Add _x86_64_AES_[en|de]crypt_compact.
authorAndy Polyakov <appro@openssl.org>
Fri, 13 Jul 2007 17:39:40 +0000 (17:39 +0000)
committerAndy Polyakov <appro@openssl.org>
Fri, 13 Jul 2007 17:39:40 +0000 (17:39 +0000)
crypto/aes/asm/aes-x86_64.pl

index d02cd5bd2b17e02a84932c0306c8278cab4b9688..75e1749b6401755eccd4d059dc2b228c1989c026 100755 (executable)
@@ -2,11 +2,12 @@
 #
 # ====================================================================
 # Written by Andy Polyakov <appro@fy.chalmers.se> for the OpenSSL
-# project. Rights for redistribution and usage in source and binary
-# forms are granted according to the OpenSSL license.
+# 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/.
 # ====================================================================
 #
-# Version 1.2.
+# Version 2.0.
 #
 # aes-*-cbc benchmarks are improved by >70% [compared to gcc 3.3.2 on
 # Opteron 240 CPU] plus all the bells-n-whistles from 32-bit version
 #
 # Performance in number of cycles per processed byte for 128-bit key:
 #
-#              ECB             CBC encrypt
-# AMD64                13.7            13.0(*)
-# EM64T                20.2            18.6(*)
-#
-# (*)  CBC benchmarks are better than ECB thanks to custom ABI used
-#      by the private block encryption function.
+#              ECB encrypt     ECB decrypt     CBC large chunk
+# AMD64                33              41              13.0
+# EM64T                38              59              18.6
+# Core 2       30              43              14.5
 
 $verticalspin=1;       # unlike 32-bit version $verticalspin performs
                        # ~15% better on both AMD and Intel cores
 $output=shift;
-open STDOUT,"| $^X ../perlasm/x86_64-xlate.pl $output";
+
+$0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
+( $xlate="${dir}x86_64-xlate.pl" and -f $xlate ) or
+( $xlate="${dir}../../perlasm/x86_64-xlate.pl" and -f $xlate) or
+die "can't locate x86_64-xlate.pl";
+
+open STDOUT,"| $^X $xlate $output";
 
 $code=".text\n";
 
@@ -35,9 +40,9 @@ $s0="%eax";
 $s1="%ebx";
 $s2="%ecx";
 $s3="%edx";
-$acc0="%esi";
-$acc1="%edi";
-$acc2="%ebp";
+$acc0="%esi";  $mask80="%rsi";
+$acc1="%edi";  $maskfe="%rdi";
+$acc2="%ebp";  $mask1b="%rbp";
 $inp="%r8";
 $out="%r9";
 $t0="%r10d";
@@ -51,6 +56,8 @@ sub hi() { my $r=shift;       $r =~ s/%[er]([a-d])x/%\1h/;    $r; }
 sub lo() { my $r=shift;        $r =~ s/%[er]([a-d])x/%\1l/;
                        $r =~ s/%[er]([sd]i)/%\1l/;
                        $r =~ s/%(r[0-9]+)[d]?/%\1b/;   $r; }
+sub LO() { my $r=shift; $r =~ s/%r([a-z]+)/%e\1/;
+                       $r =~ s/%r([0-9]+)/%r\1d/;      $r; }
 sub _data_word()
 { my $i;
     while(defined($i=shift)) { $code.=sprintf".long\t0x%08x,0x%08x\n",$i,$i; }
@@ -345,6 +352,235 @@ $code.=<<___;
 .size  _x86_64_AES_encrypt,.-_x86_64_AES_encrypt
 ___
 
+# it's possible to implement this by shifting tN by 8, filling least
+# significant byte with byte load and finally bswap-ing at the end,
+# but partial byte load kills Core 2...
+sub enccompactvert()
+{ my ($t3,$t4,$t5)=("%r8d","%r9d","%r13d");
+
+$code.=<<___;
+       movzb   `&lo("$s0")`,$t0
+       movzb   `&lo("$s1")`,$t1
+       movzb   `&lo("$s2")`,$t2
+       movzb   ($sbox,$t0,1),$t0
+       movzb   ($sbox,$t1,1),$t1
+       movzb   ($sbox,$t2,1),$t2
+
+       movzb   `&lo("$s3")`,$t3
+       movzb   `&hi("$s1")`,$acc0
+       movzb   `&hi("$s2")`,$acc1
+       movzb   ($sbox,$t3,1),$t3
+       movzb   ($sbox,$acc0,1),$t4     #$t0
+       movzb   ($sbox,$acc1,1),$t5     #$t1
+
+       movzb   `&hi("$s3")`,$acc2
+       movzb   `&hi("$s0")`,$acc0
+       shr     \$16,$s2
+       movzb   ($sbox,$acc2,1),$acc2   #$t2
+       movzb   ($sbox,$acc0,1),$acc0   #$t3
+       shr     \$16,$s3
+
+       movzb   `&lo("$s2")`,$acc1
+       shl     \$8,$t4
+       shl     \$8,$t5
+       movzb   ($sbox,$acc1,1),$acc1   #$t0
+       xor     $t4,$t0
+       xor     $t5,$t1
+
+       movzb   `&lo("$s3")`,$t4
+       shr     \$16,$s0
+       shr     \$16,$s1
+       movzb   `&lo("$s0")`,$t5
+       shl     \$8,$acc2
+       shl     \$8,$acc0
+       movzb   ($sbox,$t4,1),$t4       #$t1
+       movzb   ($sbox,$t5,1),$t5       #$t2
+       xor     $acc2,$t2
+       xor     $acc0,$t3
+
+       movzb   `&lo("$s1")`,$acc2
+       movzb   `&hi("$s3")`,$acc0
+       shl     \$16,$acc1
+       movzb   ($sbox,$acc2,1),$acc2   #$t3
+       movzb   ($sbox,$acc0,1),$acc0   #$t0
+       xor     $acc1,$t0
+
+       movzb   `&hi("$s0")`,$acc1
+       shr     \$8,$s2
+       shr     \$8,$s1
+       movzb   ($sbox,$acc1,1),$acc1   #$t1
+       movzb   ($sbox,$s2,1),$s3       #$t3
+       movzb   ($sbox,$s1,1),$s2       #$t2
+       shl     \$16,$t4
+       shl     \$16,$t5
+       shl     \$16,$acc2
+       xor     $t4,$t1
+       xor     $t5,$t2
+       xor     $acc2,$t3
+
+       shl     \$24,$acc0
+       shl     \$24,$acc1
+       shl     \$24,$s3
+       xor     $acc0,$t0
+       shl     \$24,$s2
+       xor     $acc1,$t1
+       mov     $t0,$s0
+       mov     $t1,$s1
+       xor     $t2,$s2
+       xor     $t3,$s3
+___
+}
+
+sub enctransform_ref()
+{ my $sn = shift;
+  my ($acc,$r2,$tmp)=("%r8d","%r9d","%r13d");
+
+$code.=<<___;
+       mov     $sn,$acc
+       and     \$0x80808080,$acc
+       mov     $acc,$tmp
+       shr     \$7,$tmp
+       lea     ($sn,$sn),$r2
+       sub     $tmp,$acc
+       and     \$0xfefefefe,$r2
+       and     \$0x1b1b1b1b,$acc
+       mov     $sn,$tmp
+       xor     $acc,$r2
+
+       xor     $r2,$sn
+       rol     \$24,$sn
+       xor     $r2,$sn
+       ror     \$16,$tmp
+       xor     $tmp,$sn
+       ror     \$8,$tmp
+       xor     $tmp,$sn
+___
+}
+
+# unlike decrypt case it does not pay off to parallelize enctransform
+sub enctransform()
+{ my ($t3,$r20,$r21)=($acc2,"%r8d","%r9d");
+
+$code.=<<___;
+       mov     $s0,$acc0
+       mov     $s1,$acc1
+       and     \$0x80808080,$acc0
+       and     \$0x80808080,$acc1
+       mov     $acc0,$t0
+       mov     $acc1,$t1
+       shr     \$7,$t0
+       lea     ($s0,$s0),$r20
+       shr     \$7,$t1
+       lea     ($s1,$s1),$r21
+       sub     $t0,$acc0
+       sub     $t1,$acc1
+       and     \$0xfefefefe,$r20
+       and     \$0xfefefefe,$r21
+       and     \$0x1b1b1b1b,$acc0
+       and     \$0x1b1b1b1b,$acc1
+       mov     $s0,$t0
+       mov     $s1,$t1
+       xor     $acc0,$r20
+       xor     $acc1,$r21
+
+       xor     $r20,$s0
+       xor     $r21,$s1
+        mov    $s2,$acc0
+        mov    $s3,$acc1
+       rol     \$24,$s0
+       rol     \$24,$s1
+        and    \$0x80808080,$acc0
+        and    \$0x80808080,$acc1
+       xor     $r20,$s0
+       xor     $r21,$s1
+        mov    $acc0,$t2
+        mov    $acc1,$t3
+       ror     \$16,$t0
+       ror     \$16,$t1
+        shr    \$7,$t2
+        lea    ($s2,$s2),$r20
+       xor     $t0,$s0
+       xor     $t1,$s1
+        shr    \$7,$t3
+        lea    ($s3,$s3),$r21
+       ror     \$8,$t0
+       ror     \$8,$t1
+        sub    $t2,$acc0
+        sub    $t3,$acc1
+       xor     $t0,$s0
+       xor     $t1,$s1
+
+       and     \$0xfefefefe,$r20
+       and     \$0xfefefefe,$r21
+       and     \$0x1b1b1b1b,$acc0
+       and     \$0x1b1b1b1b,$acc1
+       mov     $s2,$t2
+       mov     $s3,$t3
+       xor     $acc0,$r20
+       xor     $acc1,$r21
+
+       xor     $r20,$s2
+       xor     $r21,$s3
+       rol     \$24,$s2
+       rol     \$24,$s3
+       xor     $r20,$s2
+       xor     $r21,$s3
+       ror     \$16,$t2
+       ror     \$16,$t3
+       xor     $t2,$s2
+       xor     $t3,$s3
+       ror     \$8,$t2
+       ror     \$8,$t3
+       xor     $t2,$s2
+       xor     $t3,$s3
+
+___
+}
+
+$code.=<<___;
+.type  _x86_64_AES_encrypt_compact,\@abi-omnipotent
+.align 16
+_x86_64_AES_encrypt_compact:
+       lea     128($sbox),$acc0                # size optimization
+       mov     0-128($acc0),$acc1              # prefetch Te4
+       mov     32-128($acc0),$acc2
+       mov     64-128($acc0),$t0
+       mov     96-128($acc0),$t1
+       mov     128-128($acc0),$acc1
+       mov     160-128($acc0),$acc2
+       mov     192-128($acc0),$t0
+       mov     224-128($acc0),$t1
+
+       xor     0($key),$s0                     # xor with key
+       xor     4($key),$s1
+       xor     8($key),$s2
+       xor     12($key),$s3
+       lea     16($key),$key
+       jmp     .Lenc_loop_compact
+.align 16
+.Lenc_loop_compact:
+___
+               &enccompactvert();
+               &enctransform();
+$code.=<<___;
+               xor     0($key),$s0
+               xor     4($key),$s1
+               xor     8($key),$s2
+               xor     12($key),$s3
+               lea     16($key),$key
+               cmp     16(%rsp),$key
+       jne     .Lenc_loop_compact
+___
+       &enccompactvert();
+$code.=<<___;
+       xor     0($key),$s0
+       xor     4($key),$s1
+       xor     8($key),$s2
+       xor     12($key),$s3
+       .byte   0xf3,0xc3                       # rep ret
+.size  _x86_64_AES_encrypt_compact,.-_x86_64_AES_encrypt_compact
+___
+
 # void AES_encrypt (const void *inp,void *out,const AES_KEY *key);
 $code.=<<___;
 .globl AES_encrypt
@@ -358,25 +594,49 @@ AES_encrypt:
        push    %r14
        push    %r15
 
