xref: /openbmc/linux/arch/x86/crypto/camellia-aesni-avx-asm_64.S (revision 1ac731c529cd4d6adbce134754b51ff7d822b145)
1d9b1d2e7SJussi Kivilinna/*
2d9b1d2e7SJussi Kivilinna * x86_64/AVX/AES-NI assembler implementation of Camellia
3d9b1d2e7SJussi Kivilinna *
4b5c5b072SJussi Kivilinna * Copyright © 2012-2013 Jussi Kivilinna <jussi.kivilinna@iki.fi>
5d9b1d2e7SJussi Kivilinna *
6d9b1d2e7SJussi Kivilinna * This program is free software; you can redistribute it and/or modify
7d9b1d2e7SJussi Kivilinna * it under the terms of the GNU General Public License as published by
8d9b1d2e7SJussi Kivilinna * the Free Software Foundation; either version 2 of the License, or
9d9b1d2e7SJussi Kivilinna * (at your option) any later version.
10d9b1d2e7SJussi Kivilinna *
11d9b1d2e7SJussi Kivilinna */
12d9b1d2e7SJussi Kivilinna
13d9b1d2e7SJussi Kivilinna/*
14d9b1d2e7SJussi Kivilinna * Version licensed under 2-clause BSD License is available at:
15d9b1d2e7SJussi Kivilinna *	http://koti.mbnet.fi/axh/crypto/camellia-BSD-1.2.0-aesni1.tar.xz
16d9b1d2e7SJussi Kivilinna */
17d9b1d2e7SJussi Kivilinna
1859990684SJussi Kivilinna#include <linux/linkage.h>
198691ccd7SJosh Poimboeuf#include <asm/frame.h>
2059990684SJussi Kivilinna
21d9b1d2e7SJussi Kivilinna#define CAMELLIA_TABLE_BYTE_LEN 272
22d9b1d2e7SJussi Kivilinna
23d9b1d2e7SJussi Kivilinna/* struct camellia_ctx: */
24d9b1d2e7SJussi Kivilinna#define key_table 0
25d9b1d2e7SJussi Kivilinna#define key_length CAMELLIA_TABLE_BYTE_LEN
26d9b1d2e7SJussi Kivilinna
27d9b1d2e7SJussi Kivilinna/* register macros */
28d9b1d2e7SJussi Kivilinna#define CTX %rdi
29d9b1d2e7SJussi Kivilinna
30d9b1d2e7SJussi Kivilinna/**********************************************************************
31d9b1d2e7SJussi Kivilinna  16-way camellia
32d9b1d2e7SJussi Kivilinna **********************************************************************/
33d9b1d2e7SJussi Kivilinna#define filter_8bit(x, lo_t, hi_t, mask4bit, tmp0) \
34d9b1d2e7SJussi Kivilinna	vpand x, mask4bit, tmp0; \
35d9b1d2e7SJussi Kivilinna	vpandn x, mask4bit, x; \
36d9b1d2e7SJussi Kivilinna	vpsrld $4, x, x; \
37d9b1d2e7SJussi Kivilinna	\
38d9b1d2e7SJussi Kivilinna	vpshufb tmp0, lo_t, tmp0; \
39d9b1d2e7SJussi Kivilinna	vpshufb x, hi_t, x; \
40d9b1d2e7SJussi Kivilinna	vpxor tmp0, x, x;
41d9b1d2e7SJussi Kivilinna
42d9b1d2e7SJussi Kivilinna/*
43d9b1d2e7SJussi Kivilinna * IN:
44d9b1d2e7SJussi Kivilinna *   x0..x7: byte-sliced AB state
45d9b1d2e7SJussi Kivilinna *   mem_cd: register pointer storing CD state
46d9b1d2e7SJussi Kivilinna *   key: index for key material
47d9b1d2e7SJussi Kivilinna * OUT:
48d9b1d2e7SJussi Kivilinna *   x0..x7: new byte-sliced CD state
49d9b1d2e7SJussi Kivilinna */
50d9b1d2e7SJussi Kivilinna#define roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, t0, t1, t2, t3, t4, t5, t6, \
51d9b1d2e7SJussi Kivilinna		  t7, mem_cd, key) \
52d9b1d2e7SJussi Kivilinna	/* \
53d9b1d2e7SJussi Kivilinna	 * S-function with AES subbytes \
54d9b1d2e7SJussi Kivilinna	 */ \
55*24ff1e9dSArd Biesheuvel	vmovdqa .Linv_shift_row(%rip), t4; \
56*24ff1e9dSArd Biesheuvel	vbroadcastss .L0f0f0f0f(%rip), t7; \
57*24ff1e9dSArd Biesheuvel	vmovdqa .Lpre_tf_lo_s1(%rip), t0; \
58*24ff1e9dSArd Biesheuvel	vmovdqa .Lpre_tf_hi_s1(%rip), t1; \
59d9b1d2e7SJussi Kivilinna	\
