crypto: cast6-avx - tune assembler code for more performance
authorJussi Kivilinna <jussi.kivilinna@mbnet.fi>
Tue, 28 Aug 2012 11:24:54 +0000 (14:24 +0300)
committerHerbert Xu <herbert@gondor.apana.org.au>
Thu, 6 Sep 2012 20:17:05 +0000 (04:17 +0800)
Patch replaces 'movb' instructions with 'movzbl' to break false register
dependencies, interleaves instructions better for out-of-order scheduling
and merges constant 16-bit rotation with round-key variable rotation.

tcrypt ECB results:

Intel Core i5-2450M:

size    old-vs-new      new-vs-generic  old-vs-generic
        enc     dec     enc     dec     enc     dec
256     1.13x   1.19x   2.05x   2.17x   1.82x   1.82x
1k      1.18x   1.21x   2.26x   2.33x   1.93x   1.93x
8k      1.19x   1.19x   2.32x   2.33x   1.95x   1.95x

[v2]
 - Do instruction interleaving another way to avoid adding new FPU<=>CPU
   register moves as these cause performance drop on Bulldozer.
 - Improvements to round-key variable rotation handling.
 - Further interleaving improvements for better out-of-order scheduling.

Cc: Johannes Goetzfried <Johannes.Goetzfried@informatik.stud.uni-erlangen.de>
Signed-off-by: Jussi Kivilinna <jussi.kivilinna@mbnet.fi>
Signed-off-by: Herbert Xu <herbert@gondor.apana.org.au>
arch/x86/crypto/cast6-avx-x86_64-asm_64.S

index d258ce0d2e06df5cba7807a5c282f477d2b77fcb..218d283772f420339e8ef7be42adb184e829753d 100644 (file)
@@ -4,6 +4,8 @@
  * Copyright (C) 2012 Johannes Goetzfried
  *     <Johannes.Goetzfried@informatik.stud.uni-erlangen.de>
  *
+ * Copyright © 2012 Jussi Kivilinna <jussi.kivilinna@mbnet.fi>
+ *
  * This program is free software; you can redistribute it and/or modify
  * it under the terms of the GNU General Public License as published by
  * the Free Software Foundation; either version 2 of the License, or
@@ -22,7 +24,6 @@
  */
 
 .file "cast6-avx-x86_64-asm_64.S"
-.text
 
 .extern cast6_s1
 .extern cast6_s2
 #define RC2 %xmm6
 #define RD2 %xmm7
 
-#define RX %xmm8
+#define RX  %xmm8
 
 #define RKM  %xmm9
-#define RKRF %xmm10
-#define RKRR %xmm11
+#define RKR  %xmm10
+#define RKRF %xmm11
+#define RKRR %xmm12
+#define R32  %xmm13
+#define R1ST %xmm14
 
-#define RTMP  %xmm12
-#define RMASK %xmm13
-#define R32   %xmm14
+#define RTMP %xmm15
 
-#define RID1  %rax
-#define RID1b %al
-#define RID2  %rbx
-#define RID2b %bl
+#define RID1  %rbp
+#define RID1d %ebp
+#define RID2  %rsi
+#define RID2d %esi
 
 #define RGI1   %rdx
 #define RGI1bl %dl
 #define RGI2bl %cl
 #define RGI2bh %ch
 
+#define RGI3   %rax
+#define RGI3bl %al
+#define RGI3bh %ah
+#define RGI4   %rbx
+#define RGI4bl %bl
+#define RGI4bh %bh
+
 #define RFS1  %r8
 #define RFS1d %r8d
 #define RFS2  %r9
 #define RFS3d %r10d
 
