10(%r13,%r14,8),$mask12
+       vmovdqa 0x20(%r13,%r14,8),$mask10
+       vmovdqu 0x00-0x80($inp),$roundkey
+___
+                                       if ($SZ==4) {   # SHA256
+    my @X = map("%xmm$_",(0..3));
+    my ($t0,$t1,$t2,$t3) = map("%xmm$_",(4..7));
+
+$code.=<<___;
+       jmp     .Lloop_avx
+.align 16
+.Lloop_avx:
+       vmovdqa $TABLE+`$SZ*2*$rounds`(%rip),$t3
+       vmovdqu 0x00(%rsi,%r12),@X[0]
+       vmovdqu 0x10(%rsi,%r12),@X[1]
+       vmovdqu 0x20(%rsi,%r12),@X[2]
+       vmovdqu 0x30(%rsi,%r12),@X[3]
+       vpshufb $t3,@X[0],@X[0]
+       lea     $TABLE(%rip),$Tbl
+       vpshufb $t3,@X[1],@X[1]
+       vpshufb $t3,@X[2],@X[2]
+       vpaddd  0x00($Tbl),@X[0],$t0
+       vpshufb $t3,@X[3],@X[3]
+       vpaddd  0x20($Tbl),@X[1],$t1
+       vpaddd  0x40($Tbl),@X[2],$t2
+       vpaddd  0x60($Tbl),@X[3],$t3
+       vmovdqa $t0,0x00(%rsp)
+       mov     $A,$a1
+       vmovdqa $t1,0x10(%rsp)
+       mov     $B,$a3
+       vmovdqa $t2,0x20(%rsp)
+       xor     $C,$a3                  # magic
+       vmovdqa $t3,0x30(%rsp)
+       mov     $E,$a0
+       jmp     .Lavx_00_47
+
+.align 16
+.Lavx_00_47:
+       sub     \$-16*2*$SZ,$Tbl        # size optimization
+       vmovdqu (%r12),$inout           # $a4
+       mov     %r12,$_inp              # $a4
+___
+sub Xupdate_256_AVX () {
+       (
+       '&vpalignr      ($t0,@X[1],@X[0],$SZ)', # X[1..4]
+        '&vpalignr     ($t3,@X[3],@X[2],$SZ)', # X[9..12]
+       '&vpsrld        ($t2,$t0,$sigma0[0]);',
+        '&vpaddd       (@X[0],@X[0],$t3)',     # X[0..3] += X[9..12]
+       '&vpsrld        ($t3,$t0,$sigma0[2])',
+       '&vpslld        ($t1,$t0,8*$SZ-$sigma0[1]);',
+       '&vpxor         ($t0,$t3,$t2)',
+        '&vpshufd      ($t3,@X[3],0b11111010)',# X[14..15]
+       '&vpsrld        ($t2,$t2,$sigma0[1]-$sigma0[0]);',
+       '&vpxor         ($t0,$t0,$t1)',
+       '&vpslld        ($t1,$t1,$sigma0[1]-$sigma0[0]);',
+       '&vpxor         ($t0,$t0,$t2)',
+        '&vpsrld       ($t2,$t3,$sigma1[2]);',
+       '&vpxor         ($t0,$t0,$t1)',         # sigma0(X[1..4])
+        '&vpsrlq       ($t3,$t3,$sigma1[0]);',
+       '&vpaddd        (@X[0],@X[0],$t0)',     # X[0..3] += sigma0(X[1..4])
+        '&vpxor        ($t2,$t2,$t3);',
+        '&vpsrlq       ($t3,$t3,$sigma1[1]-$sigma1[0])',
+        '&vpxor        ($t2,$t2,$t3)',         # sigma1(X[14..15])
+        '&vpshufd      ($t2,$t2,0b10000100)',
+        '&vpsrldq      ($t2,$t2,8)',
+       '&vpaddd        (@X[0],@X[0],$t2)',     # X[0..1] += sigma1(X[14..15])