60d9b1d2e7SJussi Kivilinna	/* AES inverse shift rows */ \
61d9b1d2e7SJussi Kivilinna	vpshufb t4, x0, x0; \
62d9b1d2e7SJussi Kivilinna	vpshufb t4, x7, x7; \
63d9b1d2e7SJussi Kivilinna	vpshufb t4, x1, x1; \
64d9b1d2e7SJussi Kivilinna	vpshufb t4, x4, x4; \
65d9b1d2e7SJussi Kivilinna	vpshufb t4, x2, x2; \
66d9b1d2e7SJussi Kivilinna	vpshufb t4, x5, x5; \
67d9b1d2e7SJussi Kivilinna	vpshufb t4, x3, x3; \
68d9b1d2e7SJussi Kivilinna	vpshufb t4, x6, x6; \
69d9b1d2e7SJussi Kivilinna	\
70d9b1d2e7SJussi Kivilinna	/* prefilter sboxes 1, 2 and 3 */ \
71*24ff1e9dSArd Biesheuvel	vmovdqa .Lpre_tf_lo_s4(%rip), t2; \
72*24ff1e9dSArd Biesheuvel	vmovdqa .Lpre_tf_hi_s4(%rip), t3; \
73d9b1d2e7SJussi Kivilinna	filter_8bit(x0, t0, t1, t7, t6); \
74d9b1d2e7SJussi Kivilinna	filter_8bit(x7, t0, t1, t7, t6); \
75d9b1d2e7SJussi Kivilinna	filter_8bit(x1, t0, t1, t7, t6); \
76d9b1d2e7SJussi Kivilinna	filter_8bit(x4, t0, t1, t7, t6); \
77d9b1d2e7SJussi Kivilinna	filter_8bit(x2, t0, t1, t7, t6); \
78d9b1d2e7SJussi Kivilinna	filter_8bit(x5, t0, t1, t7, t6); \
79d9b1d2e7SJussi Kivilinna	\
80d9b1d2e7SJussi Kivilinna	/* prefilter sbox 4 */ \
81d9b1d2e7SJussi Kivilinna	vpxor t4, t4, t4; \
82d9b1d2e7SJussi Kivilinna	filter_8bit(x3, t2, t3, t7, t6); \
83d9b1d2e7SJussi Kivilinna	filter_8bit(x6, t2, t3, t7, t6); \
84d9b1d2e7SJussi Kivilinna	\
85d9b1d2e7SJussi Kivilinna	/* AES subbytes + AES shift rows */ \
86*24ff1e9dSArd Biesheuvel	vmovdqa .Lpost_tf_lo_s1(%rip), t0; \
87*24ff1e9dSArd Biesheuvel	vmovdqa .Lpost_tf_hi_s1(%rip), t1; \
88d9b1d2e7SJussi Kivilinna	vaesenclast t4, x0, x0; \
89d9b1d2e7SJussi Kivilinna	vaesenclast t4, x7, x7; \
90d9b1d2e7SJussi Kivilinna	vaesenclast t4, x1, x1; \
91d9b1d2e7SJussi Kivilinna	vaesenclast t4, x4, x4; \
92d9b1d2e7SJussi Kivilinna	vaesenclast t4, x2, x2; \
93d9b1d2e7SJussi Kivilinna	vaesenclast t4, x5, x5; \
94d9b1d2e7SJussi Kivilinna	vaesenclast t4, x3, x3; \
95d9b1d2e7SJussi Kivilinna	vaesenclast t4, x6, x6; \
96d9b1d2e7SJussi Kivilinna	\
97d9b1d2e7SJussi Kivilinna	/* postfilter sboxes 1 and 4 */ \
98*24ff1e9dSArd Biesheuvel	vmovdqa .Lpost_tf_lo_s3(%rip), t2; \
99*24ff1e9dSArd Biesheuvel	vmovdqa .Lpost_tf_hi_s3(%rip), t3; \
100d9b1d2e7SJussi Kivilinna	filter_8bit(x0, t0, t1, t7, t6); \
101d9b1d2e7SJussi Kivilinna	filter_8bit(x7, t0, t1, t7, t6); \
102d9b1d2e7SJussi Kivilinna	filter_8bit(x3, t0, t1, t7, t6); \
103d9b1d2e7SJussi Kivilinna	filter_8bit(x6, t0, t1, t7, t6); \
104d9b1d2e7SJussi Kivilinna	\
105d9b1d2e7SJussi Kivilinna	/* postfilter sbox 3 */ \
106*24ff1e9dSArd Biesheuvel	vmovdqa .Lpost_tf_lo_s2(%rip), t4; \
107*24ff1e9dSArd Biesheuvel	vmovdqa .Lpost_tf_hi_s2(%rip), t5; \
108d9b1d2e7SJussi Kivilinna	filter_8bit(x2, t2, t3, t7, t6); \
109d9b1d2e7SJussi Kivilinna	filter_8bit(x5, t2, t3, t7, t6); \
110d9b1d2e7SJussi Kivilinna	\
111d9b1d2e7SJussi Kivilinna	vpxor t6, t6, t6; \
112d9b1d2e7SJussi Kivilinna	vmovq key, t0; \
113d9b1d2e7SJussi Kivilinna	\
114d9b1d2e7SJussi Kivilinna	/* postfilter sbox 2 */ \
115d9b1d2e7SJussi Kivilinna	filter_8bit(x1, t4, t5, t7, t2); \
116d9b1d2e7SJussi Kivilinna	filter_8bit(x4, t4, t5, t7, t2); \
117d9b1d2e7SJussi Kivilinna	\
118d9b1d2e7SJussi Kivilinna	vpsrldq $5, t0, t5; \
119d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t1; \
