]> rtime.felk.cvut.cz Git - linux-imx.git/commitdiff
crypto: cast5-avx - tune assembler code for more performance
authorJussi Kivilinna <jussi.kivilinna@mbnet.fi>
Tue, 28 Aug 2012 11:24:49 +0000 (14:24 +0300)
committerHerbert Xu <herbert@gondor.apana.org.au>
Thu, 6 Sep 2012 20:17:04 +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 (128bit key):

Intel Core i5-2450M:

size    old-vs-new      new-vs-generic  old-vs-generic
        enc     dec     enc     dec     enc     dec
256     1.18x   1.18x   2.45x   2.47x   2.08x   2.10x
1k      1.20x   1.20x   2.73x   2.73x   2.28x   2.28x
8k      1.20x   1.19x   2.73x   2.73x   2.28x   2.29x

[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/cast5-avx-x86_64-asm_64.S

index 94693c877e3b5735b1ec843ca835694075dce29f..a41a3aaba220ded5fe44ae0e79c5cd3fe2b41228 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 "cast5-avx-x86_64-asm_64.S"
-.text
 
 .extern cast5_s1
 .extern cast5_s2
 #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 subround(a, b, x, n, f) \
-       F ## f(b, x);  \
-       vpxor a, x, a;
+#define subround(a1, b1, a2, b2, f) \
+       F ## f ## _2(a1, b1, a2, b2);
 
 #define round(l, r, n, f) \
        vbroadcastss    (km+(4*n))(CTX), RKM;        \
-       vpinsrb $0,     (kr+n)(CTX),     RKRF, RKRF; \
+       vpand           R1ST,            RKR,  RKRF; \
        vpsubq          RKRF,            R32,  RKRR; \
-       subround(l ## 1, r ## 1, RX, n, f);          \
-       subround(l ## 2, r ## 2, RX, n, f);          \
-       subround(l ## 3, r ## 3, RX, n, f);          \
-       subround(l ## 4, r ## 4, RX, n, f);
+       vpsrldq $1,     RKR,             RKR;        \
+       subround(l ## 1, r ## 1, l ## 2, r ## 2, f); \
+       subround(l ## 3, r ## 3, l ## 4, r ## 4, f);
+
+#define enc_preload_rkr() \
+       vbroadcastss    .L16_mask,                RKR;      \
+       /* add 16-bit rotation to key rotations (mod 32) */ \
+       vpxor           kr(CTX),                  RKR, RKR;
 
+#define dec_preload_rkr() \
+       vbroadcastss    .L16_mask,                RKR;      \
+       /* add 16-bit rotation to key rotations (mod 32) */ \
+       vpxor           kr(CTX),                  RKR, RKR; \
+       vpshufb         .Lbswap128_mask,          RKR, RKR;
 
 #define transpose_2x4(x0, x1, t0, t1) \
        vpunpckldq              x1, x0, t0; \
        vpunpcklqdq             t1, t0, x0; \
        vpunpckhqdq             t1, t0, x1;
 
-#define inpack_blocks(in, x0, x1, t0, t1) \
+#define inpack_blocks(in, x0, x1, t0, t1, rmask) \
        vmovdqu (0*4*4)(in),    x0; \
        vmovdqu (1*4*4)(in),    x1; \
-       vpshufb RMASK, x0,      x0; \
-       vpshufb RMASK, x1,      x1; \
+       vpshufb rmask,  x0,     x0; \
+       vpshufb rmask,  x1,     x1; \
        \
        transpose_2x4(x0, x1, t0, t1)
 
-#define outunpack_blocks(out, x0, x1, t0, t1) \
+#define outunpack_blocks(out, x0, x1, t0, t1, rmask) \
        transpose_2x4(x0, x1, t0, t1) \
        \
-       vpshufb RMASK,  x0, x0;           \
-       vpshufb RMASK,  x1, x1;           \
+       vpshufb rmask,  x0, x0;           \
+       vpshufb rmask,  x1, x1;           \
        vmovdqu         x0, (0*4*4)(out); \
        vmovdqu         x1, (1*4*4)(out);
 