+        '&vpshufd      ($t3,@X[0],0b01010000)',# X[16..17]
+        '&vpsrld       ($t2,$t3,$sigma1[2])',
+        '&vpsrlq       ($t3,$t3,$sigma1[0])',
+        '&vpxor        ($t2,$t2,$t3);',
+        '&vpsrlq       ($t3,$t3,$sigma1[1]-$sigma1[0])',
+        '&vpxor        ($t2,$t2,$t3)',
+        '&vpshufd      ($t2,$t2,0b11101000)',
+        '&vpslldq      ($t2,$t2,8)',
+       '&vpaddd        (@X[0],@X[0],$t2)'      # X[2..3] += sigma1(X[16..17])
+       );
+}
+
+sub AVX_256_00_47 () {
+my $j = shift;
+my $body = shift;
+my @X = @_;
+my @insns = (&$body,&$body,&$body,&$body);     # 104 instructions
+
+       foreach (Xupdate_256_AVX()) {           # 29 instructions
+           eval;
+           eval(shift(@insns));
+           eval(shift(@insns));
+           eval(shift(@insns));
+       }
+       &vpaddd         ($t2,@X[0],16*2*$j."($Tbl)");
+         foreach (@insns) { eval; }            # remaining instructions
+       &vmovdqa        (16*$j."(%rsp)",$t2);
+}
+
+    $aesni_cbc_idx=0;
+    for ($i=0,$j=0; $j<4; $j++) {
+       &AVX_256_00_47($j,\&body_00_15,@X);
+       push(@X,shift(@X));                     # rotate(@X)
+    }
+       &mov            ("%r12",$_inp);         # borrow $a4
+       &vpand          ($temp,$temp,$mask14);
+       &mov            ("%r15",$_out);         # borrow $a2
+       &vpor           ($iv,$iv,$temp);
+       &vmovdqu        ("(%r15,%r12)",$iv);    # write output
+       &lea            ("%r12","16(%r12)");    # inp++
+
+       &cmpb   ($SZ-1+16*2*$SZ."($Tbl)",0);
+       &jne    (".Lavx_00_47");
+
+       &vmovdqu        ($inout,"(%r12)");
+       &mov            ($_inp,"%r12");
+
+    $aesni_cbc_idx=0;
+    for ($i=0; $i<16; ) {
+       foreach(body_00_15()) { eval; }
+    }
+
+                                       }
+$code.=<<___;
+       mov     $_inp,%r12              # borrow $a4
+       mov     $_out,%r13              # borrow $a0
+       mov     $_ctx,%r15              # borrow $a2
+       mov     $_in0,%rsi              # borrow $a3
+
+       vpand   $mask14,$temp,$temp
+       mov     $a1,$A
+       vpor    $temp,$iv,$iv
+       vmovdqu $iv,(%r13,%r12)         # write output
+       lea     16(%r12),%r12           # inp++
+
+       add     $SZ*0(%r15),$A
+       add     $SZ*1(%r15),$B
+       add     $SZ*2(%r15),$C
+       add     $SZ*3(%r15),$D
+       add     $SZ*4(%r15),$E
+       add     $SZ*5(%r15),$F
+       add     $SZ*6(%r15),$G
+       add     $SZ*7(%r15),$H
+