120d9b1d2e7SJussi Kivilinna	vpsrldq $2, t0, t2; \
121d9b1d2e7SJussi Kivilinna	vpsrldq $3, t0, t3; \
122d9b1d2e7SJussi Kivilinna	vpsrldq $4, t0, t4; \
123d9b1d2e7SJussi Kivilinna	vpshufb t6, t0, t0; \
124d9b1d2e7SJussi Kivilinna	vpshufb t6, t1, t1; \
125d9b1d2e7SJussi Kivilinna	vpshufb t6, t2, t2; \
126d9b1d2e7SJussi Kivilinna	vpshufb t6, t3, t3; \
127d9b1d2e7SJussi Kivilinna	vpshufb t6, t4, t4; \
128d9b1d2e7SJussi Kivilinna	vpsrldq $2, t5, t7; \
129d9b1d2e7SJussi Kivilinna	vpshufb t6, t7, t7; \
130d9b1d2e7SJussi Kivilinna	\
131d9b1d2e7SJussi Kivilinna	/* \
132d9b1d2e7SJussi Kivilinna	 * P-function \
133d9b1d2e7SJussi Kivilinna	 */ \
134d9b1d2e7SJussi Kivilinna	vpxor x5, x0, x0; \
135d9b1d2e7SJussi Kivilinna	vpxor x6, x1, x1; \
136d9b1d2e7SJussi Kivilinna	vpxor x7, x2, x2; \
137d9b1d2e7SJussi Kivilinna	vpxor x4, x3, x3; \
138d9b1d2e7SJussi Kivilinna	\
139d9b1d2e7SJussi Kivilinna	vpxor x2, x4, x4; \
140d9b1d2e7SJussi Kivilinna	vpxor x3, x5, x5; \
141d9b1d2e7SJussi Kivilinna	vpxor x0, x6, x6; \
142d9b1d2e7SJussi Kivilinna	vpxor x1, x7, x7; \
143d9b1d2e7SJussi Kivilinna	\
144d9b1d2e7SJussi Kivilinna	vpxor x7, x0, x0; \
145d9b1d2e7SJussi Kivilinna	vpxor x4, x1, x1; \
146d9b1d2e7SJussi Kivilinna	vpxor x5, x2, x2; \
147d9b1d2e7SJussi Kivilinna	vpxor x6, x3, x3; \
148d9b1d2e7SJussi Kivilinna	\
149d9b1d2e7SJussi Kivilinna	vpxor x3, x4, x4; \
150d9b1d2e7SJussi Kivilinna	vpxor x0, x5, x5; \
151d9b1d2e7SJussi Kivilinna	vpxor x1, x6, x6; \
152d9b1d2e7SJussi Kivilinna	vpxor x2, x7, x7; /* note: high and low parts swapped */ \
153d9b1d2e7SJussi Kivilinna	\
154d9b1d2e7SJussi Kivilinna	/* \
155d9b1d2e7SJussi Kivilinna	 * Add key material and result to CD (x becomes new CD) \
156d9b1d2e7SJussi Kivilinna	 */ \
157d9b1d2e7SJussi Kivilinna	\
158d9b1d2e7SJussi Kivilinna	vpxor t3, x4, x4; \
159d9b1d2e7SJussi Kivilinna	vpxor 0 * 16(mem_cd), x4, x4; \
160d9b1d2e7SJussi Kivilinna	\
161d9b1d2e7SJussi Kivilinna	vpxor t2, x5, x5; \
162d9b1d2e7SJussi Kivilinna	vpxor 1 * 16(mem_cd), x5, x5; \
163d9b1d2e7SJussi Kivilinna	\
164d9b1d2e7SJussi Kivilinna	vpsrldq $1, t5, t3; \
165d9b1d2e7SJussi Kivilinna	vpshufb t6, t5, t5; \
166d9b1d2e7SJussi Kivilinna	vpshufb t6, t3, t6; \
167d9b1d2e7SJussi Kivilinna	\
168d9b1d2e7SJussi Kivilinna	vpxor t1, x6, x6; \
169d9b1d2e7SJussi Kivilinna	vpxor 2 * 16(mem_cd), x6, x6; \
170d9b1d2e7SJussi Kivilinna	\
171d9b1d2e7SJussi Kivilinna	vpxor t0, x7, x7; \
172d9b1d2e7SJussi Kivilinna	vpxor 3 * 16(mem_cd), x7, x7; \
173d9b1d2e7SJussi Kivilinna	\
174d9b1d2e7SJussi Kivilinna	vpxor t7, x0, x0; \
175d9b1d2e7SJussi Kivilinna	vpxor 4 * 16(mem_cd), x0, x0; \
176d9b1d2e7SJussi Kivilinna	\
177d9b1d2e7SJussi Kivilinna	vpxor t6, x1, x1; \
178d9b1d2e7SJussi Kivilinna	vpxor 5 * 16(mem_cd), x1, x1; \
179d9b1d2e7SJussi Kivilinna	\
180d9b1d2e7SJussi Kivilinna	vpxor t5, x2, x2; \
181d9b1d2e7SJussi Kivilinna	vpxor 6 * 16(mem_cd), x2, x2; \
182d9b1d2e7SJussi Kivilinna	\
183d9b1d2e7SJussi Kivilinna	vpxor t4, x3, x3; \
184d9b1d2e7SJussi Kivilinna	vpxor 7 * 16(mem_cd), x3, x3;
185d9b1d2e7SJussi Kivilinna
186d9b1d2e7SJussi Kivilinna/*
187d9b1d2e7SJussi Kivilinna * Size optimization... with inlined roundsm16, binary would be over 5 times
188d9b1d2e7SJussi Kivilinna * larger and would only be 0.5% faster (on sandy-bridge).