 
-#define lookup_32bit(src, dst, op1, op2, op3) \
-       movb            src ## bl,     RID1b;    \
-       movb            src ## bh,     RID2b;    \
+#define lookup_32bit(src, dst, op1, op2, op3, interleave_op, il_reg) \
+       movzbl          src ## bh,     RID1d;    \
+       movzbl          src ## bl,     RID2d;    \
+       shrq $16,       src;                     \
        movl            s1(, RID1, 4), dst ## d; \
        op1             s2(, RID2, 4), dst ## d; \
-       shrq $16,       src;                     \
-       movb            src ## bl,     RID1b;    \
-       movb            src ## bh,     RID2b;    \
+       movzbl          src ## bh,     RID1d;    \
+       movzbl          src ## bl,     RID2d;    \
+       interleave_op(il_reg);                   \
        op2             s3(, RID1, 4), dst ## d; \
        op3             s4(, RID2, 4), dst ## d;
 
-#define F(a, x, op0, op1, op2, op3) \
+#define dummy(d) /* do nothing */
+
+#define shr_next(reg) \
+       shrq $16,       reg;
+
+#define F_head(a, x, gi1, gi2, op0) \
        op0     a,      RKM,  x;                 \
-       vpslld  RKRF,   x,    RTMP;              \
-       vpsrld  RKRR,   x,    x;                 \
+       vpslld  RKRF,   x,    RTMP;              \
+       vpsrld  RKRR,   x,    x;                 \
        vpor    RTMP,   x,    x;                 \
        \
-       vpshufb RMASK,  x,    x;                 \
-       vmovq           x,    RGI1;              \
-       vpsrldq $8,     x,    x;                 \
-       vmovq           x,    RGI2;              \
-       \
-       lookup_32bit(RGI1, RFS1, op1, op2, op3); \
-       shrq $16,       RGI1;                    \
-       lookup_32bit(RGI1, RFS2, op1, op2, op3); \
-       shlq $32,       RFS2;                    \
-       orq             RFS1, RFS2;              \
+       vmovq           x,    gi1;               \
+       vpextrq $1,     x,    gi2;
+
+#define F_tail(a, x, gi1, gi2, op1, op2, op3) \
+       lookup_32bit(##gi1, RFS1, op1, op2, op3, shr_next, ##gi1); \
+       lookup_32bit(##gi2, RFS3, op1, op2, op3, shr_next, ##gi2); \
        \
-       lookup_32bit(RGI2, RFS1, op1, op2, op3); \
-       shrq $16,       RGI2;                    \
-       lookup_32bit(RGI2, RFS3, op1, op2, op3); \
-       shlq $32,       RFS3;                    \
-       orq             RFS1, RFS3;              \
+       lookup_32bit(##gi1, RFS2, op1, op2, op3, dummy, none);     \
+       shlq $32,       RFS2;                                      \
+       orq             RFS1, RFS2;                                \
+       lookup_32bit(##gi2, RFS1, op1, op2, op3, dummy, none);     \
+       shlq $32,       RFS1;                                      \
+       orq             RFS1, RFS3;                                \
        \
-       vmovq           RFS2, x;                 \
+       vmovq           RFS2, x;                                   \
        vpinsrq $1,     RFS3, x, x;
 
-#define F1(b, x) F(b, x, vpaddd, xorl, subl, addl)
-#define F2(b, x) F(b, x, vpxor,  subl, addl, xorl)
-#define F3(b, x) F(b, x, vpsubd, addl, xorl, subl)
+#define F_2(a1, b1, a2, b2, op0, op1, op2, op3) \
+       F_head(b1, RX, RGI1, RGI2, op0);              \
+       F_head(b2, RX, RGI3, RGI4, op0);              \
+       \
+       F_tail(b1, RX, RGI1, RGI2, op1, op2, op3);    \
+       F_tail(b2, RTMP, RGI3, RGI4, op1, op2, op3);  \
+       \
+       vpxor           a1, RX,   a1;                 \
+       vpxor           a2, RTMP, a2;
+
+#define F1_2(a1, b1, a2, b2) \
+       F_2(a1, b1, a2, b2, vpaddd, xorl, subl, addl)
+#define F2_2(a1, b1, a2, b2) \
+       F_2(a1, b1, a2, b2, vpxor, subl, addl, xorl)
+#define F3_2(a1, b1, a2, b2) \
+       F_2(a1, b1, a2, b2, vpsubd, addl, xorl, subl)
 