+       cmp     $_end,%r12
+
+       mov     $A,$SZ*0(%r15)
+       mov     $B,$SZ*1(%r15)
+       mov     $C,$SZ*2(%r15)
+       mov     $D,$SZ*3(%r15)
+       mov     $E,$SZ*4(%r15)
+       mov     $F,$SZ*5(%r15)
+       mov     $G,$SZ*6(%r15)
+       mov     $H,$SZ*7(%r15)
+       jb      .Lloop_avx
+
+       mov     $_ivp,$ivp
+       mov     $_rsp,%rsi
+       vmovdqu $iv,($ivp)              # output IV
+       vzeroall
+___
+$code.=<<___ if ($win64);
+       movaps  `$framesz+16*0`(%rsp),%xmm6
+       movaps  `$framesz+16*1`(%rsp),%xmm7
+       movaps  `$framesz+16*2`(%rsp),%xmm8
+       movaps  `$framesz+16*3`(%rsp),%xmm9
+       movaps  `$framesz+16*4`(%rsp),%xmm10
+       movaps  `$framesz+16*5`(%rsp),%xmm11
+       movaps  `$framesz+16*6`(%rsp),%xmm12
+       movaps  `$framesz+16*7`(%rsp),%xmm13
+       movaps  `$framesz+16*8`(%rsp),%xmm14
+       movaps  `$framesz+16*9`(%rsp),%xmm15
+___
+$code.=<<___;
+       mov     (%rsi),%r15
+       mov     8(%rsi),%r14
+       mov     16(%rsi),%r13
+       mov     24(%rsi),%r12
+       mov     32(%rsi),%rbp
+       mov     40(%rsi),%rbx
+       lea     48(%rsi),%rsp
+.Lepilogue_avx:
+       ret
+.size  ${func}_avx,.-${func}_avx
+___
+
+if ($avx>1) {{
+######################################################################
+# AVX2+BMI code path
+#
+my $a5=$SZ==4?"%esi":"%rsi";   # zap $inp 
+my $PUSH8=8*2*$SZ;
+use integer;
+
+sub bodyx_00_15 () {
+       # at start $a1 should be zero, $a3 - $b^$c and $a4 copy of $f
+       (
+       '($a,$b,$c,$d,$e,$f,$g,$h)=@ROT;'.
+
+       '&add   ($h,(32*($i/(16/$SZ))+$SZ*($i%(16/$SZ)))%$PUSH8.$base)',    # h+=X[i]+K[i]
+       '&and   ($a4,$e)',              # f&e
+       '&rorx  ($a0,$e,$Sigma1[2])',
+       '&rorx  ($a2,$e,$Sigma1[1])',
+
+       '&lea   ($a,"($a,$a1)")',       # h+=Sigma0(a) from the past
+       '&lea   ($h,"($h,$a4)")',
+       '&andn  ($a4,$e,$g)',           # ~e&g
+       '&xor   ($a0,$a2)',
+
+       '&rorx  ($a1,$e,$Sigma1[0])',
+       '&lea   ($h,"($h,$a4)")',       # h+=Ch(e,f,g)=(e&f)+(~e&g)
+       '&xor   ($a0,$a1)',             # Sigma1(e)
+       '&mov   ($a2,$a)',
+
+       '&rorx  ($a4,$a,$Sigma0[2])',
+       '&lea   ($h,"($h,$a0)")',       # h+=Sigma1(e)
+       '&xor   ($a2,$b)',              # a^b, b^c in next round
+       '&rorx  ($a1,$a,$Sigma0[1])',
+
+       '&rorx  ($a0,$a,$Sigma0[0])',
+       '&lea   ($d,"($d,$h)")',        # d+=h
+       '&and   ($a3,$a2)',             # (b^c)&(a^b)
+       @aesni_cbc_block[$aesni_cbc_idx++].