189d9b1d2e7SJussi Kivilinna */
190d9b1d2e7SJussi Kivilinna.align 8
19174d8b90aSJiri SlabySYM_FUNC_START_LOCAL(roundsm16_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd)
192d9b1d2e7SJussi Kivilinna	roundsm16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
193d9b1d2e7SJussi Kivilinna		  %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14, %xmm15,
194d9b1d2e7SJussi Kivilinna		  %rcx, (%r9));
195f94909ceSPeter Zijlstra	RET;
19674d8b90aSJiri SlabySYM_FUNC_END(roundsm16_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd)
197d9b1d2e7SJussi Kivilinna
198d9b1d2e7SJussi Kivilinna.align 8
19974d8b90aSJiri SlabySYM_FUNC_START_LOCAL(roundsm16_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab)
200d9b1d2e7SJussi Kivilinna	roundsm16(%xmm4, %xmm5, %xmm6, %xmm7, %xmm0, %xmm1, %xmm2, %xmm3,
201d9b1d2e7SJussi Kivilinna		  %xmm12, %xmm13, %xmm14, %xmm15, %xmm8, %xmm9, %xmm10, %xmm11,
202d9b1d2e7SJussi Kivilinna		  %rax, (%r9));
203f94909ceSPeter Zijlstra	RET;
20474d8b90aSJiri SlabySYM_FUNC_END(roundsm16_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab)
205d9b1d2e7SJussi Kivilinna
206d9b1d2e7SJussi Kivilinna/*
207d9b1d2e7SJussi Kivilinna * IN/OUT:
208d9b1d2e7SJussi Kivilinna *  x0..x7: byte-sliced AB state preloaded
209d9b1d2e7SJussi Kivilinna *  mem_ab: byte-sliced AB state in memory
210d9b1d2e7SJussi Kivilinna *  mem_cb: byte-sliced CD state in memory
211d9b1d2e7SJussi Kivilinna */
212d9b1d2e7SJussi Kivilinna#define two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
213d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, i, dir, store_ab) \
214d9b1d2e7SJussi Kivilinna	leaq (key_table + (i) * 8)(CTX), %r9; \
215d9b1d2e7SJussi Kivilinna	call roundsm16_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd; \
216d9b1d2e7SJussi Kivilinna	\
217d9b1d2e7SJussi Kivilinna	vmovdqu x4, 0 * 16(mem_cd); \
218d9b1d2e7SJussi Kivilinna	vmovdqu x5, 1 * 16(mem_cd); \
219d9b1d2e7SJussi Kivilinna	vmovdqu x6, 2 * 16(mem_cd); \
220d9b1d2e7SJussi Kivilinna	vmovdqu x7, 3 * 16(mem_cd); \
221d9b1d2e7SJussi Kivilinna	vmovdqu x0, 4 * 16(mem_cd); \
222d9b1d2e7SJussi Kivilinna	vmovdqu x1, 5 * 16(mem_cd); \
223d9b1d2e7SJussi Kivilinna	vmovdqu x2, 6 * 16(mem_cd); \
224d9b1d2e7SJussi Kivilinna	vmovdqu x3, 7 * 16(mem_cd); \
225d9b1d2e7SJussi Kivilinna	\
226d9b1d2e7SJussi Kivilinna	leaq (key_table + ((i) + (dir)) * 8)(CTX), %r9; \
227d9b1d2e7SJussi Kivilinna	call roundsm16_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab; \
228d9b1d2e7SJussi Kivilinna	\
229d9b1d2e7SJussi Kivilinna	store_ab(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab);
230d9b1d2e7SJussi Kivilinna
231d9b1d2e7SJussi Kivilinna#define dummy_store(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) /* do nothing */
232d9b1d2e7SJussi Kivilinna
233d9b1d2e7SJussi Kivilinna#define store_ab_state(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) \
234d9b1d2e7SJussi Kivilinna	/* Store new AB state */ \
235d9b1d2e7SJussi Kivilinna	vmovdqu x0, 0 * 16(mem_ab); \
236d9b1d2e7SJussi Kivilinna	vmovdqu x1, 1 * 16(mem_ab); \
237d9b1d2e7SJussi Kivilinna	vmovdqu x2, 2 * 16(mem_ab); \
238d9b1d2e7SJussi Kivilinna	vmovdqu x3, 3 * 16(mem_ab); \
239d9b1d2e7SJussi Kivilinna	vmovdqu x4, 4 * 16(mem_ab); \
240d9b1d2e7SJussi Kivilinna	vmovdqu x5, 5 * 16(mem_ab); \
241d9b1d2e7SJussi Kivilinna	vmovdqu x6, 6 * 16(mem_ab); \
242d9b1d2e7SJussi Kivilinna	vmovdqu x7, 7 * 16(mem_ab);
243d9b1d2e7SJussi Kivilinna
244d9b1d2e7SJussi Kivilinna#define enc_rounds16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
245d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, i) \
246d9b1d2e7SJussi Kivilinna	two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
247d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 2, 1, store_ab_state); \
248d9b1d2e7SJussi Kivilinna	two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
249d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 4, 1, store_ab_state); \
250d9b1d2e7SJussi Kivilinna	two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