+       # allocate frame "above" key schedule
+       mov     %rsp,%rax
        mov     %rdx,$key
-       mov     %rdi,$inp
-       mov     %rsi,$out
+       lea     -63(%rdx),%rcx
+       and     \$-64,%rsp
+       sub     %rsp,%rcx
+       neg     %rcx
+       and     \$0x3c0,%rcx
+       sub     %rcx,%rsp
 
-       .picmeup        $sbox
-       lea     AES_Te-.($sbox),$sbox
+       push    %rax            # save real stack pointer
+       push    %rsi            # save out
 
-       mov     0($inp),$s0
-       mov     4($inp),$s1
-       mov     8($inp),$s2
-       mov     12($inp),$s3
+       mov     240($key),$rnds # load rounds
 
-       call    _x86_64_AES_encrypt
+       mov     0(%rdi),$s0     # load input vector
+       mov     4(%rdi),$s1
+       mov     8(%rdi),$s2
+       mov     12(%rdi),$s3
 
-       mov     $s0,0($out)
+       shl     \$4,$rnds
+       lea     ($key,$rnds),%rbp
+       push    %rbp
+       push    $key
+
+       # pick Te4 copy which can't "overlap" with stack frame or key schedule
+       .picmeup        $sbox
+       lea     AES_Te+2048-.($sbox),$sbox
+       lea     768-32(%rsp),%rbp
+       sub     $sbox,%rbp
+       and     \$0x300,%rbp
+       lea     ($sbox,%rbp),$sbox
+
+       call    _x86_64_AES_encrypt_compact
+
+       lea     16(%rsp),%rsp
+       pop     $out            # restore out
+       mov     $s0,0($out)     # write output vector
        mov     $s1,4($out)
        mov     $s2,8($out)
        mov     $s3,12($out)
 
+       mov     (%rsp),%rsp
        pop     %r15
        pop     %r14
        pop     %r13
@@ -453,19 +713,20 @@ sub declastvert()
 { my $t3="%r8d";       # zaps $inp!
 
 $code.=<<___;
+       lea     2048($sbox),$sbox       # size optimization
        movzb   `&lo("$s0")`,$acc0
        movzb   `&lo("$s1")`,$acc1
        movzb   `&lo("$s2")`,$acc2
-       movzb   2048($sbox,$acc0,1),$t0
-       movzb   2048($sbox,$acc1,1),$t1
-       movzb   2048($sbox,$acc2,1),$t2
+       movzb   ($sbox,$acc0,1),$t0
+       movzb   ($sbox,$acc1,1),$t1
+       movzb   ($sbox,$acc2,1),$t2
 
        movzb   `&lo("$s3")`,$acc0
        movzb   `&hi("$s3")`,$acc1
        movzb   `&hi("$s0")`,$acc2
-       movzb   2048($sbox,$acc0,1),$t3
-       movzb   2048($sbox,$acc1,1),$acc1       #$t0
-       movzb   2048($sbox,$acc2,1),$acc2       #$t1
+       movzb   ($sbox,$acc0,1),$t3
+       movzb   ($sbox,$acc1,1),$acc1   #$t0
+       movzb   ($sbox,$acc2,1),$acc2   #$t1
 
        shl     \$8,$acc1
        shl     \$8,$acc2
@@ -477,8 +738,8 @@ $code.=<<___;
        movzb   `&hi("$s1")`,$acc0
        movzb   `&hi("$s2")`,$acc1
        shr     \$16,$s0
-       movzb   2048($sbox,$acc0,1),$acc0       #$t2
-       movzb   2048($sbox,$acc1,1),$acc1       #$t3
+       movzb   ($sbox,$acc0,1),$acc0   #$t2
+       movzb   ($sbox,$acc1,1),$acc1   #$t3
 
        shl     \$8,$acc0
        shl     \$8,$acc1
@@ -490,9 +751,9 @@ $code.=<<___;
        movzb   `&lo("$s2")`,$acc0
        movzb   `&lo("$s3")`,$acc1
        movzb   `&lo("$s0")`,$acc2
-       movzb   2048($sbox,$acc0,1),$acc0       #$t0
-       movzb   2048($sbox,$acc1,1),$acc1       #$t1
-       movzb   2048($sbox,$acc2,1),$acc2       #$t2
+       movzb   ($sbox,$acc0,1),$acc0   #$t0
+       movzb   ($sbox,$acc1,1),$acc1   #$t1
+       movzb   ($sbox,$acc2,1),$acc2   #$t2
 
        shl     \$16,$acc0
        shl     \$16,$acc1
@@ -505,9 +766,9 @@ $code.=<<___;
        movzb   `&lo("$s1")`,$acc0
        movzb   `&hi("$s1")`,$acc1
        movzb   `&hi("$s2")`,$acc2
-       movzb   2048($sbox,$acc0,1),$acc0       #$t3
-       movzb   2048($sbox,$acc1,1),$acc1       #$t0
-       movzb   2048($sbox,$acc2,1),$acc2       #$t1
+       movzb   ($sbox,$acc0,1),$acc0   #$t3
+       movzb   ($sbox,$acc1,1),$acc1   #$t0
+       movzb   ($sbox,$acc2,1),$acc2   #$t1
 
        shl     \$16,$acc0
        shl     \$24,$acc1
@@ -520,8 +781,8 @@ $code.=<<___;
        movzb   `&hi("$s3")`,$acc0
        movzb   `&hi("$s0")`,$acc1
        mov     16+12($key),$s3
-       movzb   2048($sbox,$acc0,1),$acc0       #$t2
-       movzb   2048($sbox,$acc1,1),$acc1       #$t3
+       movzb   ($sbox,$acc0,1),$acc0   #$t2
+       movzb   ($sbox,$acc1,1),$acc1   #$t3
        mov     16+0($key),$s0
 
        shl     \$24,$acc0
@@ -532,6 +793,7 @@ $code.=<<___;
 
        mov     16+4($key),$s1
        mov     16+8($key),$s2
+       lea     -2048($sbox),$sbox
        xor     $t0,$s0
        xor     $t1,$s1
        xor     $t2,$s2
@@ -659,6 +921,260 @@ $code.=<<___;
 .size  _x86_64_AES_decrypt,.-_x86_64_AES_decrypt
 ___
 