+       '&xor   ($a1,$a4)',
+
+       '&xor   ($a3,$b)',              # Maj(a,b,c)=Ch(a^b,c,b)
+       '&xor   ($a1,$a0)',             # Sigma0(a)
+       '&lea   ($h,"($h,$a3)");'.      # h+=Maj(a,b,c)
+       '&mov   ($a4,$e)',              # copy of f in future
+
+       '($a2,$a3) = ($a3,$a2); unshift(@ROT,pop(@ROT)); $i++;'
+       );
+       # and at the finish one has to $a+=$a1
+}
+
+$code.=<<___;
+.type  ${func}_avx2,\@function,6
+.align 64
+${func}_avx2:
+.Lavx2_shortcut:
+       mov     `($win64?56:8)`(%rsp),$in0      # load 7th parameter
+       push    %rbx
+       push    %rbp
+       push    %r12
+       push    %r13
+       push    %r14
+       push    %r15
+       mov     %rsp,%r11               # copy %rsp
+       sub     \$`2*$SZ*$rounds+8*8+$win64*16*10`,%rsp
+       and     \$-256*$SZ,%rsp         # align stack frame
+       add     \$`2*$SZ*($rounds-8)`,%rsp
+
+       shl     \$6,$len
+       sub     $inp,$out               # re-bias
+       sub     $inp,$in0
+       add     $inp,$len               # end of input
+
+       #mov    $inp,$_inp              # saved later
+       #mov    $out,$_out              # kept in $offload
+       mov     $len,$_end
+       #mov    $key,$_key              # remains resident in $inp register
+       mov     $ivp,$_ivp
+       mov     $ctx,$_ctx
+       mov     $in0,$_in0
+       mov     %r11,$_rsp
+___
+$code.=<<___ if ($win64);
+       movaps  %xmm6,`$framesz+16*0`(%rsp)
+       movaps  %xmm7,`$framesz+16*1`(%rsp)
+       movaps  %xmm8,`$framesz+16*2`(%rsp)
+       movaps  %xmm9,`$framesz+16*3`(%rsp)
+       movaps  %xmm10,`$framesz+16*4`(%rsp)
+       movaps  %xmm11,`$framesz+16*5`(%rsp)
+       movaps  %xmm12,`$framesz+16*6`(%rsp)
+       movaps  %xmm13,`$framesz+16*7`(%rsp)
+       movaps  %xmm14,`$framesz+16*8`(%rsp)
+       movaps  %xmm15,`$framesz+16*9`(%rsp)
+___
+$code.=<<___;
+.Lprologue_avx2:
+       vzeroall
+
+       mov     $inp,%r13               # borrow $a0
+       vpinsrq \$1,$out,$offload,$offload
+       lea     0x80($key),$inp         # size optimization, reassign
+       lea     $TABLE+`$SZ*2*$rounds+32`(%rip),%r12    # borrow $a4
+       mov     0xf0-0x80($inp),%r14d   # rounds, borrow $a1
+       mov     $ctx,%r15               # borrow $a2
+       mov     $in0,%rsi               # borrow $a3
+       vmovdqu ($ivp),$iv              # load IV
+       lea     -9(%r14),%r14
+
+       vmovdqa 0x00(%r12,%r14,8),$mask14
+       vmovdqa 0x10(%r12,%r14,8),$mask12
+       vmovdqa 0x20(%r12,%r14,8),$mask10
+
+       sub     \$-16*$SZ,%r13          # inp++, size optimization
+       mov     $SZ*0(%r15),$A
+       xor     %r12,%r12               # borrow $a0
+       mov     $SZ*1(%r15),$B
+       cmp     $len,%r13               # $_end
+       mov     $SZ*2(%r15),$C
+       sete    %r12b
+       mov     $SZ*3(%r15),$D
+       mov     $SZ*4(%r15),$E
+       mov     $SZ*5(%r15),$F
+       mov     $SZ*6(%r15),$G
+       mov     $SZ*7(%r15),$H