251d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 6, 1, dummy_store);
252d9b1d2e7SJussi Kivilinna
253d9b1d2e7SJussi Kivilinna#define dec_rounds16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
254d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, i) \
255d9b1d2e7SJussi Kivilinna	two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
256d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 7, -1, store_ab_state); \
257d9b1d2e7SJussi Kivilinna	two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
258d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 5, -1, store_ab_state); \
259d9b1d2e7SJussi Kivilinna	two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
260d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 3, -1, dummy_store);
261d9b1d2e7SJussi Kivilinna
262d9b1d2e7SJussi Kivilinna/*
263d9b1d2e7SJussi Kivilinna * IN:
264d9b1d2e7SJussi Kivilinna *  v0..3: byte-sliced 32-bit integers
265d9b1d2e7SJussi Kivilinna * OUT:
266d9b1d2e7SJussi Kivilinna *  v0..3: (IN <<< 1)
267d9b1d2e7SJussi Kivilinna */
268d9b1d2e7SJussi Kivilinna#define rol32_1_16(v0, v1, v2, v3, t0, t1, t2, zero) \
269d9b1d2e7SJussi Kivilinna	vpcmpgtb v0, zero, t0; \
270d9b1d2e7SJussi Kivilinna	vpaddb v0, v0, v0; \
271d9b1d2e7SJussi Kivilinna	vpabsb t0, t0; \
272d9b1d2e7SJussi Kivilinna	\
273d9b1d2e7SJussi Kivilinna	vpcmpgtb v1, zero, t1; \
274d9b1d2e7SJussi Kivilinna	vpaddb v1, v1, v1; \
275d9b1d2e7SJussi Kivilinna	vpabsb t1, t1; \
276d9b1d2e7SJussi Kivilinna	\
277d9b1d2e7SJussi Kivilinna	vpcmpgtb v2, zero, t2; \
278d9b1d2e7SJussi Kivilinna	vpaddb v2, v2, v2; \
279d9b1d2e7SJussi Kivilinna	vpabsb t2, t2; \
280d9b1d2e7SJussi Kivilinna	\
281d9b1d2e7SJussi Kivilinna	vpor t0, v1, v1; \
282d9b1d2e7SJussi Kivilinna	\
283d9b1d2e7SJussi Kivilinna	vpcmpgtb v3, zero, t0; \
284d9b1d2e7SJussi Kivilinna	vpaddb v3, v3, v3; \
285d9b1d2e7SJussi Kivilinna	vpabsb t0, t0; \
286d9b1d2e7SJussi Kivilinna	\
287d9b1d2e7SJussi Kivilinna	vpor t1, v2, v2; \
288d9b1d2e7SJussi Kivilinna	vpor t2, v3, v3; \
289d9b1d2e7SJussi Kivilinna	vpor t0, v0, v0;
290d9b1d2e7SJussi Kivilinna
291d9b1d2e7SJussi Kivilinna/*
292d9b1d2e7SJussi Kivilinna * IN:
293d9b1d2e7SJussi Kivilinna *   r: byte-sliced AB state in memory
294d9b1d2e7SJussi Kivilinna *   l: byte-sliced CD state in memory
295d9b1d2e7SJussi Kivilinna * OUT:
296d9b1d2e7SJussi Kivilinna *   x0..x7: new byte-sliced CD state
297d9b1d2e7SJussi Kivilinna */
298d9b1d2e7SJussi Kivilinna#define fls16(l, l0, l1, l2, l3, l4, l5, l6, l7, r, t0, t1, t2, t3, tt0, \
299d9b1d2e7SJussi Kivilinna	      tt1, tt2, tt3, kll, klr, krl, krr) \
300d9b1d2e7SJussi Kivilinna	/* \
301d9b1d2e7SJussi Kivilinna	 * t0 = kll; \
302d9b1d2e7SJussi Kivilinna	 * t0 &= ll; \
303d9b1d2e7SJussi Kivilinna	 * lr ^= rol32(t0, 1); \
304d9b1d2e7SJussi Kivilinna	 */ \
305d9b1d2e7SJussi Kivilinna	vpxor tt0, tt0, tt0; \
306d9b1d2e7SJussi Kivilinna	vmovd kll, t0; \
307d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t3; \
308d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
309d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t2; \
310d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
311d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t1; \
312d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
313d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t0; \
314d9b1d2e7SJussi Kivilinna	\
315d9b1d2e7SJussi Kivilinna	vpand l0, t0, t0; \
316d9b1d2e7SJussi Kivilinna	vpand l1, t1, t1; \
317d9b1d2e7SJussi Kivilinna	vpand l2, t2, t2; \
318d9b1d2e7SJussi Kivilinna	vpand l3, t3, t3; \
319d9b1d2e7SJussi Kivilinna	\
320d9b1d2e7SJussi Kivilinna	rol32_1_16(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
321d9b1d2e7SJussi Kivilinna	\
322d9b1d2e7SJussi Kivilinna	vpxor l4, t0, l4; \
323d9b1d2e7SJussi Kivilinna	vmovdqu l4, 4 * 16(l); \
324d9b1d2e7SJussi Kivilinna	vpxor l5, t1, l5; \
325d9b1d2e7SJussi Kivilinna	vmovdqu l5, 5 * 16(l); \
326d9b1d2e7SJussi Kivilinna	vpxor l6, t2, l6; \
327d9b1d2e7SJussi Kivilinna	vmovdqu l6, 6 * 16(l); \
328d9b1d2e7SJussi Kivilinna	vpxor l7, t3, l7; \