+sub deccompactvert()
+{ my ($t3,$t4,$t5)=("%r8d","%r9d","%r13d");
+
+$code.=<<___;
+       movzb   `&lo("$s0")`,$t0
+       movzb   `&lo("$s1")`,$t1
+       movzb   `&lo("$s2")`,$t2
+       movzb   ($sbox,$t0,1),$t0
+       movzb   ($sbox,$t1,1),$t1
+       movzb   ($sbox,$t2,1),$t2
+
+       movzb   `&lo("$s3")`,$t3
+       movzb   `&hi("$s3")`,$acc0
+       movzb   `&hi("$s0")`,$acc1
+       movzb   ($sbox,$t3,1),$t3
+       movzb   ($sbox,$acc0,1),$t4     #$t0
+       movzb   ($sbox,$acc1,1),$t5     #$t1
+
+       movzb   `&hi("$s1")`,$acc2
+       movzb   `&hi("$s2")`,$acc0
+       shr     \$16,$s2
+       movzb   ($sbox,$acc2,1),$acc2   #$t2
+       movzb   ($sbox,$acc0,1),$acc0   #$t3
+       shr     \$16,$s3
+
+       movzb   `&lo("$s2")`,$acc1
+       shl     \$8,$t4
+       shl     \$8,$t5
+       movzb   ($sbox,$acc1,1),$acc1   #$t0
+       xor     $t4,$t0
+       xor     $t5,$t1
+
+       movzb   `&lo("$s3")`,$t4
+       shr     \$16,$s0
+       shr     \$16,$s1
+       movzb   `&lo("$s0")`,$t5
+       shl     \$8,$acc2
+       shl     \$8,$acc0
+       movzb   ($sbox,$t4,1),$t4       #$t1
+       movzb   ($sbox,$t5,1),$t5       #$t2
+       xor     $acc2,$t2
+       xor     $acc0,$t3
+
+       movzb   `&lo("$s1")`,$acc2
+       movzb   `&hi("$s1")`,$acc0
+       shl     \$16,$acc1
+       movzb   ($sbox,$acc2,1),$acc2   #$t3
+       movzb   ($sbox,$acc0,1),$acc0   #$t0
+       xor     $acc1,$t0
+
+       movzb   `&hi("$s2")`,$acc1
+       shl     \$16,$t4
+       shl     \$16,$t5
+       movzb   ($sbox,$acc1,1),$s1     #$t1
+       xor     $t4,$t1
+       xor     $t5,$t2
+
+       movzb   `&hi("$s3")`,$acc1
+       shr     \$8,$s0
+       shl     \$16,$acc2
+       movzb   ($sbox,$acc1,1),$s2     #$t2
+       movzb   ($sbox,$s0,1),$s3       #$t3
+       xor     $acc2,$t3
+
+       shl     \$24,$acc0
+       shl     \$24,$s1
+       shl     \$24,$s2
+       xor     $acc0,$t0
+       shl     \$24,$s3
+       xor     $t1,$s1
+       mov     $t0,$s0
+       xor     $t2,$s2
+       xor     $t3,$s3
+___
+}
+
+# parallelized version! input is pair of 64-bit values: %rax=s1.s0
+# and %rcx=s3.s2, output is four 32-bit values in %eax=s0, %ebx=s1,
+# %ecx=s2 and %edx=s3.
+sub dectransform()
+{ my ($tp10,$tp20,$tp40,$tp80,$acc0)=("%rax","%r8", "%r9", "%r10","%rbx");
+  my ($tp18,$tp28,$tp48,$tp88,$acc8)=("%rcx","%r11","%r12","%r13","%rdx");
+
+$code.=<<___;
+       mov     $tp10,$acc0
+       mov     $tp18,$acc8
+       and     $mask80,$acc0
+       and     $mask80,$acc8
+       mov     $acc0,$tp40
+       mov     $acc8,$tp48
+       shr     \$7,$tp40
+       lea     ($tp10,$tp10),$tp20
+       shr     \$7,$tp48
+       lea     ($tp18,$tp18),$tp28
+       sub     $tp40,$acc0
+       sub     $tp48,$acc8
+       and     $maskfe,$tp20
+       and     $maskfe,$tp28
+       and     $mask1b,$acc0
+       and     $mask1b,$acc8
+       xor     $tp20,$acc0
+       xor     $tp28,$acc8
+       mov     $acc0,$tp20
+       mov     $acc8,$tp28
+
+       and     $mask80,$acc0
+       and     $mask80,$acc8
+       mov     $acc0,$tp80
+       mov     $acc8,$tp88
+       shr     \$7,$tp80
+       lea     ($tp20,$tp20),$tp40
+       shr     \$7,$tp88
+       lea     ($tp28,$tp28),$tp48
+       sub     $tp80,$acc0
+       sub     $tp88,$acc8
+       and     $maskfe,$tp40
+       and     $maskfe,$tp48
+       and     $mask1b,$acc0
+       and     $mask1b,$acc8
+       xor     $tp40,$acc0
+       xor     $tp48,$acc8
+       mov     $acc0,$tp40
+       mov     $acc8,$tp48
+
+       and     $mask80,$acc0
+       and     $mask80,$acc8
+       mov     $acc0,$tp80
+       mov     $acc8,$tp88
+       shr     \$7,$tp80
+        xor    $tp10,$tp20             # tp2^=tp1
+       shr     \$7,$tp88
+        xor    $tp18,$tp28             # tp2^=tp1
+       sub     $tp80,$acc0
+       sub     $tp88,$acc8
+       lea     ($tp40,$tp40),$tp80
+       lea     ($tp48,$tp48),$tp88
+        xor    $tp10,$tp40             # tp4^=tp1
+        xor    $tp18,$tp48             # tp4^=tp1
+       and     $maskfe,$tp80
+       and     $maskfe,$tp88
+       and     $mask1b,$acc0
+       and     $mask1b,$acc8
+       xor     $acc0,$tp80
+       xor     $acc8,$tp88
+
+       xor     $tp80,$tp10             # tp1^=tp8
+       xor     $tp88,$tp18             # tp1^=tp8
+       xor     $tp80,$tp20             # tp2^tp1^=tp8
+       xor     $tp88,$tp28             # tp2^tp1^=tp8
+       mov     $tp10,$acc0
+       mov     $tp18,$acc8
+       xor     $tp80,$tp40             # tp4^tp1^=tp8
+       xor     $tp88,$tp48             # tp4^tp1^=tp8
+       shr     \$32,$acc0
+       shr     \$32,$acc8
+       xor     $tp20,$tp80             # tp8^=tp8^tp2^tp1=tp2^tp1
+       xor     $tp28,$tp88             # tp8^=tp8^tp2^tp1=tp2^tp1
+       rol     \$8,`&LO("$tp10")`      # ROTATE(tp1^tp8,8)
+       rol     \$8,`&LO("$tp18")`      # ROTATE(tp1^tp8,8)
+       xor     $tp40,$tp80             # tp2^tp1^=tp8^tp4^tp1=tp8^tp4^tp2
+       xor     $tp48,$tp88             # tp2^tp1^=tp8^tp4^tp1=tp8^tp4^tp2
+
+       rol     \$8,`&LO("$acc0")`      # ROTATE(tp1^tp8,8)
+       rol     \$8,`&LO("$acc8")`      # ROTATE(tp1^tp8,8)
+       xor     `&LO("$tp80")`,`&LO("$tp10")`
+       xor     `&LO("$tp88")`,`&LO("$tp18")`
+       shr     \$32,$tp80
+       shr     \$32,$tp88
+       xor     `&LO("$tp80")`,`&LO("$acc0")`
+       xor     `&LO("$tp88")`,`&LO("$acc8")`
+
+       mov     $tp20,$tp80
+       mov     $tp28,$tp88
+       shr     \$32,$tp80
+       shr     \$32,$tp88
+       rol     \$24,`&LO("$tp20")`     # ROTATE(tp2^tp1^tp8,24)
+       rol     \$24,`&LO("$tp28")`     # ROTATE(tp2^tp1^tp8,24)
+       rol     \$24,`&LO("$tp80")`     # ROTATE(tp2^tp1^tp8,24)
+       rol     \$24,`&LO("$tp88")`     # ROTATE(tp2^tp1^tp8,24)
+       xor     `&LO("$tp20")`,`&LO("$tp10")`
+       xor     `&LO("$tp28")`,`&LO("$tp18")`
+       mov     $tp40,$tp20
+       mov     $tp48,$tp28
+       xor     `&LO("$tp80")`,`&LO("$acc0")`
+       xor     `&LO("$tp88")`,`&LO("$acc8")`
+
+       shr     \$32,$tp20
+       shr     \$32,$tp28
+       rol     \$16,`&LO("$tp40")`     # ROTATE(tp4^tp1^tp8,16)
+       rol     \$16,`&LO("$tp48")`     # ROTATE(tp4^tp1^tp8,16)
+       rol     \$16,`&LO("$tp20")`     # ROTATE(tp4^tp1^tp8,16)
+       rol     \$16,`&LO("$tp28")`     # ROTATE(tp4^tp1^tp8,16)
+       xor     `&LO("$tp40")`,`&LO("$tp10")`
+       xor     `&LO("$tp48")`,`&LO("$tp18")`
+       xor     `&LO("$tp20")`,`&LO("$acc0")`
+       xor     `&LO("$tp28")`,`&LO("$acc8")`
+
+___
+}
+
+$code.=<<___;
+.type  _x86_64_AES_decrypt_compact,\@abi-omnipotent
+.align 16
+_x86_64_AES_decrypt_compact:
+       lea     128($sbox),$acc0                # size optimization
+       mov     0-128($acc0),$acc1              # prefetch Td4
+       mov     32-128($acc0),$acc2
+       mov     64-128($acc0),$t0
+       mov     96-128($acc0),$t1
+       mov     128-128($acc0),$acc1
+       mov     160-128($acc0),$acc2
+       mov     192-128($acc0),$t0
+       mov     224-128($acc0),$t1
+
+       xor     0($key),$s0                     # xor with key
+       xor     4($key),$s1
+       xor     8($key),$s2
+       xor     12($key),$s3
+       lea     16($key),$key
+
+       jmp     .Ldec_compact_loop
+.align 16
+.Ldec_compact_loop:
+___
+               &deccompactvert();
+$code.=<<___;
+               mov     256+0($sbox),$mask80
+               shl     \$32,%rbx
+               shl     \$32,%rdx
+               mov     256+8($sbox),$maskfe
+               or      %rbx,%rax
+               or      %rdx,%rcx
+               mov     256+16($sbox),$mask1b
+___
+               &dectransform();
+$code.=<<___;
+               xor     0($key),$s0
+               xor     4($key),$s1
+               xor     8($key),$s2
+               xor     12($key),$s3
+               lea     16($key),$key
+               cmp     16(%rsp),$key
+       jne     .Ldec_compact_loop
+___
+       &deccompactvert();
+$code.=<<___;
+       xor     0($key),$s0
+       xor     4($key),$s1
+       xor     8($key),$s2
+       xor     12($key),$s3
+       .byte   0xf3,0xc3                       # rep ret
+.size  _x86_64_AES_decrypt_compact,.-_x86_64_AES_decrypt_compact
+___
+
 # void AES_decrypt (const void *inp,void *out,const AES_KEY *key);
 $code.=<<___;
 .globl AES_decrypt
@@ -672,37 +1188,51 @@ AES_decrypt:
        push    %r14
        push    %r15
 