+       vmovdqu 0x00-0x80($inp),$roundkey
+___
+                                       if ($SZ==4) {   # SHA256
+    my @X = map("%ymm$_",(0..3));
+    my ($t0,$t1,$t2,$t3) = map("%ymm$_",(4..7));
+
+$code.=<<___;
+       jmp     .Loop_avx2
+.align 16
+.Loop_avx2:
+       shl     \$`log(16*$SZ)/log(2)`,%r12
+       vmovdqa $TABLE+`$SZ*2*$rounds`(%rip),$t3
+       neg     %r12
+       vmovdqu -16*$SZ+0(%rsi,%r13),%xmm0
+       add     %rsi,%r12               # next or same input block
+       vmovdqu -16*$SZ+16(%rsi,%r13),%xmm1
+       vmovdqu -16*$SZ+32(%rsi,%r13),%xmm2
+       vmovdqu -16*$SZ+48(%rsi,%r13),%xmm3
+
+       vinserti128     \$1,(%r12,%r13),@X[0],@X[0]
+       vinserti128     \$1,16(%r12,%r13),@X[1],@X[1]
+        vpshufb        $t3,@X[0],@X[0]
+       vinserti128     \$1,32(%r12,%r13),@X[2],@X[2]
+        vpshufb        $t3,@X[1],@X[1]
+       vinserti128     \$1,48(%r12,%r13),@X[3],@X[3]
+
+       lea     $TABLE(%rip),$Tbl
+       vpshufb $t3,@X[2],@X[2]
+       lea     -16*$SZ(%r13),%r13
+       vpaddd  0x00($Tbl),@X[0],$t0
+       vpshufb $t3,@X[3],@X[3]
+       vpaddd  0x20($Tbl),@X[1],$t1
+       vpaddd  0x40($Tbl),@X[2],$t2
+       vpaddd  0x60($Tbl),@X[3],$t3
+       vmovdqa $t0,0x00(%rsp)
+       xor     $a1,$a1
+       vmovdqa $t1,0x20(%rsp)
+       lea     -$PUSH8(%rsp),%rsp
+       mov     $B,$a3
+       vmovdqa $t2,0x00(%rsp)
+       xor     $C,$a3                  # magic
+       vmovdqa $t3,0x20(%rsp)
+       mov     $F,$a4
+       sub     \$-16*2*$SZ,$Tbl        # size optimization
+       jmp     .Lavx2_00_47
+
+.align 16
+.Lavx2_00_47:
+       vmovdqu (%r13),$inout
+       vpinsrq \$0,%r13,$offload,$offload
+___
+
+sub AVX2_256_00_47 () {
+my $j = shift;
+my $body = shift;
+my @X = @_;
+my @insns = (&$body,&$body,&$body,&$body);     # 96 instructions
+my $base = "+2*$PUSH8(%rsp)";
+
+       &lea    ("%rsp","-$PUSH8(%rsp)")        if (($j%2)==0);
+       foreach (Xupdate_256_AVX()) {           # 29 instructions
+           eval;
+           eval(shift(@insns));
+           eval(shift(@insns));
+           eval(shift(@insns));
+       }
+       &vpaddd         ($t2,@X[0],16*2*$j."($Tbl)");
+         foreach (@insns) { eval; }            # remaining instructions
+       &vmovdqa        ((32*$j)%$PUSH8."(%rsp)",$t2);
+}
+    $aesni_cbc_idx=0;
+    for ($i=0,$j=0; $j<4; $j++) {
+       &AVX2_256_00_47($j,\&bodyx_00_15,@X);
+       push(@X,shift(@X));                     # rotate(@X)
+    }
+       &vmovq          ("%r13",$offload);      # borrow $a0
+       &vpextrq        ("%r15",$offload,1);    # borrow $a2
+       &vpand          ($temp,$temp,$mask14);
+       &vpor           ($iv,$iv,$temp);
+       &vmovdqu        ("(%r15,%r13)",$iv);    # write output
+       &lea            ("%r13","16(%r13)");    # inp++
+
+       &lea    ($Tbl,16*2*$SZ."($Tbl)");
+       &cmpb   (($SZ-1)."($Tbl)",0);
+       &jne    (".Lavx2_00_47");
+
+       &vmovdqu        ($inout,"(%r13)");