329d9b1d2e7SJussi Kivilinna	vmovdqu l7, 7 * 16(l); \
330d9b1d2e7SJussi Kivilinna	\
331d9b1d2e7SJussi Kivilinna	/* \
332d9b1d2e7SJussi Kivilinna	 * t2 = krr; \
333d9b1d2e7SJussi Kivilinna	 * t2 |= rr; \
334d9b1d2e7SJussi Kivilinna	 * rl ^= t2; \
335d9b1d2e7SJussi Kivilinna	 */ \
336d9b1d2e7SJussi Kivilinna	\
337d9b1d2e7SJussi Kivilinna	vmovd krr, t0; \
338d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t3; \
339d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
340d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t2; \
341d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
342d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t1; \
343d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
344d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t0; \
345d9b1d2e7SJussi Kivilinna	\
346d9b1d2e7SJussi Kivilinna	vpor 4 * 16(r), t0, t0; \
347d9b1d2e7SJussi Kivilinna	vpor 5 * 16(r), t1, t1; \
348d9b1d2e7SJussi Kivilinna	vpor 6 * 16(r), t2, t2; \
349d9b1d2e7SJussi Kivilinna	vpor 7 * 16(r), t3, t3; \
350d9b1d2e7SJussi Kivilinna	\
351d9b1d2e7SJussi Kivilinna	vpxor 0 * 16(r), t0, t0; \
352d9b1d2e7SJussi Kivilinna	vpxor 1 * 16(r), t1, t1; \
353d9b1d2e7SJussi Kivilinna	vpxor 2 * 16(r), t2, t2; \
354d9b1d2e7SJussi Kivilinna	vpxor 3 * 16(r), t3, t3; \
355d9b1d2e7SJussi Kivilinna	vmovdqu t0, 0 * 16(r); \
356d9b1d2e7SJussi Kivilinna	vmovdqu t1, 1 * 16(r); \
357d9b1d2e7SJussi Kivilinna	vmovdqu t2, 2 * 16(r); \
358d9b1d2e7SJussi Kivilinna	vmovdqu t3, 3 * 16(r); \
359d9b1d2e7SJussi Kivilinna	\
360d9b1d2e7SJussi Kivilinna	/* \
361d9b1d2e7SJussi Kivilinna	 * t2 = krl; \
362d9b1d2e7SJussi Kivilinna	 * t2 &= rl; \
363d9b1d2e7SJussi Kivilinna	 * rr ^= rol32(t2, 1); \
364d9b1d2e7SJussi Kivilinna	 */ \
365d9b1d2e7SJussi Kivilinna	vmovd krl, t0; \
366d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t3; \
367d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
368d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t2; \
369d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
370d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t1; \
371d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
372d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t0; \
373d9b1d2e7SJussi Kivilinna	\
374d9b1d2e7SJussi Kivilinna	vpand 0 * 16(r), t0, t0; \
375d9b1d2e7SJussi Kivilinna	vpand 1 * 16(r), t1, t1; \
376d9b1d2e7SJussi Kivilinna	vpand 2 * 16(r), t2, t2; \
377d9b1d2e7SJussi Kivilinna	vpand 3 * 16(r), t3, t3; \
378d9b1d2e7SJussi Kivilinna	\
379d9b1d2e7SJussi Kivilinna	rol32_1_16(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
380d9b1d2e7SJussi Kivilinna	\
381d9b1d2e7SJussi Kivilinna	vpxor 4 * 16(r), t0, t0; \
382d9b1d2e7SJussi Kivilinna	vpxor 5 * 16(r), t1, t1; \
383d9b1d2e7SJussi Kivilinna	vpxor 6 * 16(r), t2, t2; \
384d9b1d2e7SJussi Kivilinna	vpxor 7 * 16(r), t3, t3; \
385d9b1d2e7SJussi Kivilinna	vmovdqu t0, 4 * 16(r); \
386d9b1d2e7SJussi Kivilinna	vmovdqu t1, 5 * 16(r); \
387d9b1d2e7SJussi Kivilinna	vmovdqu t2, 6 * 16(r); \
388d9b1d2e7SJussi Kivilinna	vmovdqu t3, 7 * 16(r); \
389d9b1d2e7SJussi Kivilinna	\
390d9b1d2e7SJussi Kivilinna	/* \
391d9b1d2e7SJussi Kivilinna	 * t0 = klr; \
392d9b1d2e7SJussi Kivilinna	 * t0 |= lr; \
393d9b1d2e7SJussi Kivilinna	 * ll ^= t0; \
394d9b1d2e7SJussi Kivilinna	 */ \
395d9b1d2e7SJussi Kivilinna	\
396d9b1d2e7SJussi Kivilinna	vmovd klr, t0; \
397d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t3; \
398d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
399d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t2; \
400d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
401d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t1; \
402d9b1d2e7SJussi Kivilinna	vpsrldq $1, t0, t0; \
403d9b1d2e7SJussi Kivilinna	vpshufb tt0, t0, t0; \
404d9b1d2e7SJussi Kivilinna	\
405d9b1d2e7SJussi Kivilinna	vpor l4, t0, t0; \
406d9b1d2e7SJussi Kivilinna	vpor l5, t1, t1; \
407d9b1d2e7SJussi Kivilinna	vpor l6, t2, t2; \
408d9b1d2e7SJussi Kivilinna	vpor l7, t3, t3; \
409d9b1d2e7SJussi Kivilinna	\
410d9b1d2e7SJussi Kivilinna	vpxor l0, t0, l0; \