+       # allocate frame "above" key schedule
+       mov     %rsp,%rax
        mov     %rdx,$key
-       mov     %rdi,$inp
-       mov     %rsi,$out
+       lea     -63(%rdx),%rcx
+       and     \$-64,%rsp
+       sub     %rsp,%rcx
+       neg     %rcx
+       and     \$0x3c0,%rcx
+       sub     %rcx,%rsp
 
-       .picmeup        $sbox
-       lea     AES_Td-.($sbox),$sbox
-
-       # prefetch Td4
-       lea     2048+128($sbox),$sbox;
-       mov     0-128($sbox),$s0
-       mov     32-128($sbox),$s1
-       mov     64-128($sbox),$s2
-       mov     96-128($sbox),$s3
-       mov     128-128($sbox),$s0
-       mov     160-128($sbox),$s1
-       mov     192-128($sbox),$s2
-       mov     224-128($sbox),$s3
-       lea     -2048-128($sbox),$sbox;
-
-       mov     0($inp),$s0
-       mov     4($inp),$s1
-       mov     8($inp),$s2
-       mov     12($inp),$s3
-
-       call    _x86_64_AES_decrypt
+       push    %rax            # save real stack pointer
+       push    %rsi            # save out
+
+       mov     240($key),$rnds # load rounds
+
+       mov     0(%rdi),$s0     # load input vector
+       mov     4(%rdi),$s1
+       mov     8(%rdi),$s2
+       mov     12(%rdi),$s3
+
+       shl     \$4,$rnds
+       lea     ($key,$rnds),%rbp
+       push    %rbp
+       push    $key
 
+       # pick Td4 copy which can't "overlap" with stack frame or key schedule
+       .picmeup        $sbox
+       lea     AES_Td+2048-.($sbox),$sbox
+       lea     768-32(%rsp),%rbp
+       sub     $sbox,%rbp
+       and     \$0x300,%rbp
+       lea     ($sbox,%rbp),$sbox
+       shr     \$3,%rbp                # recall "magic" constants!
+       add     %rbp,$sbox
+
+       call    _x86_64_AES_decrypt_compact
+
+       lea     16(%rsp),%rsp
+       pop     $out    # restore out
        mov     $s0,0($out)
        mov     $s1,4($out)
        mov     $s2,8($out)
        mov     $s3,12($out)
 
+       mov     (%rsp),%rsp
        pop     %r15
        pop     %r14
        pop     %r13
@@ -718,27 +1248,26 @@ sub enckey()
 {
 $code.=<<___;
        movz    %dl,%esi                # rk[i]>>0
-       mov     2(%rbp,%rsi,8),%ebx
+       movzb   -128(%rbp,%rsi),%ebx
        movz    %dh,%esi                # rk[i]>>8
-       and     \$0xFF000000,%ebx
+       shl     \$24,%ebx
        xor     %ebx,%eax
 
-       mov     2(%rbp,%rsi,8),%ebx
+       movzb   -128(%rbp,%rsi),%ebx
        shr     \$16,%edx
-       and     \$0x000000FF,%ebx
        movz    %dl,%esi                # rk[i]>>16
        xor     %ebx,%eax
 
-       mov     0(%rbp,%rsi,8),%ebx
+       movzb   -128(%rbp,%rsi),%ebx
        movz    %dh,%esi                # rk[i]>>24
-       and     \$0x0000FF00,%ebx
+       shl     \$8,%ebx
        xor     %ebx,%eax
 
-       mov     0(%rbp,%rsi,8),%ebx
-       and     \$0x00FF0000,%ebx
+       movzb   -128(%rbp,%rsi),%ebx
+       shl     \$16,%ebx
        xor     %ebx,%eax
 
-       xor     2048(%rbp,%rcx,4),%eax          # rcon
+       xor     1024-128(%rbp,%rcx,4),%eax              # rcon
 ___
 }
 
@@ -763,6 +1292,17 @@ AES_set_encrypt_key:
 
        .picmeup %rbp
        lea     AES_Te-.(%rbp),%rbp
+       lea     2048+128(%rbp),%rbp
+
+       # prefetch Te4
+       mov     0-128(%rbp),%eax
+       mov     32-128(%rbp),%ebx
+       mov     64-128(%rbp),%r8d
+       mov     96-128(%rbp),%edx
+       mov     128-128(%rbp),%eax
+       mov     160-128(%rbp),%ebx
+       mov     192-128(%rbp),%r8d
+       mov     224-128(%rbp),%edx
 
        cmp     \$128,%ecx
        je      .L10rounds
@@ -900,24 +1440,23 @@ $code.=<<___;
                mov     %eax,%edx
                mov     16(%rdi),%eax                   # rk[4]
                movz    %dl,%esi                        # rk[11]>>0
-               mov     2(%rbp,%rsi,8),%ebx
+               movzb   -128(%rbp,%rsi),%ebx
                movz    %dh,%esi                        # rk[11]>>8
-               and     \$0x000000FF,%ebx
                xor     %ebx,%eax
 
-               mov     0(%rbp,%rsi,8),%ebx
+               movzb   -128(%rbp,%rsi),%ebx
                shr     \$16,%edx
-               and     \$0x0000FF00,%ebx
+               shl     \$8,%ebx
                movz    %dl,%esi                        # rk[11]>>16
                xor     %ebx,%eax
 
-               mov     0(%rbp,%rsi,8),%ebx
+               movzb   -128(%rbp,%rsi),%ebx
                movz    %dh,%esi                        # rk[11]>>24
-               and     \$0x00FF0000,%ebx
+               shl     \$16,%ebx
                xor     %ebx,%eax
 
-               mov     2(%rbp,%rsi,8),%ebx
-               and     \$0xFF000000,%ebx
+               movzb   -128(%rbp,%rsi),%ebx
+               shl     \$24,%ebx
                xor     %ebx,%eax
 
                mov     %eax,48(%rdi)                   # rk[12]
@@ -944,25 +1483,57 @@ $code.=<<___;
 .size  AES_set_encrypt_key,.-AES_set_encrypt_key
 ___
 