+       &vpinsrq        ($offload,$offload,"%r13",0);
+
+    $aesni_cbc_idx=0;
+    for ($i=0; $i<16; ) {
+       my $base=$i<8?"+$PUSH8(%rsp)":"(%rsp)";
+       foreach(bodyx_00_15()) { eval; }
+    }
+                                       }
+$code.=<<___;
+       vpextrq \$1,$offload,%r12               # $_out, borrow $a4
+       vmovq   $offload,%r13                   # $_inp, borrow $a0
+       mov     `2*$SZ*$rounds+5*8`(%rsp),%r15  # $_ctx, borrow $a2
+       add     $a1,$A
+       lea     `2*$SZ*($rounds-8)`(%rsp),$Tbl
+
+       vpand   $mask14,$temp,$temp
+       vpor    $temp,$iv,$iv
+       vmovdqu $iv,(%r12,%r13)                 # write output
+       lea     16(%r13),%r13
+
+       add     $SZ*0(%r15),$A
+       add     $SZ*1(%r15),$B
+       add     $SZ*2(%r15),$C
+       add     $SZ*3(%r15),$D
+       add     $SZ*4(%r15),$E
+       add     $SZ*5(%r15),$F
+       add     $SZ*6(%r15),$G
+       add     $SZ*7(%r15),$H
+
+       mov     $A,$SZ*0(%r15)
+       mov     $B,$SZ*1(%r15)
+       mov     $C,$SZ*2(%r15)
+       mov     $D,$SZ*3(%r15)
+       mov     $E,$SZ*4(%r15)
+       mov     $F,$SZ*5(%r15)
+       mov     $G,$SZ*6(%r15)
+       mov     $H,$SZ*7(%r15)
+
+       cmp     `$PUSH8+2*8`($Tbl),%r13         # $_end
+       je      .Ldone_avx2
+
+       xor     $a1,$a1
+       mov     $B,$a3
+       mov     $F,$a4
+       xor     $C,$a3                  # magic
+       jmp     .Lower_avx2
+.align 16
+.Lower_avx2:
+       vmovdqu (%r13),$inout
+       vpinsrq \$0,%r13,$offload,$offload
+___
+    $aesni_cbc_idx=0;
+    for ($i=0; $i<16; ) {
+       my $base="+16($Tbl)";
+       foreach(bodyx_00_15()) { eval; }
+       &lea    ($Tbl,"-$PUSH8($Tbl)")  if ($i==8);
+    }
+$code.=<<___;
+       vmovq   $offload,%r13                   # borrow $a0
+       vpextrq \$1,$offload,%r15               # borrow $a2
+       vpand   $mask14,$temp,$temp
+       vpor    $temp,$iv,$iv
+       lea     -$PUSH8($Tbl),$Tbl
+       vmovdqu $iv,(%r15,%r13)                 # write output
+       lea     16(%r13),%r13                   # inp++
+       cmp     %rsp,$Tbl
+       jae     .Lower_avx2
+
+       mov     `2*$SZ*$rounds+5*8`(%rsp),%r15  # $_ctx, borrow $a2
+       lea     16*$SZ(%r13),%r13
+       mov     `2*$SZ*$rounds+6*8`(%rsp),%rsi  # $_in0, borrow $a3
+       add     $a1,$A
+       lea     `2*$SZ*($rounds-8)`(%rsp),%rsp
+
+       add     $SZ*0(%r15),$A
+       add     $SZ*1(%r15),$B
+       add     $SZ*2(%r15),$C
+       add     $SZ*3(%r15),$D
+       add     $SZ*4(%r15),$E
+       add     $SZ*5(%r15),$F
+       add     $SZ*6(%r15),$G
+       xor     %r12,%r12
+       add     $SZ*7(%r15),$H
+
+       cmp     $_end,%r13
+
+       mov     $A,$SZ*0(%r15)
+       mov     $B,$SZ*1(%r15)
+       mov     $C,$SZ*2(%r15)
+       mov     $D,$SZ*3(%r15)
+       mov     $E,$SZ*4(%r15)
+       mov     $F,$SZ*5(%r15)
+       mov     $G,$SZ*6(%r15)
+       mov     $H,$SZ*7(%r15)
+
+       sete    %r12b
+       jbe     .Loop_avx2
+       lea     (%rsp),$Tbl