-#define qop(in, out, x, f) \
-       F ## f(in ## 1, x);          \
-       vpxor out ## 1, x, out ## 1; \
-       F ## f(in ## 2, x);          \
-       vpxor out ## 2, x, out ## 2; \
+#define qop(in, out, f) \
+       F ## f ## _2(out ## 1, in ## 1, out ## 2, in ## 2);
+
+#define get_round_keys(nn) \
+       vbroadcastss    (km+(4*(nn)))(CTX), RKM;        \
+       vpand           R1ST,               RKR,  RKRF; \
+       vpsubq          RKRF,               R32,  RKRR; \
+       vpsrldq $1,     RKR,                RKR;
 
 #define Q(n) \
-       vbroadcastss    (km+(4*(4*n+0)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+0))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RD, RC, RX, 1);                                \
+       get_round_keys(4*n+0); \
+       qop(RD, RC, 1);        \
        \
-       vbroadcastss    (km+(4*(4*n+1)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+1))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RC, RB, RX, 2);                                \
+       get_round_keys(4*n+1); \
+       qop(RC, RB, 2);        \
        \
-       vbroadcastss    (km+(4*(4*n+2)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+2))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RB, RA, RX, 3);                                \
+       get_round_keys(4*n+2); \
+       qop(RB, RA, 3);        \
        \
-       vbroadcastss    (km+(4*(4*n+3)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+3))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RA, RD, RX, 1);
+       get_round_keys(4*n+3); \
+       qop(RA, RD, 1);
 
 #define QBAR(n) \
-       vbroadcastss    (km+(4*(4*n+3)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+3))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RA, RD, RX, 1);                                \
+       get_round_keys(4*n+3); \
+       qop(RA, RD, 1);        \
        \
-       vbroadcastss    (km+(4*(4*n+2)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+2))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RB, RA, RX, 3);                                \
+       get_round_keys(4*n+2); \
+       qop(RB, RA, 3);        \
        \
-       vbroadcastss    (km+(4*(4*n+1)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+1))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RC, RB, RX, 2);                                \
+       get_round_keys(4*n+1); \
+       qop(RC, RB, 2);        \
        \
-       vbroadcastss    (km+(4*(4*n+0)))(CTX), RKM;        \
-       vpinsrb $0,     (kr+(4*n+0))(CTX),     RKRF, RKRF; \
-       vpsubq          RKRF,                  R32,  RKRR; \
-       qop(RD, RC, RX, 1);
+       get_round_keys(4*n+0); \
+       qop(RD, RC, 1);
+
+#define shuffle(mask) \
+       vpshufb         mask,            RKR, RKR;
 
+#define preload_rkr(n, do_mask, mask) \
+       vbroadcastss    .L16_mask,                RKR;      \
+       /* add 16-bit rotation to key rotations (mod 32) */ \
+       vpxor           (kr+n*16)(CTX),           RKR, RKR; \
+       do_mask(mask);
 
 #define transpose_4x4(x0, x1, x2, x3, t0, t1, t2) \
        vpunpckldq              x1, x0, t0; \
        vpunpcklqdq             x3, t2, x2; \
        vpunpckhqdq             x3, t2, x3;
 
-#define inpack_blocks(in, x0, x1, x2, x3, t0, t1, t2) \
+#define inpack_blocks(in, x0, x1, x2, x3, t0, t1, t2, rmask) \
        vmovdqu (0*4*4)(in),    x0; \
        vmovdqu (1*4*4)(in),    x1; \
        vmovdqu (2*4*4)(in),    x2; \
        vmovdqu (3*4*4)(in),    x3; \
-       vpshufb RMASK, x0,      x0; \
-       vpshufb RMASK, x1,      x1; \
-       vpshufb RMASK, x2,      x2; \
-       vpshufb RMASK, x3,      x3; \
+       vpshufb rmask, x0,      x0; \
+       vpshufb rmask, x1,      x1; \
+       vpshufb rmask, x2,      x2; \
+       vpshufb rmask, x3,      x3; \
        \
        transpose_4x4(x0, x1, x2, x3, t0, t1, t2)
 