-sub deckey()
+sub deckey_ref()
 { my ($i,$ptr,$te,$td) = @_;
+  my ($tp1,$tp2,$tp4,$tp8,$acc)=("%eax","%ebx","%edi","%edx","%r8d");
 $code.=<<___;
-       mov     $i($ptr),%eax
-       mov     %eax,%edx
-       movz    %ah,%ebx
-       shr     \$16,%edx
-       and     \$0xFF,%eax
-       movzb   2($te,%rax,8),%rax
-       movzb   2($te,%rbx,8),%rbx
-       mov     0($td,%rax,8),%eax
-       xor     3($td,%rbx,8),%eax
-       movzb   %dh,%ebx
-       and     \$0xFF,%edx
-       movzb   2($te,%rdx,8),%rdx
-       movzb   2($te,%rbx,8),%rbx
-       xor     2($td,%rdx,8),%eax
-       xor     1($td,%rbx,8),%eax
-       mov     %eax,$i($ptr)
+       mov     $i($ptr),$tp1
+       mov     $tp1,$acc
+       and     \$0x80808080,$acc
+       mov     $acc,$tp4
+       shr     \$7,$tp4
+       lea     0($tp1,$tp1),$tp2
+       sub     $tp4,$acc
+       and     \$0xfefefefe,$tp2
+       and     \$0x1b1b1b1b,$acc
+       xor     $tp2,$acc
+       mov     $acc,$tp2
+
+       and     \$0x80808080,$acc
+       mov     $acc,$tp8
+       shr     \$7,$tp8
+       lea     0($tp2,$tp2),$tp4
+       sub     $tp8,$acc
+       and     \$0xfefefefe,$tp4
+       and     \$0x1b1b1b1b,$acc
+        xor    $tp1,$tp2               # tp2^tp1
+       xor     $tp4,$acc
+       mov     $acc,$tp4
+
+       and     \$0x80808080,$acc
+       mov     $acc,$tp8
+       shr     \$7,$tp8
+       sub     $tp8,$acc
+       lea     0($tp4,$tp4),$tp8
+        xor    $tp1,$tp4               # tp4^tp1
+       and     \$0xfefefefe,$tp8
+       and     \$0x1b1b1b1b,$acc
+       xor     $acc,$tp8
+
+       xor     $tp8,$tp1               # tp1^tp8
+       rol     \$8,$tp1                # ROTATE(tp1^tp8,8)
+       xor     $tp8,$tp2               # tp2^tp1^tp8
+       xor     $tp8,$tp4               # tp4^tp1^tp8
+       xor     $tp2,$tp8
+       xor     $tp4,$tp8               # tp8^(tp8^tp4^tp1)^(tp8^tp2^tp1)=tp8^tp4^tp2
+
+       xor     $tp8,$tp1
+       rol     \$24,$tp2               # ROTATE(tp2^tp1^tp8,24)
+       xor     $tp2,$tp1
+       rol     \$16,$tp4               # ROTATE(tp4^tp1^tp8,16)
+       xor     $tp4,$tp1
+
+       mov     $tp1,$i($ptr)
 ___
 }
 
@@ -973,19 +1544,22 @@ $code.=<<___;
 .type  AES_set_decrypt_key,\@function,3
 .align 16
 AES_set_decrypt_key:
-       push    %rdx
+       push    %rdx                    # save key schedule
        call    AES_set_encrypt_key
        cmp     \$0,%eax
-       je      .Lproceed
-       lea     24(%rsp),%rsp
-       ret
-.Lproceed:
-       mov     (%rsp),%r8              # restore key schedule
-       mov     %rbx,(%rsp)
+       pop     %r8                     # restore key schedule
+       jne     .Labort
+
+       push    %rbx
+       push    %rbp
+       push    %r12
+       push    %r13
+       push    %r14
+       push    %r15
 
-       mov     240(%r8),%ecx           # pull number of rounds
+       mov     240(%r8),%r14d          # pull number of rounds
        xor     %rdi,%rdi
-       lea     (%rdi,%rcx,4),%rcx
+       lea     (%rdi,%r14d,4),%rcx
        mov     %r8,%rsi
        lea     (%r8,%rcx,4),%rdi       # pointer to last chunk
 .align 4
@@ -1003,27 +1577,38 @@ AES_set_decrypt_key:
                cmp     %rsi,%rdi
        jne     .Linvert
 
-       .picmeup %r9
-       lea     AES_Td-.(%r9),%rdi
-       lea     AES_Te-AES_Td(%rdi),%r9
+       .picmeup %rax
+       lea     AES_Te+2048+1024-.(%rax),%rax   # rcon
 
-       mov     %r8,%rsi
-       mov     240(%r8),%ecx           # pull number of rounds
-       sub     \$1,%ecx
+       mov     40(%rax),$mask80
+       mov     48(%rax),$maskfe
+       mov     56(%rax),$mask1b
+
+       mov     %r8,$key
+       sub     \$1,%r14d
 .align 4
 .Lpermute:
-               lea     16(%rsi),%rsi
+               lea     16($key),$key
+               mov     0($key),%rax
+               mov     8($key),%rcx
 ___
-               &deckey (0,"%rsi","%r9","%rdi");
-               &deckey (4,"%rsi","%r9","%rdi");
-               &deckey (8,"%rsi","%r9","%rdi");
-               &deckey (12,"%rsi","%r9","%rdi");
+               &dectransform ();
 $code.=<<___;
-               sub     \$1,%ecx
+               mov     %eax,0($key)
+               mov     %ebx,4($key)
+               mov     %ecx,8($key)
+               mov     %edx,12($key)
+               sub     \$1,%r14d
        jnz     .Lpermute
 