-#define outunpack_xor_blocks(out, x0, x1, t0, t1) \
+#define outunpack_xor_blocks(out, x0, x1, t0, t1, rmask) \
        transpose_2x4(x0, x1, t0, t1) \
        \
-       vpshufb RMASK,  x0, x0;               \
-       vpshufb RMASK,  x1, x1;               \
+       vpshufb rmask,  x0, x0;               \
+       vpshufb rmask,  x1, x1;               \
        vpxor           (0*4*4)(out), x0, x0; \
        vmovdqu         x0, (0*4*4)(out);     \
        vpxor           (1*4*4)(out), x1, x1; \
        vmovdqu         x1, (1*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
+.Lbswap128_mask:
+       .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 __cast5_enc_blk_16way
@@ -190,23 +234,24 @@ __cast5_enc_blk_16way:
         *      %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;
+       enc_preload_rkr();
 
-       inpack_blocks(%rdx, RL1, RR1, RTMP, RX);
-       leaq (2*4*4)(%rdx), %rax;
-       inpack_blocks(%rax, RL2, RR2, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       inpack_blocks(%rax, RL3, RR3, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       inpack_blocks(%rax, RL4, RR4, RTMP, RX);
+       leaq 1*(2*4*4)(%rdx), %rax;
+       inpack_blocks(%rdx, RL1, RR1, RTMP, RX, RKM);
+       inpack_blocks(%rax, RL2, RR2, RTMP, RX, RKM);
+       leaq 2*(2*4*4)(%rdx), %rax;
+       inpack_blocks(%rax, RL3, RR3, RTMP, RX, RKM);
+       leaq 3*(2*4*4)(%rdx), %rax;
+       inpack_blocks(%rax, RL4, RR4, RTMP, RX, RKM);
 
-       xorq RID1, RID1;
-       xorq RID2, RID2;
+       movq %rsi, %r11;
 
        round(RL, RR, 0, 1);
        round(RR, RL, 1, 2);
@@ -221,8 +266,8 @@ __cast5_enc_blk_16way:
        round(RL, RR, 10, 2);
        round(RR, RL, 11, 3);
 
-       movb rr(CTX), %al;
-       testb %al, %al;
+       movzbl rr(CTX), %eax;
+       testl %eax, %eax;
        jnz __skip_enc;
 
        round(RL, RR, 12, 1);
@@ -233,28 +278,30 @@ __cast5_enc_blk_16way:
 __skip_enc:
        popq %rcx;
        popq %rbx;
+       popq %rbp;
+
+       vmovdqa .Lbswap_mask, RKM;
+       leaq 1*(2*4*4)(%r11), %rax;
 
        testb %cl, %cl;
        jnz __enc_xor16;
 
-       outunpack_blocks(%rsi, RR1, RL1, RTMP, RX);
-       leaq (2*4*4)(%rsi), %rax;
-       outunpack_blocks(%rax, RR2, RL2, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       outunpack_blocks(%rax, RR3, RL3, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       outunpack_blocks(%rax, RR4, RL4, RTMP, RX);
+       outunpack_blocks(%r11, RR1, RL1, RTMP, RX, RKM);
+       outunpack_blocks(%rax, RR2, RL2, RTMP, RX, RKM);
+       leaq 2*(2*4*4)(%r11), %rax;
+       outunpack_blocks(%rax, RR3, RL3, RTMP, RX, RKM);
+       leaq 3*(2*4*4)(%r11), %rax;
+       outunpack_blocks(%rax, RR4, RL4, RTMP, RX, RKM);
 
        ret;
 