-#define outunpack_blocks(out, x0, x1, x2, x3, t0, t1, t2) \
+#define outunpack_blocks(out, x0, x1, x2, x3, t0, t1, t2, rmask) \
        transpose_4x4(x0, x1, x2, x3, t0, t1, t2) \
        \
-       vpshufb RMASK,          x0, x0;       \
-       vpshufb RMASK,          x1, x1;       \
-       vpshufb RMASK,          x2, x2;       \
-       vpshufb RMASK,          x3, x3;       \
+       vpshufb rmask,          x0, x0;       \
+       vpshufb rmask,          x1, x1;       \
+       vpshufb rmask,          x2, x2;       \
+       vpshufb rmask,          x3, x3;       \
        vmovdqu x0,             (0*4*4)(out); \
        vmovdqu x1,             (1*4*4)(out); \
        vmovdqu x2,             (2*4*4)(out); \
        vmovdqu x3,             (3*4*4)(out);
 
-#define outunpack_xor_blocks(out, x0, x1, x2, x3, t0, t1, t2) \
+#define outunpack_xor_blocks(out, x0, x1, x2, x3, t0, t1, t2, rmask) \
        transpose_4x4(x0, x1, x2, x3, t0, t1, t2) \
        \
-       vpshufb RMASK,          x0, x0;       \
-       vpshufb RMASK,          x1, x1;       \
-       vpshufb RMASK,          x2, x2;       \
-       vpshufb RMASK,          x3, x3;       \
+       vpshufb rmask,          x0, x0;       \
+       vpshufb rmask,          x1, x1;       \
+       vpshufb rmask,          x2, x2;       \
+       vpshufb rmask,          x3, x3;       \
        vpxor (0*4*4)(out),     x0, x0;       \
        vmovdqu x0,             (0*4*4)(out); \
        vpxor (1*4*4)(out),     x1, x1;       \
        vpxor (3*4*4)(out),     x3, x3;       \
        vmovdqu x3,             (3*4*4)(out);
 
+.data
+
 .align 16
 .Lbswap_mask:
        .byte 3, 2, 1, 0, 7, 6, 5, 4, 11, 10, 9, 8, 15, 14, 13, 12
+.Lrkr_enc_Q_Q_QBAR_QBAR:
+       .byte 0, 1, 2, 3, 4, 5, 6, 7, 11, 10, 9, 8, 15, 14, 13, 12
+.Lrkr_enc_QBAR_QBAR_QBAR_QBAR:
+       .byte 3, 2, 1, 0, 7, 6, 5, 4, 11, 10, 9, 8, 15, 14, 13, 12
+.Lrkr_dec_Q_Q_Q_Q:
+       .byte 12, 13, 14, 15, 8, 9, 10, 11, 4, 5, 6, 7, 0, 1, 2, 3
+.Lrkr_dec_Q_Q_QBAR_QBAR:
+       .byte 12, 13, 14, 15, 8, 9, 10, 11, 7, 6, 5, 4, 3, 2, 1, 0
+.Lrkr_dec_QBAR_QBAR_QBAR_QBAR:
+       .byte 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0
+.L16_mask:
+       .byte 16, 16, 16, 16
 .L32_mask:
-       .byte 32, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 ,0, 0, 0, 0, 0
+       .byte 32, 0, 0, 0
+.Lfirst_mask:
+       .byte 0x1f, 0, 0, 0
+
+.text
 
 .align 16
 .global __cast6_enc_blk_8way
@@ -243,28 +281,31 @@ __cast6_enc_blk_8way:
         *      %rcx: bool, if true: xor output
         */
 
+       pushq %rbp;
        pushq %rbx;
        pushq %rcx;
 
-       vmovdqu .Lbswap_mask, RMASK;
-       vmovdqu .L32_mask, R32;
-       vpxor RKRF, RKRF, RKRF;
+       vmovdqa .Lbswap_mask, RKM;
+       vmovd .Lfirst_mask, R1ST;
+       vmovd .L32_mask, R32;
 
        leaq (4*4*4)(%rdx), %rax;
-       inpack_blocks(%rdx, RA1, RB1, RC1, RD1, RTMP, RX, RKM);
-       inpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKM);
+       inpack_blocks(%rdx, RA1, RB1, RC1, RD1, RTMP, RX, RKRF, RKM);
+       inpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKRF, RKM);
 