        xor     %rax,%rax
+       pop     %r15
+       pop     %r14
+       pop     %r13
+       pop     %r12
+       pop     %rbp
        pop     %rbx
+.Labort:
        ret
 .size  AES_set_decrypt_key,.-AES_set_decrypt_key
 ___
@@ -1461,11 +2046,145 @@ ___
        &_data_word(0xdabfbf65, 0x31e6e6d7, 0xc6424284, 0xb86868d0);
        &_data_word(0xc3414182, 0xb0999929, 0x772d2d5a, 0x110f0f1e);
        &_data_word(0xcbb0b07b, 0xfc5454a8, 0xd6bbbb6d, 0x3a16162c);
+
+#Te4   # four copies of Te4 to choose from to avoid L1 aliasing
+       &data_byte(0x63, 0x7c, 0x77, 0x7b, 0xf2, 0x6b, 0x6f, 0xc5);
+       &data_byte(0x30, 0x01, 0x67, 0x2b, 0xfe, 0xd7, 0xab, 0x76);
+       &data_byte(0xca, 0x82, 0xc9, 0x7d, 0xfa, 0x59, 0x47, 0xf0);
+       &data_byte(0xad, 0xd4, 0xa2, 0xaf, 0x9c, 0xa4, 0x72, 0xc0);
+       &data_byte(0xb7, 0xfd, 0x93, 0x26, 0x36, 0x3f, 0xf7, 0xcc);
+       &data_byte(0x34, 0xa5, 0xe5, 0xf1, 0x71, 0xd8, 0x31, 0x15);
+       &data_byte(0x04, 0xc7, 0x23, 0xc3, 0x18, 0x96, 0x05, 0x9a);
+       &data_byte(0x07, 0x12, 0x80, 0xe2, 0xeb, 0x27, 0xb2, 0x75);
+       &data_byte(0x09, 0x83, 0x2c, 0x1a, 0x1b, 0x6e, 0x5a, 0xa0);
+       &data_byte(0x52, 0x3b, 0xd6, 0xb3, 0x29, 0xe3, 0x2f, 0x84);
+       &data_byte(0x53, 0xd1, 0x00, 0xed, 0x20, 0xfc, 0xb1, 0x5b);
+       &data_byte(0x6a, 0xcb, 0xbe, 0x39, 0x4a, 0x4c, 0x58, 0xcf);
+       &data_byte(0xd0, 0xef, 0xaa, 0xfb, 0x43, 0x4d, 0x33, 0x85);
+       &data_byte(0x45, 0xf9, 0x02, 0x7f, 0x50, 0x3c, 0x9f, 0xa8);
+       &data_byte(0x51, 0xa3, 0x40, 0x8f, 0x92, 0x9d, 0x38, 0xf5);
+       &data_byte(0xbc, 0xb6, 0xda, 0x21, 0x10, 0xff, 0xf3, 0xd2);
+       &data_byte(0xcd, 0x0c, 0x13, 0xec, 0x5f, 0x97, 0x44, 0x17);
+       &data_byte(0xc4, 0xa7, 0x7e, 0x3d, 0x64, 0x5d, 0x19, 0x73);
+       &data_byte(0x60, 0x81, 0x4f, 0xdc, 0x22, 0x2a, 0x90, 0x88);
+       &data_byte(0x46, 0xee, 0xb8, 0x14, 0xde, 0x5e, 0x0b, 0xdb);
+       &data_byte(0xe0, 0x32, 0x3a, 0x0a, 0x49, 0x06, 0x24, 0x5c);
+       &data_byte(0xc2, 0xd3, 0xac, 0x62, 0x91, 0x95, 0xe4, 0x79);
+       &data_byte(0xe7, 0xc8, 0x37, 0x6d, 0x8d, 0xd5, 0x4e, 0xa9);
+       &data_byte(0x6c, 0x56, 0xf4, 0xea, 0x65, 0x7a, 0xae, 0x08);
+       &data_byte(0xba, 0x78, 0x25, 0x2e, 0x1c, 0xa6, 0xb4, 0xc6);
+       &data_byte(0xe8, 0xdd, 0x74, 0x1f, 0x4b, 0xbd, 0x8b, 0x8a);
+       &data_byte(0x70, 0x3e, 0xb5, 0x66, 0x48, 0x03, 0xf6, 0x0e);
+       &data_byte(0x61, 0x35, 0x57, 0xb9, 0x86, 0xc1, 0x1d, 0x9e);
+       &data_byte(0xe1, 0xf8, 0x98, 0x11, 0x69, 0xd9, 0x8e, 0x94);
+       &data_byte(0x9b, 0x1e, 0x87, 0xe9, 0xce, 0x55, 0x28, 0xdf);
+       &data_byte(0x8c, 0xa1, 0x89, 0x0d, 0xbf, 0xe6, 0x42, 0x68);
+       &data_byte(0x41, 0x99, 0x2d, 0x0f, 0xb0, 0x54, 0xbb, 0x16);
+
+       &data_byte(0x63, 0x7c, 0x77, 0x7b, 0xf2, 0x6b, 0x6f, 0xc5);
+       &data_byte(0x30, 0x01, 0x67, 0x2b, 0xfe, 0xd7, 0xab, 0x76);
+       &data_byte(0xca, 0x82, 0xc9, 0x7d, 0xfa, 0x59, 0x47, 0xf0);
+       &data_byte(0xad, 0xd4, 0xa2, 0xaf, 0x9c, 0xa4, 0x72, 0xc0);
+       &data_byte(0xb7, 0xfd, 0x93, 0x26, 0x36, 0x3f, 0xf7, 0xcc);
+       &data_byte(0x34, 0xa5, 0xe5, 0xf1, 0x71, 0xd8, 0x31, 0x15);
+       &data_byte(0x04, 0xc7, 0x23, 0xc3, 0x18, 0x96, 0x05, 0x9a);
+       &data_byte(0x07, 0x12, 0x80, 0xe2, 0xeb, 0x27, 0xb2, 0x75);
+       &data_byte(0x09, 0x83, 0x2c, 0x1a, 0x1b, 0x6e, 0x5a, 0xa0);
+       &data_byte(0x52, 0x3b, 0xd6, 0xb3, 0x29, 0xe3, 0x2f, 0x84);
+       &data_byte(0x53, 0xd1, 0x00, 0xed, 0x20, 0xfc, 0xb1, 0x5b);
+       &data_byte(0x6a, 0xcb, 0xbe, 0x39, 0x4a, 0x4c, 0x58, 0xcf);
+       &data_byte(0xd0, 0xef, 0xaa, 0xfb, 0x43, 0x4d, 0x33, 0x85);
+       &data_byte(0x45, 0xf9, 0x02, 0x7f, 0x50, 0x3c, 0x9f, 0xa8);
+       &data_byte(0x51, 0xa3, 0x40, 0x8f, 0x92, 0x9d, 0x38, 0xf5);
+       &data_byte(0xbc, 0xb6, 0xda, 0x21, 0x10, 0xff, 0xf3, 0xd2);
+       &data_byte(0xcd, 0x0c, 0x13, 0xec, 0x5f, 0x97, 0x44, 0x17);
+       &data_byte(0xc4, 0xa7, 0x7e, 0x3d, 0x64, 0x5d, 0x19, 0x73);
+       &data_byte(0x60, 0x81, 0x4f, 0xdc, 0x22, 0x2a, 0x90, 0x88);
+       &data_byte(0x46, 0xee, 0xb8, 0x14, 0xde, 0x5e, 0x0b, 0xdb);
+       &data_byte(0xe0, 0x32, 0x3a, 0x0a, 0x49, 0x06, 0x24, 0x5c);
+       &data_byte(0xc2, 0xd3, 0xac, 0x62, 0x91, 0x95, 0xe4, 0x79);
+       &data_byte(0xe7, 0xc8, 0x37, 0x6d, 0x8d, 0xd5, 0x4e, 0xa9);
+       &data_byte(0x6c, 0x56, 0xf4, 0xea, 0x65, 0x7a, 0xae, 0x08);
+       &data_byte(0xba, 0x78, 0x25, 0x2e, 0x1c, 0xa6, 0xb4, 0xc6);
+       &data_byte(0xe8, 0xdd, 0x74, 0x1f, 0x4b, 0xbd, 0x8b, 0x8a);
+       &data_byte(0x70, 0x3e, 0xb5, 0x66, 0x48, 0x03, 0xf6, 0x0e);
+       &data_byte(0x61, 0x35, 0x57, 0xb9, 0x86, 0xc1, 0x1d, 0x9e);
+       &data_byte(0xe1, 0xf8, 0x98, 0x11, 0x69, 0xd9, 0x8e, 0x94);
+       &data_byte(0x9b, 0x1e, 0x87, 0xe9, 0xce, 0x55, 0x28, 0xdf);
+       &data_byte(0x8c, 0xa1, 0x89, 0x0d, 0xbf, 0xe6, 0x42, 0x68);
+       &data_byte(0x41, 0x99, 0x2d, 0x0f, 0xb0, 0x54, 0xbb, 0x16);
+
+       &data_byte(0x63, 0x7c, 0x77, 0x7b, 0xf2, 0x6b, 0x6f, 0xc5);
+       &data_byte(0x30, 0x01, 0x67, 0x2b, 0xfe, 0xd7, 0xab, 0x76);
+       &data_byte(0xca, 0x82, 0xc9, 0x7d, 0xfa, 0x59, 0x47, 0xf0);
+       &data_byte(0xad, 0xd4, 0xa2, 0xaf, 0x9c, 0xa4, 0x72, 0xc0);
+       &data_byte(0xb7, 0xfd, 0x93, 0x26, 0x36, 0x3f, 0xf7, 0xcc);
+       &data_byte(0x34, 0xa5, 0xe5, 0xf1, 0x71, 0xd8, 0x31, 0x15);
+       &data_byte(0x04, 0xc7, 0x23, 0xc3, 0x18, 0x96, 0x05, 0x9a);
+       &data_byte(0x07, 0x12, 0x80, 0xe2, 0xeb, 0x27, 0xb2, 0x75);
+       &data_byte(0x09, 0x83, 0x2c, 0x1a, 0x1b, 0x6e, 0x5a, 0xa0);
+       &data_byte(0x52, 0x3b, 0xd6, 0xb3, 0x29, 0xe3, 0x2f, 0x84);
+       &data_byte(0x53, 0xd1, 0x00, 0xed, 0x20, 0xfc, 0xb1, 0x5b);
+       &data_byte(0x6a, 0xcb, 0xbe, 0x39, 0x4a, 0x4c, 0x58, 0xcf);
+       &data_byte(0xd0, 0xef, 0xaa, 0xfb, 0x43, 0x4d, 0x33, 0x85);
+       &data_byte(0x45, 0xf9, 0x02, 0x7f, 0x50, 0x3c, 0x9f, 0xa8);