+
+.Ldone_avx2:
+       lea     ($Tbl),%rsp
+       mov     $_ivp,$ivp
+       mov     $_rsp,%rsi
+       vmovdqu $iv,($ivp)              # output IV
+       vzeroall
+___
+$code.=<<___ if ($win64);
+       movaps  `$framesz+16*0`(%rsp),%xmm6
+       movaps  `$framesz+16*1`(%rsp),%xmm7
+       movaps  `$framesz+16*2`(%rsp),%xmm8
+       movaps  `$framesz+16*3`(%rsp),%xmm9
+       movaps  `$framesz+16*4`(%rsp),%xmm10
+       movaps  `$framesz+16*5`(%rsp),%xmm11
+       movaps  `$framesz+16*6`(%rsp),%xmm12
+       movaps  `$framesz+16*7`(%rsp),%xmm13
+       movaps  `$framesz+16*8`(%rsp),%xmm14
+       movaps  `$framesz+16*9`(%rsp),%xmm15
+___
+$code.=<<___;
+       mov     (%rsi),%r15
+       mov     8(%rsi),%r14
+       mov     16(%rsi),%r13
+       mov     24(%rsi),%r12
+       mov     32(%rsi),%rbp
+       mov     40(%rsi),%rbx
+       lea     48(%rsi),%rsp
+.Lepilogue_avx2:
+       ret
+.size  ${func}_avx2,.-${func}_avx2
+___
+}}
+}}}}}
+
+# EXCEPTION_DISPOSITION handler (EXCEPTION_RECORD *rec,ULONG64 frame,
+#              CONTEXT *context,DISPATCHER_CONTEXT *disp)
+if ($win64) {
+$rec="%rcx";
+$frame="%rdx";
+$context="%r8";
+$disp="%r9";
+
+$code.=<<___ if ($avx);
+.extern        __imp_RtlVirtualUnwind
+.type  se_handler,\@abi-omnipotent
+.align 16
+se_handler:
+       push    %rsi
+       push    %rdi
+       push    %rbx
+       push    %rbp
+       push    %r12
+       push    %r13
+       push    %r14
+       push    %r15
+       pushfq
+       sub     \$64,%rsp
+
+       mov     120($context),%rax      # pull context->Rax
+       mov     248($context),%rbx      # pull context->Rip
+
+       mov     8($disp),%rsi           # disp->ImageBase
+       mov     56($disp),%r11          # disp->HanderlData
+
+       mov     0(%r11),%r10d           # HandlerData[0]
+       lea     (%rsi,%r10),%r10        # prologue label
+       cmp     %r10,%rbx               # context->Rip<prologue label
+       jb      .Lin_prologue
+
+       mov     152($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     .Lin_prologue
+___
+$code.=<<___ if ($avx>1);
+       lea     .Lavx2_shortcut(%rip),%r10
+       cmp     %r10,%rbx               # context->Rip<avx2_shortcut
+       jb      .Lnot_in_avx2
+
+       and     \$-256*$SZ,%rax
+       add     \$`2*$SZ*($rounds-8)`,%rax
+.Lnot_in_avx2:
+___
+$code.=<<___;
+       mov     %rax,%rsi               # put aside Rsp
+       mov     16*$SZ+7*8(%rax),%rax   # pull $_rsp
+       lea     48(%rax),%rax
+
+       mov     -8(%rax),%rbx
+       mov     -16(%rax),%rbp
+       mov     -24(%rax),%r12
+       mov     -32(%rax),%r13
+       mov     -40(%rax),%r14
+       mov     -48(%rax),%r15
+       mov     %rbx,144($context)      # restore context->Rbx
+       mov     %rbp,160($context)      # restore context->Rbp
+       mov     %r12,216($context)      # restore context->R12
+       mov     %r13,224($context)      # restore context->R13
+       mov     %r14,232($context)      # restore context->R14