411d9b1d2e7SJussi Kivilinna	vmovdqu l0, 0 * 16(l); \
412d9b1d2e7SJussi Kivilinna	vpxor l1, t1, l1; \
413d9b1d2e7SJussi Kivilinna	vmovdqu l1, 1 * 16(l); \
414d9b1d2e7SJussi Kivilinna	vpxor l2, t2, l2; \
415d9b1d2e7SJussi Kivilinna	vmovdqu l2, 2 * 16(l); \
416d9b1d2e7SJussi Kivilinna	vpxor l3, t3, l3; \
417d9b1d2e7SJussi Kivilinna	vmovdqu l3, 3 * 16(l);
418d9b1d2e7SJussi Kivilinna
419d9b1d2e7SJussi Kivilinna#define transpose_4x4(x0, x1, x2, x3, t1, t2) \
420d9b1d2e7SJussi Kivilinna	vpunpckhdq x1, x0, t2; \
421d9b1d2e7SJussi Kivilinna	vpunpckldq x1, x0, x0; \
422d9b1d2e7SJussi Kivilinna	\
423d9b1d2e7SJussi Kivilinna	vpunpckldq x3, x2, t1; \
424d9b1d2e7SJussi Kivilinna	vpunpckhdq x3, x2, x2; \
425d9b1d2e7SJussi Kivilinna	\
426d9b1d2e7SJussi Kivilinna	vpunpckhqdq t1, x0, x1; \
427d9b1d2e7SJussi Kivilinna	vpunpcklqdq t1, x0, x0; \
428d9b1d2e7SJussi Kivilinna	\
429d9b1d2e7SJussi Kivilinna	vpunpckhqdq x2, t2, x3; \
430d9b1d2e7SJussi Kivilinna	vpunpcklqdq x2, t2, x2;
431d9b1d2e7SJussi Kivilinna
432d9b1d2e7SJussi Kivilinna#define byteslice_16x16b(a0, b0, c0, d0, a1, b1, c1, d1, a2, b2, c2, d2, a3, \
433d9b1d2e7SJussi Kivilinna			 b3, c3, d3, st0, st1) \
434d9b1d2e7SJussi Kivilinna	vmovdqu d2, st0; \
435d9b1d2e7SJussi Kivilinna	vmovdqu d3, st1; \
436d9b1d2e7SJussi Kivilinna	transpose_4x4(a0, a1, a2, a3, d2, d3); \
437d9b1d2e7SJussi Kivilinna	transpose_4x4(b0, b1, b2, b3, d2, d3); \
438d9b1d2e7SJussi Kivilinna	vmovdqu st0, d2; \
439d9b1d2e7SJussi Kivilinna	vmovdqu st1, d3; \
440d9b1d2e7SJussi Kivilinna	\
441d9b1d2e7SJussi Kivilinna	vmovdqu a0, st0; \
442d9b1d2e7SJussi Kivilinna	vmovdqu a1, st1; \
443d9b1d2e7SJussi Kivilinna	transpose_4x4(c0, c1, c2, c3, a0, a1); \
444d9b1d2e7SJussi Kivilinna	transpose_4x4(d0, d1, d2, d3, a0, a1); \
445d9b1d2e7SJussi Kivilinna	\
446*24ff1e9dSArd Biesheuvel	vmovdqu .Lshufb_16x16b(%rip), a0; \
447d9b1d2e7SJussi Kivilinna	vmovdqu st1, a1; \
448d9b1d2e7SJussi Kivilinna	vpshufb a0, a2, a2; \
449d9b1d2e7SJussi Kivilinna	vpshufb a0, a3, a3; \
450d9b1d2e7SJussi Kivilinna	vpshufb a0, b0, b0; \
451d9b1d2e7SJussi Kivilinna	vpshufb a0, b1, b1; \
452d9b1d2e7SJussi Kivilinna	vpshufb a0, b2, b2; \
453d9b1d2e7SJussi Kivilinna	vpshufb a0, b3, b3; \
454d9b1d2e7SJussi Kivilinna	vpshufb a0, a1, a1; \
455d9b1d2e7SJussi Kivilinna	vpshufb a0, c0, c0; \
456d9b1d2e7SJussi Kivilinna	vpshufb a0, c1, c1; \
457d9b1d2e7SJussi Kivilinna	vpshufb a0, c2, c2; \
458d9b1d2e7SJussi Kivilinna	vpshufb a0, c3, c3; \
459d9b1d2e7SJussi Kivilinna	vpshufb a0, d0, d0; \
460d9b1d2e7SJussi Kivilinna	vpshufb a0, d1, d1; \
461d9b1d2e7SJussi Kivilinna	vpshufb a0, d2, d2; \
462d9b1d2e7SJussi Kivilinna	vpshufb a0, d3, d3; \
463d9b1d2e7SJussi Kivilinna	vmovdqu d3, st1; \
464d9b1d2e7SJussi Kivilinna	vmovdqu st0, d3; \
465d9b1d2e7SJussi Kivilinna	vpshufb a0, d3, a0; \
466d9b1d2e7SJussi Kivilinna	vmovdqu d2, st0; \
467d9b1d2e7SJussi Kivilinna	\
468d9b1d2e7SJussi Kivilinna	transpose_4x4(a0, b0, c0, d0, d2, d3); \
469d9b1d2e7SJussi Kivilinna	transpose_4x4(a1, b1, c1, d1, d2, d3); \
470d9b1d2e7SJussi Kivilinna	vmovdqu st0, d2; \
471d9b1d2e7SJussi Kivilinna	vmovdqu st1, d3; \
472d9b1d2e7SJussi Kivilinna	\
473d9b1d2e7SJussi Kivilinna	vmovdqu b0, st0; \
474d9b1d2e7SJussi Kivilinna	vmovdqu b1, st1; \
475d9b1d2e7SJussi Kivilinna	transpose_4x4(a2, b2, c2, d2, b0, b1); \
476d9b1d2e7SJussi Kivilinna	transpose_4x4(a3, b3, c3, d3, b0, b1); \
477d9b1d2e7SJussi Kivilinna	vmovdqu st0, b0; \
478d9b1d2e7SJussi Kivilinna	vmovdqu st1, b1; \
479d9b1d2e7SJussi Kivilinna	/* does not adjust output bytes inside vectors */
480d9b1d2e7SJussi Kivilinna
481d9b1d2e7SJussi Kivilinna/* load blocks to registers and apply pre-whitening */
482d9b1d2e7SJussi Kivilinna#define inpack16_pre(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
483d9b1d2e7SJussi Kivilinna		     y6, y7, rio, key) \
484d9b1d2e7SJussi Kivilinna	vmovq key, x0; \
485*24ff1e9dSArd Biesheuvel	vpshufb .Lpack_bswap(%rip), x0, x0; \
486d9b1d2e7SJussi Kivilinna	\
487d9b1d2e7SJussi Kivilinna	vpxor 0 * 16(rio), x0, y7; \