+       &data_byte(0x51, 0xa3, 0x40, 0x8f, 0x92, 0x9d, 0x38, 0xf5);
+       &data_byte(0xbc, 0xb6, 0xda, 0x21, 0x10, 0xff, 0xf3, 0xd2);
+       &data_byte(0xcd, 0x0c, 0x13, 0xec, 0x5f, 0x97, 0x44, 0x17);
+       &data_byte(0xc4, 0xa7, 0x7e, 0x3d, 0x64, 0x5d, 0x19, 0x73);
+       &data_byte(0x60, 0x81, 0x4f, 0xdc, 0x22, 0x2a, 0x90, 0x88);
+       &data_byte(0x46, 0xee, 0xb8, 0x14, 0xde, 0x5e, 0x0b, 0xdb);
+       &data_byte(0xe0, 0x32, 0x3a, 0x0a, 0x49, 0x06, 0x24, 0x5c);
+       &data_byte(0xc2, 0xd3, 0xac, 0x62, 0x91, 0x95, 0xe4, 0x79);
+       &data_byte(0xe7, 0xc8, 0x37, 0x6d, 0x8d, 0xd5, 0x4e, 0xa9);
+       &data_byte(0x6c, 0x56, 0xf4, 0xea, 0x65, 0x7a, 0xae, 0x08);
+       &data_byte(0xba, 0x78, 0x25, 0x2e, 0x1c, 0xa6, 0xb4, 0xc6);
+       &data_byte(0xe8, 0xdd, 0x74, 0x1f, 0x4b, 0xbd, 0x8b, 0x8a);
+       &data_byte(0x70, 0x3e, 0xb5, 0x66, 0x48, 0x03, 0xf6, 0x0e);
+       &data_byte(0x61, 0x35, 0x57, 0xb9, 0x86, 0xc1, 0x1d, 0x9e);
+       &data_byte(0xe1, 0xf8, 0x98, 0x11, 0x69, 0xd9, 0x8e, 0x94);
+       &data_byte(0x9b, 0x1e, 0x87, 0xe9, 0xce, 0x55, 0x28, 0xdf);
+       &data_byte(0x8c, 0xa1, 0x89, 0x0d, 0xbf, 0xe6, 0x42, 0x68);
+       &data_byte(0x41, 0x99, 0x2d, 0x0f, 0xb0, 0x54, 0xbb, 0x16);
+
+       &data_byte(0x63, 0x7c, 0x77, 0x7b, 0xf2, 0x6b, 0x6f, 0xc5);
+       &data_byte(0x30, 0x01, 0x67, 0x2b, 0xfe, 0xd7, 0xab, 0x76);
+       &data_byte(0xca, 0x82, 0xc9, 0x7d, 0xfa, 0x59, 0x47, 0xf0);
+       &data_byte(0xad, 0xd4, 0xa2, 0xaf, 0x9c, 0xa4, 0x72, 0xc0);
+       &data_byte(0xb7, 0xfd, 0x93, 0x26, 0x36, 0x3f, 0xf7, 0xcc);
+       &data_byte(0x34, 0xa5, 0xe5, 0xf1, 0x71, 0xd8, 0x31, 0x15);
+       &data_byte(0x04, 0xc7, 0x23, 0xc3, 0x18, 0x96, 0x05, 0x9a);
+       &data_byte(0x07, 0x12, 0x80, 0xe2, 0xeb, 0x27, 0xb2, 0x75);
+       &data_byte(0x09, 0x83, 0x2c, 0x1a, 0x1b, 0x6e, 0x5a, 0xa0);
+       &data_byte(0x52, 0x3b, 0xd6, 0xb3, 0x29, 0xe3, 0x2f, 0x84);
+       &data_byte(0x53, 0xd1, 0x00, 0xed, 0x20, 0xfc, 0xb1, 0x5b);
+       &data_byte(0x6a, 0xcb, 0xbe, 0x39, 0x4a, 0x4c, 0x58, 0xcf);
+       &data_byte(0xd0, 0xef, 0xaa, 0xfb, 0x43, 0x4d, 0x33, 0x85);
+       &data_byte(0x45, 0xf9, 0x02, 0x7f, 0x50, 0x3c, 0x9f, 0xa8);
+       &data_byte(0x51, 0xa3, 0x40, 0x8f, 0x92, 0x9d, 0x38, 0xf5);
+       &data_byte(0xbc, 0xb6, 0xda, 0x21, 0x10, 0xff, 0xf3, 0xd2);
+       &data_byte(0xcd, 0x0c, 0x13, 0xec, 0x5f, 0x97, 0x44, 0x17);
+       &data_byte(0xc4, 0xa7, 0x7e, 0x3d, 0x64, 0x5d, 0x19, 0x73);
+       &data_byte(0x60, 0x81, 0x4f, 0xdc, 0x22, 0x2a, 0x90, 0x88);
+       &data_byte(0x46, 0xee, 0xb8, 0x14, 0xde, 0x5e, 0x0b, 0xdb);
+       &data_byte(0xe0, 0x32, 0x3a, 0x0a, 0x49, 0x06, 0x24, 0x5c);
+       &data_byte(0xc2, 0xd3, 0xac, 0x62, 0x91, 0x95, 0xe4, 0x79);
+       &data_byte(0xe7, 0xc8, 0x37, 0x6d, 0x8d, 0xd5, 0x4e, 0xa9);
+       &data_byte(0x6c, 0x56, 0xf4, 0xea, 0x65, 0x7a, 0xae, 0x08);
+       &data_byte(0xba, 0x78, 0x25, 0x2e, 0x1c, 0xa6, 0xb4, 0xc6);
+       &data_byte(0xe8, 0xdd, 0x74, 0x1f, 0x4b, 0xbd, 0x8b, 0x8a);
+       &data_byte(0x70, 0x3e, 0xb5, 0x66, 0x48, 0x03, 0xf6, 0x0e);
+       &data_byte(0x61, 0x35, 0x57, 0xb9, 0x86, 0xc1, 0x1d, 0x9e);
+       &data_byte(0xe1, 0xf8, 0x98, 0x11, 0x69, 0xd9, 0x8e, 0x94);
+       &data_byte(0x9b, 0x1e, 0x87, 0xe9, 0xce, 0x55, 0x28, 0xdf);
+       &data_byte(0x8c, 0xa1, 0x89, 0x0d, 0xbf, 0xe6, 0x42, 0x68);
+       &data_byte(0x41, 0x99, 0x2d, 0x0f, 0xb0, 0x54, 0xbb, 0x16);
 #rcon:
 $code.=<<___;
        .long   0x00000001, 0x00000002, 0x00000004, 0x00000008
        .long   0x00000010, 0x00000020, 0x00000040, 0x00000080
-       .long   0x0000001b, 0x00000036, 0, 0, 0, 0, 0, 0
+       .long   0x0000001b, 0x00000036, 0x80808080, 0x80808080
+       .long   0xfefefefe, 0xfefefefe, 0x1b1b1b1b, 0x1b1b1b1b
 ___
 $code.=<<___;
 .globl AES_Td
@@ -1536,7 +2255,80 @@ ___
        &_data_word(0x72c31d16, 0x0c25e2bc, 0x8b493c28, 0x41950dff);
        &_data_word(0x7101a839, 0xdeb30c08, 0x9ce4b4d8, 0x90c15664);
        &_data_word(0x6184cb7b, 0x70b632d5, 0x745c6c48, 0x4257b8d0);
-#Td4:
+
+#Td4:  # four copies of Td4 to choose from to avoid L1 aliasing
+       &data_byte(0x52, 0x09, 0x6a, 0xd5, 0x30, 0x36, 0xa5, 0x38);
+       &data_byte(0xbf, 0x40, 0xa3, 0x9e, 0x81, 0xf3, 0xd7, 0xfb);
+       &data_byte(0x7c, 0xe3, 0x39, 0x82, 0x9b, 0x2f, 0xff, 0x87);
+       &data_byte(0x34, 0x8e, 0x43, 0x44, 0xc4, 0xde, 0xe9, 0xcb);
+       &data_byte(0x54, 0x7b, 0x94, 0x32, 0xa6, 0xc2, 0x23, 0x3d);
+       &data_byte(0xee, 0x4c, 0x95, 0x0b, 0x42, 0xfa, 0xc3, 0x4e);
+       &data_byte(0x08, 0x2e, 0xa1, 0x66, 0x28, 0xd9, 0x24, 0xb2);
+       &data_byte(0x76, 0x5b, 0xa2, 0x49, 0x6d, 0x8b, 0xd1, 0x25);
+       &data_byte(0x72, 0xf8, 0xf6, 0x64, 0x86, 0x68, 0x98, 0x16);
+       &data_byte(0xd4, 0xa4, 0x5c, 0xcc, 0x5d, 0x65, 0xb6, 0x92);
+       &data_byte(0x6c, 0x70, 0x48, 0x50, 0xfd, 0xed, 0xb9, 0xda);
+       &data_byte(0x5e, 0x15, 0x46, 0x57, 0xa7, 0x8d, 0x9d, 0x84);
+       &data_byte(0x90, 0xd8, 0xab, 0x00, 0x8c, 0xbc, 0xd3, 0x0a);
+       &data_byte(0xf7, 0xe4, 0x58, 0x05, 0xb8, 0xb3, 0x45, 0x06);
+       &data_byte(0xd0, 0x2c, 0x1e, 0x8f, 0xca, 0x3f, 0x0f, 0x02);
+       &data_byte(0xc1, 0xaf, 0xbd, 0x03, 0x01, 0x13, 0x8a, 0x6b);
+       &data_byte(0x3a, 0x91, 0x11, 0x41, 0x4f, 0x67, 0xdc, 0xea);
+       &data_byte(0x97, 0xf2, 0xcf, 0xce, 0xf0, 0xb4, 0xe6, 0x73);
+       &data_byte(0x96, 0xac, 0x74, 0x22, 0xe7, 0xad, 0x35, 0x85);
+       &data_byte(0xe2, 0xf9, 0x37, 0xe8, 0x1c, 0x75, 0xdf, 0x6e);
+       &data_byte(0x47, 0xf1, 0x1a, 0x71, 0x1d, 0x29, 0xc5, 0x89);
+       &data_byte(0x6f, 0xb7, 0x62, 0x0e, 0xaa, 0x18, 0xbe, 0x1b);
+       &data_byte(0xfc, 0x56, 0x3e, 0x4b, 0xc6, 0xd2, 0x79, 0x20);
+       &data_byte(0x9a, 0xdb, 0xc0, 0xfe, 0x78, 0xcd, 0x5a, 0xf4);
+       &data_byte(0x1f, 0xdd, 0xa8, 0x33, 0x88, 0x07, 0xc7, 0x31);
+       &data_byte(0xb1, 0x12, 0x10, 0x59, 0x27, 0x80, 0xec, 0x5f);