-       xorq RID1, RID1;
-       xorq RID2, RID2;
+       movq %rsi, %r11;
 
+       preload_rkr(0, dummy, none);
        Q(0);
        Q(1);
        Q(2);
        Q(3);
+       preload_rkr(1, shuffle, .Lrkr_enc_Q_Q_QBAR_QBAR);
        Q(4);
        Q(5);
        QBAR(6);
        QBAR(7);
+       preload_rkr(2, shuffle, .Lrkr_enc_QBAR_QBAR_QBAR_QBAR);
        QBAR(8);
        QBAR(9);
        QBAR(10);
@@ -272,20 +313,22 @@ __cast6_enc_blk_8way:
 
        popq %rcx;
        popq %rbx;
+       popq %rbp;
 
-       leaq (4*4*4)(%rsi), %rax;
+       vmovdqa .Lbswap_mask, RKM;
+       leaq (4*4*4)(%r11), %rax;
 
        testb %cl, %cl;
        jnz __enc_xor8;
 
-       outunpack_blocks(%rsi, RA1, RB1, RC1, RD1, RTMP, RX, RKM);
-       outunpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKM);
+       outunpack_blocks(%r11, RA1, RB1, RC1, RD1, RTMP, RX, RKRF, RKM);
+       outunpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKRF, RKM);
 
        ret;
 
 __enc_xor8:
-       outunpack_xor_blocks(%rsi, RA1, RB1, RC1, RD1, RTMP, RX, RKM);
-       outunpack_xor_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKM);
+       outunpack_xor_blocks(%r11, RA1, RB1, RC1, RD1, RTMP, RX, RKRF, RKM);
+       outunpack_xor_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKRF, RKM);
 
        ret;
 
@@ -300,36 +343,41 @@ cast6_dec_blk_8way:
         *      %rdx: src
         */
 
+       pushq %rbp;
        pushq %rbx;
 
-       vmovdqu .Lbswap_mask, RMASK;
-       vmovdqu .L32_mask, R32;
-       vpxor RKRF, RKRF, RKRF;
+       vmovdqa .Lbswap_mask, RKM;
+       vmovd .Lfirst_mask, R1ST;
+       vmovd .L32_mask, R32;
 
        leaq (4*4*4)(%rdx), %rax;
-       inpack_blocks(%rdx, RA1, RB1, RC1, RD1, RTMP, RX, RKM);
-       inpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKM);
+       inpack_blocks(%rdx, RA1, RB1, RC1, RD1, RTMP, RX, RKRF, RKM);
+       inpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKRF, RKM);
 
-       xorq RID1, RID1;
-       xorq RID2, RID2;
+       movq %rsi, %r11;
 
+       preload_rkr(2, shuffle, .Lrkr_dec_Q_Q_Q_Q);
        Q(11);
        Q(10);
        Q(9);
        Q(8);
+       preload_rkr(1, shuffle, .Lrkr_dec_Q_Q_QBAR_QBAR);
        Q(7);
        Q(6);
        QBAR(5);
        QBAR(4);
+       preload_rkr(0, shuffle, .Lrkr_dec_QBAR_QBAR_QBAR_QBAR);
        QBAR(3);
        QBAR(2);
        QBAR(1);
        QBAR(0);
 
        popq %rbx;
+       popq %rbp;
 
-       leaq (4*4*4)(%rsi), %rax;
-       outunpack_blocks(%rsi, RA1, RB1, RC1, RD1, RTMP, RX, RKM);
-       outunpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKM);
+       vmovdqa .Lbswap_mask, RKM;
+       leaq (4*4*4)(%r11), %rax;
+       outunpack_blocks(%r11, RA1, RB1, RC1, RD1, RTMP, RX, RKRF, RKM);
+       outunpack_blocks(%rax, RA2, RB2, RC2, RD2, RTMP, RX, RKRF, RKM);
 
        ret;
This page took 0.048947 seconds and 5 git commands to generate.