 __enc_xor16:
-       outunpack_xor_blocks(%rsi, RR1, RL1, RTMP, RX);
-       leaq (2*4*4)(%rsi), %rax;
-       outunpack_xor_blocks(%rax, RR2, RL2, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       outunpack_xor_blocks(%rax, RR3, RL3, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       outunpack_xor_blocks(%rax, RR4, RL4, RTMP, RX);
+       outunpack_xor_blocks(%r11, RR1, RL1, RTMP, RX, RKM);
+       outunpack_xor_blocks(%rax, RR2, RL2, RTMP, RX, RKM);
+       leaq 2*(2*4*4)(%r11), %rax;
+       outunpack_xor_blocks(%rax, RR3, RL3, RTMP, RX, RKM);
+       leaq 3*(2*4*4)(%r11), %rax;
+       outunpack_xor_blocks(%rax, RR4, RL4, RTMP, RX, RKM);
 
        ret;
 
@@ -269,25 +316,26 @@ cast5_dec_blk_16way:
         *      %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;
+       dec_preload_rkr();
 
-       inpack_blocks(%rdx, RL1, RR1, RTMP, RX);
-       leaq (2*4*4)(%rdx), %rax;
-       inpack_blocks(%rax, RL2, RR2, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       inpack_blocks(%rax, RL3, RR3, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       inpack_blocks(%rax, RL4, RR4, RTMP, RX);
+       leaq 1*(2*4*4)(%rdx), %rax;
+       inpack_blocks(%rdx, RL1, RR1, RTMP, RX, RKM);
+       inpack_blocks(%rax, RL2, RR2, RTMP, RX, RKM);
+       leaq 2*(2*4*4)(%rdx), %rax;
+       inpack_blocks(%rax, RL3, RR3, RTMP, RX, RKM);
+       leaq 3*(2*4*4)(%rdx), %rax;
+       inpack_blocks(%rax, RL4, RR4, RTMP, RX, RKM);
 
-       xorq RID1, RID1;
-       xorq RID2, RID2;
+       movq %rsi, %r11;
 
-       movb rr(CTX), %al;
-       testb %al, %al;
+       movzbl rr(CTX), %eax;
+       testl %eax, %eax;
        jnz __skip_dec;
 
        round(RL, RR, 15, 1);
@@ -295,7 +343,7 @@ cast5_dec_blk_16way:
        round(RL, RR, 13, 2);
        round(RR, RL, 12, 1);
 
-__skip_dec:
+__dec_tail:
        round(RL, RR, 11, 3);
        round(RR, RL, 10, 2);
        round(RL, RR, 9, 1);
@@ -309,14 +357,20 @@ __skip_dec:
        round(RL, RR, 1, 2);
        round(RR, RL, 0, 1);
 
+       vmovdqa .Lbswap_mask, RKM;
        popq %rbx;
+       popq %rbp;
 
-       outunpack_blocks(%rsi, RR1, RL1, RTMP, RX);
-       leaq (2*4*4)(%rsi), %rax;
-       outunpack_blocks(%rax, RR2, RL2, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       outunpack_blocks(%rax, RR3, RL3, RTMP, RX);
-       leaq (2*4*4)(%rax), %rax;
-       outunpack_blocks(%rax, RR4, RL4, RTMP, RX);
+       leaq 1*(2*4*4)(%r11), %rax;
+       outunpack_blocks(%r11, RR1, RL1, RTMP, RX, RKM);
+       outunpack_blocks(%rax, RR2, RL2, RTMP, RX, RKM);
+       leaq 2*(2*4*4)(%r11), %rax;
+       outunpack_blocks(%rax, RR3, RL3, RTMP, RX, RKM);
+       leaq 3*(2*4*4)(%r11), %rax;
+       outunpack_blocks(%rax, RR4, RL4, RTMP, RX, RKM);
 
        ret;
+
+__skip_dec:
+       vpsrldq $4, RKR, RKR;
+       jmp __dec_tail;