+       &data_byte(0x60, 0x51, 0x7f, 0xa9, 0x19, 0xb5, 0x4a, 0x0d);
+       &data_byte(0x2d, 0xe5, 0x7a, 0x9f, 0x93, 0xc9, 0x9c, 0xef);
+       &data_byte(0xa0, 0xe0, 0x3b, 0x4d, 0xae, 0x2a, 0xf5, 0xb0);
+       &data_byte(0xc8, 0xeb, 0xbb, 0x3c, 0x83, 0x53, 0x99, 0x61);
+       &data_byte(0x17, 0x2b, 0x04, 0x7e, 0xba, 0x77, 0xd6, 0x26);
+       &data_byte(0xe1, 0x69, 0x14, 0x63, 0x55, 0x21, 0x0c, 0x7d);
+$code.=<<___;
+       .long   0x80808080, 0x80808080, 0xfefefefe, 0xfefefefe
+       .long   0x1b1b1b1b, 0x1b1b1b1b, 0, 0
+___
+       &data_byte(0x52, 0x09, 0x6a, 0xd5, 0x30, 0x36, 0xa5, 0x38);
+       &data_byte(0xbf, 0x40, 0xa3, 0x9e, 0x81, 0xf3, 0xd7, 0xfb);
+       &data_byte(0x7c, 0xe3, 0x39, 0x82, 0x9b, 0x2f, 0xff, 0x87);
+       &data_byte(0x34, 0x8e, 0x43, 0x44, 0xc4, 0xde, 0xe9, 0xcb);
+       &data_byte(0x54, 0x7b, 0x94, 0x32, 0xa6, 0xc2, 0x23, 0x3d);
+       &data_byte(0xee, 0x4c, 0x95, 0x0b, 0x42, 0xfa, 0xc3, 0x4e);
+       &data_byte(0x08, 0x2e, 0xa1, 0x66, 0x28, 0xd9, 0x24, 0xb2);
+       &data_byte(0x76, 0x5b, 0xa2, 0x49, 0x6d, 0x8b, 0xd1, 0x25);
+       &data_byte(0x72, 0xf8, 0xf6, 0x64, 0x86, 0x68, 0x98, 0x16);
+       &data_byte(0xd4, 0xa4, 0x5c, 0xcc, 0x5d, 0x65, 0xb6, 0x92);
+       &data_byte(0x6c, 0x70, 0x48, 0x50, 0xfd, 0xed, 0xb9, 0xda);
+       &data_byte(0x5e, 0x15, 0x46, 0x57, 0xa7, 0x8d, 0x9d, 0x84);
+       &data_byte(0x90, 0xd8, 0xab, 0x00, 0x8c, 0xbc, 0xd3, 0x0a);
+       &data_byte(0xf7, 0xe4, 0x58, 0x05, 0xb8, 0xb3, 0x45, 0x06);
+       &data_byte(0xd0, 0x2c, 0x1e, 0x8f, 0xca, 0x3f, 0x0f, 0x02);
+       &data_byte(0xc1, 0xaf, 0xbd, 0x03, 0x01, 0x13, 0x8a, 0x6b);
+       &data_byte(0x3a, 0x91, 0x11, 0x41, 0x4f, 0x67, 0xdc, 0xea);
+       &data_byte(0x97, 0xf2, 0xcf, 0xce, 0xf0, 0xb4, 0xe6, 0x73);
+       &data_byte(0x96, 0xac, 0x74, 0x22, 0xe7, 0xad, 0x35, 0x85);
+       &data_byte(0xe2, 0xf9, 0x37, 0xe8, 0x1c, 0x75, 0xdf, 0x6e);
+       &data_byte(0x47, 0xf1, 0x1a, 0x71, 0x1d, 0x29, 0xc5, 0x89);
+       &data_byte(0x6f, 0xb7, 0x62, 0x0e, 0xaa, 0x18, 0xbe, 0x1b);
+       &data_byte(0xfc, 0x56, 0x3e, 0x4b, 0xc6, 0xd2, 0x79, 0x20);
+       &data_byte(0x9a, 0xdb, 0xc0, 0xfe, 0x78, 0xcd, 0x5a, 0xf4);
+       &data_byte(0x1f, 0xdd, 0xa8, 0x33, 0x88, 0x07, 0xc7, 0x31);
+       &data_byte(0xb1, 0x12, 0x10, 0x59, 0x27, 0x80, 0xec, 0x5f);
+       &data_byte(0x60, 0x51, 0x7f, 0xa9, 0x19, 0xb5, 0x4a, 0x0d);
+       &data_byte(0x2d, 0xe5, 0x7a, 0x9f, 0x93, 0xc9, 0x9c, 0xef);
+       &data_byte(0xa0, 0xe0, 0x3b, 0x4d, 0xae, 0x2a, 0xf5, 0xb0);
+       &data_byte(0xc8, 0xeb, 0xbb, 0x3c, 0x83, 0x53, 0x99, 0x61);
+       &data_byte(0x17, 0x2b, 0x04, 0x7e, 0xba, 0x77, 0xd6, 0x26);
+       &data_byte(0xe1, 0x69, 0x14, 0x63, 0x55, 0x21, 0x0c, 0x7d);
+$code.=<<___;
+       .long   0x80808080, 0x80808080, 0xfefefefe, 0xfefefefe
+       .long   0x1b1b1b1b, 0x1b1b1b1b, 0, 0
+___
        &data_byte(0x52, 0x09, 0x6a, 0xd5, 0x30, 0x36, 0xa5, 0x38);
        &data_byte(0xbf, 0x40, 0xa3, 0x9e, 0x81, 0xf3, 0xd7, 0xfb);
        &data_byte(0x7c, 0xe3, 0x39, 0x82, 0x9b, 0x2f, 0xff, 0x87);
@@ -1569,6 +2361,47 @@ ___
        &data_byte(0xc8, 0xeb, 0xbb, 0x3c, 0x83, 0x53, 0x99, 0x61);
        &data_byte(0x17, 0x2b, 0x04, 0x7e, 0xba, 0x77, 0xd6, 0x26);
        &data_byte(0xe1, 0x69, 0x14, 0x63, 0x55, 0x21, 0x0c, 0x7d);
+$code.=<<___;
+       .long   0x80808080, 0x80808080, 0xfefefefe, 0xfefefefe
+       .long   0x1b1b1b1b, 0x1b1b1b1b, 0, 0
+___
+       &data_byte(0x52, 0x09, 0x6a, 0xd5, 0x30, 0x36, 0xa5, 0x38);
+       &data_byte(0xbf, 0x40, 0xa3, 0x9e, 0x81, 0xf3, 0xd7, 0xfb);
+       &data_byte(0x7c, 0xe3, 0x39, 0x82, 0x9b, 0x2f, 0xff, 0x87);
+       &data_byte(0x34, 0x8e, 0x43, 0x44, 0xc4, 0xde, 0xe9, 0xcb);
+       &data_byte(0x54, 0x7b, 0x94, 0x32, 0xa6, 0xc2, 0x23, 0x3d);
+       &data_byte(0xee, 0x4c, 0x95, 0x0b, 0x42, 0xfa, 0xc3, 0x4e);
+       &data_byte(0x08, 0x2e, 0xa1, 0x66, 0x28, 0xd9, 0x24, 0xb2);
+       &data_byte(0x76, 0x5b, 0xa2, 0x49, 0x6d, 0x8b, 0xd1, 0x25);
+       &data_byte(0x72, 0xf8, 0xf6, 0x64, 0x86, 0x68, 0x98, 0x16);
+       &data_byte(0xd4, 0xa4, 0x5c, 0xcc, 0x5d, 0x65, 0xb6, 0x92);
+       &data_byte(0x6c, 0x70, 0x48, 0x50, 0xfd, 0xed, 0xb9, 0xda);
+       &data_byte(0x5e, 0x15, 0x46, 0x57, 0xa7, 0x8d, 0x9d, 0x84);
+       &data_byte(0x90, 0xd8, 0xab, 0x00, 0x8c, 0xbc, 0xd3, 0x0a);
+       &data_byte(0xf7, 0xe4, 0x58, 0x05, 0xb8, 0xb3, 0x45, 0x06);
+       &data_byte(0xd0, 0x2c, 0x1e, 0x8f, 0xca, 0x3f, 0x0f, 0x02);
+       &data_byte(0xc1, 0xaf, 0xbd, 0x03, 0x01, 0x13, 0x8a, 0x6b);
+       &data_byte(0x3a, 0x91, 0x11, 0x41, 0x4f, 0x67, 0xdc, 0xea);
+       &data_byte(0x97, 0xf2, 0xcf, 0xce, 0xf0, 0xb4, 0xe6, 0x73);
+       &data_byte(0x96, 0xac, 0x74, 0x22, 0xe7, 0xad, 0x35, 0x85);
+       &data_byte(0xe2, 0xf9, 0x37, 0xe8, 0x1c, 0x75, 0xdf, 0x6e);
+       &data_byte(0x47, 0xf1, 0x1a, 0x71, 0x1d, 0x29, 0xc5, 0x89);
+       &data_byte(0x6f, 0xb7, 0x62, 0x0e, 0xaa, 0x18, 0xbe, 0x1b);
+       &data_byte(0xfc, 0x56, 0x3e, 0x4b, 0xc6, 0xd2, 0x79, 0x20);
+       &data_byte(0x9a, 0xdb, 0xc0, 0xfe, 0x78, 0xcd, 0x5a, 0xf4);
+       &data_byte(0x1f, 0xdd, 0xa8, 0x33, 0x88, 0x07, 0xc7, 0x31);
+       &data_byte(0xb1, 0x12, 0x10, 0x59, 0x27, 0x80, 0xec, 0x5f);
+       &data_byte(0x60, 0x51, 0x7f, 0xa9, 0x19, 0xb5, 0x4a, 0x0d);
+       &data_byte(0x2d, 0xe5, 0x7a, 0x9f, 0x93, 0xc9, 0x9c, 0xef);
+       &data_byte(0xa0, 0xe0, 0x3b, 0x4d, 0xae, 0x2a, 0xf5, 0xb0);
+       &data_byte(0xc8, 0xeb, 0xbb, 0x3c, 0x83, 0x53, 0x99, 0x61);
+       &data_byte(0x17, 0x2b, 0x04, 0x7e, 0xba, 0x77, 0xd6, 0x26);
+       &data_byte(0xe1, 0x69, 0x14, 0x63, 0x55, 0x21, 0x0c, 0x7d);
+$code.=<<___;
+       .long   0x80808080, 0x80808080, 0xfefefefe, 0xfefefefe
+       .long   0x1b1b1b1b, 0x1b1b1b1b, 0, 0
+.asciz  "AES for x86_64, CRYPTOGAMS by <appro\@openssl.org>"
+___
 
 $code =~ s/\`([^\`]*)\`/eval($1)/gem;