+       mov     %r15,240($context)      # restore context->R15
+
+       lea     .Lepilogue(%rip),%r10
+       cmp     %r10,%rbx
+       jb      .Lin_prologue           # non-AVX code
+
+       lea     16*$SZ+8*8(%rsi),%rsi   # Xmm6- save area
+       lea     512($context),%rdi      # &context.Xmm6
+       mov     \$20,%ecx
+       .long   0xa548f3fc              # cld; rep movsq
+
+.Lin_prologue:
+       mov     8(%rax),%rdi
+       mov     16(%rax),%rsi
+       mov     %rax,152($context)      # restore context->Rsp
+       mov     %rsi,168($context)      # restore context->Rsi
+       mov     %rdi,176($context)      # restore context->Rdi
+
+       mov     40($disp),%rdi          # disp->ContextRecord
+       mov     $context,%rsi           # context
+       mov     \$154,%ecx              # sizeof(CONTEXT)
+       .long   0xa548f3fc              # cld; rep movsq
+
+       mov     $disp,%rsi
+       xor     %rcx,%rcx               # arg1, UNW_FLAG_NHANDLER
+       mov     8(%rsi),%rdx            # arg2, disp->ImageBase
+       mov     0(%rsi),%r8             # arg3, disp->ControlPc
+       mov     16(%rsi),%r9            # arg4, disp->FunctionEntry
+       mov     40(%rsi),%r10           # disp->ContextRecord
+       lea     56(%rsi),%r11           # &disp->HandlerData
+       lea     24(%rsi),%r12           # &disp->EstablisherFrame
+       mov     %r10,32(%rsp)           # arg5
+       mov     %r11,40(%rsp)           # arg6
+       mov     %r12,48(%rsp)           # arg7
+       mov     %rcx,56(%rsp)           # arg8, (NULL)
+       call    *__imp_RtlVirtualUnwind(%rip)
+
+       mov     \$1,%eax                # ExceptionContinueSearch
+       add     \$64,%rsp
+       popfq
+       pop     %r15
+       pop     %r14
+       pop     %r13
+       pop     %r12
+       pop     %rbp
+       pop     %rbx
+       pop     %rdi
+       pop     %rsi
+       ret
+.size  se_handler,.-se_handler
+
+.section       .pdata
+       .rva    .LSEH_begin_${func}_xop
+       .rva    .LSEH_end_${func}_xop
+       .rva    .LSEH_info_${func}_xop
+
+       .rva    .LSEH_begin_${func}_avx
+       .rva    .LSEH_end_${func}_avx
+       .rva    .LSEH_info_${func}_avx
+___
+$code.=<<___ if ($avx>1);
+       .rva    .LSEH_begin_${func}_avx2
+       .rva    .LSEH_end_${func}_avx2
+       .rva    .LSEH_info_${func}_avx2
+___
+$code.=<<___ if ($avx);
+.section       .xdata
+.align 8
+.LSEH_info_${func}_xop:
+       .byte   9,0,0,0
+       .rva    se_handler
+       .rva    .Lprologue_xop,.Lepilogue_xop           # HandlerData[]
+
+.LSEH_info_${func}_avx:
+       .byte   9,0,0,0
+       .rva    se_handler
+       .rva    .Lprologue_avx,.Lepilogue_avx           # HandlerData[]
+___
+$code.=<<___ if ($avx>1);
+.LSEH_info_${func}_avx2:
+       .byte   9,0,0,0
+       .rva    se_handler
+       .rva    .Lprologue_avx2,.Lepilogue_avx2         # HandlerData[]
+___
+}
+
+$code =~ s/\`([^\`]*)\`/eval $1/gem;
+print $code;
+close STDOUT;