488d9b1d2e7SJussi Kivilinna	vpxor 1 * 16(rio), x0, y6; \
489d9b1d2e7SJussi Kivilinna	vpxor 2 * 16(rio), x0, y5; \
490d9b1d2e7SJussi Kivilinna	vpxor 3 * 16(rio), x0, y4; \
491d9b1d2e7SJussi Kivilinna	vpxor 4 * 16(rio), x0, y3; \
492d9b1d2e7SJussi Kivilinna	vpxor 5 * 16(rio), x0, y2; \
493d9b1d2e7SJussi Kivilinna	vpxor 6 * 16(rio), x0, y1; \
494d9b1d2e7SJussi Kivilinna	vpxor 7 * 16(rio), x0, y0; \
495d9b1d2e7SJussi Kivilinna	vpxor 8 * 16(rio), x0, x7; \
496d9b1d2e7SJussi Kivilinna	vpxor 9 * 16(rio), x0, x6; \
497d9b1d2e7SJussi Kivilinna	vpxor 10 * 16(rio), x0, x5; \
498d9b1d2e7SJussi Kivilinna	vpxor 11 * 16(rio), x0, x4; \
499d9b1d2e7SJussi Kivilinna	vpxor 12 * 16(rio), x0, x3; \
500d9b1d2e7SJussi Kivilinna	vpxor 13 * 16(rio), x0, x2; \
501d9b1d2e7SJussi Kivilinna	vpxor 14 * 16(rio), x0, x1; \
502d9b1d2e7SJussi Kivilinna	vpxor 15 * 16(rio), x0, x0;
503d9b1d2e7SJussi Kivilinna
504d9b1d2e7SJussi Kivilinna/* byteslice pre-whitened blocks and store to temporary memory */
505d9b1d2e7SJussi Kivilinna#define inpack16_post(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
506d9b1d2e7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd) \
507d9b1d2e7SJussi Kivilinna	byteslice_16x16b(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
508d9b1d2e7SJussi Kivilinna			 y5, y6, y7, (mem_ab), (mem_cd)); \
509d9b1d2e7SJussi Kivilinna	\
510d9b1d2e7SJussi Kivilinna	vmovdqu x0, 0 * 16(mem_ab); \
511d9b1d2e7SJussi Kivilinna	vmovdqu x1, 1 * 16(mem_ab); \
512d9b1d2e7SJussi Kivilinna	vmovdqu x2, 2 * 16(mem_ab); \
513d9b1d2e7SJussi Kivilinna	vmovdqu x3, 3 * 16(mem_ab); \
514d9b1d2e7SJussi Kivilinna	vmovdqu x4, 4 * 16(mem_ab); \
515d9b1d2e7SJussi Kivilinna	vmovdqu x5, 5 * 16(mem_ab); \
516d9b1d2e7SJussi Kivilinna	vmovdqu x6, 6 * 16(mem_ab); \
517d9b1d2e7SJussi Kivilinna	vmovdqu x7, 7 * 16(mem_ab); \
518d9b1d2e7SJussi Kivilinna	vmovdqu y0, 0 * 16(mem_cd); \
519d9b1d2e7SJussi Kivilinna	vmovdqu y1, 1 * 16(mem_cd); \
520d9b1d2e7SJussi Kivilinna	vmovdqu y2, 2 * 16(mem_cd); \
521d9b1d2e7SJussi Kivilinna	vmovdqu y3, 3 * 16(mem_cd); \
522d9b1d2e7SJussi Kivilinna	vmovdqu y4, 4 * 16(mem_cd); \
523d9b1d2e7SJussi Kivilinna	vmovdqu y5, 5 * 16(mem_cd); \
524d9b1d2e7SJussi Kivilinna	vmovdqu y6, 6 * 16(mem_cd); \
525d9b1d2e7SJussi Kivilinna	vmovdqu y7, 7 * 16(mem_cd);
526d9b1d2e7SJussi Kivilinna
527d9b1d2e7SJussi Kivilinna/* de-byteslice, apply post-whitening and store blocks */
528d9b1d2e7SJussi Kivilinna#define outunpack16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
529d9b1d2e7SJussi Kivilinna		    y5, y6, y7, key, stack_tmp0, stack_tmp1) \
530d9b1d2e7SJussi Kivilinna	byteslice_16x16b(y0, y4, x0, x4, y1, y5, x1, x5, y2, y6, x2, x6, y3, \
531d9b1d2e7SJussi Kivilinna			 y7, x3, x7, stack_tmp0, stack_tmp1); \
532d9b1d2e7SJussi Kivilinna	\
533d9b1d2e7SJussi Kivilinna	vmovdqu x0, stack_tmp0; \
534d9b1d2e7SJussi Kivilinna	\
535d9b1d2e7SJussi Kivilinna	vmovq key, x0; \
536*24ff1e9dSArd Biesheuvel	vpshufb .Lpack_bswap(%rip), x0, x0; \
537d9b1d2e7SJussi Kivilinna	\
538d9b1d2e7SJussi Kivilinna	vpxor x0, y7, y7; \
539d9b1d2e7SJussi Kivilinna	vpxor x0, y6, y6; \
540d9b1d2e7SJussi Kivilinna	vpxor x0, y5, y5; \
541d9b1d2e7SJussi Kivilinna	vpxor x0, y4, y4; \
542d9b1d2e7SJussi Kivilinna	vpxor x0, y3, y3; \
543d9b1d2e7SJussi Kivilinna	vpxor x0, y2, y2; \
544d9b1d2e7SJussi Kivilinna	vpxor x0, y1, y1; \
545d9b1d2e7SJussi Kivilinna	vpxor x0, y0, y0; \
546d9b1d2e7SJussi Kivilinna	vpxor x0, x7, x7; \
547d9b1d2e7SJussi Kivilinna	vpxor x0, x6, x6; \
548d9b1d2e7SJussi Kivilinna	vpxor x0, x5, x5; \
549d9b1d2e7SJussi Kivilinna	vpxor x0, x4, x4; \
550d9b1d2e7SJussi Kivilinna	vpxor x0, x3, x3; \
551d9b1d2e7SJussi Kivilinna	vpxor x0, x2, x2; \
552d9b1d2e7SJussi Kivilinna	vpxor x0, x1, x1; \
553d9b1d2e7SJussi Kivilinna	vpxor stack_tmp0, x0, x0;
554d9b1d2e7SJussi Kivilinna
555d9b1d2e7SJussi Kivilinna#define write_output(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
556d9b1d2e7SJussi Kivilinna		     y6, y7, rio) \
557d9b1d2e7SJussi Kivilinna	vmovdqu x0, 0 * 16(rio); \
558d9b1d2e7SJussi Kivilinna	vmovdqu x1, 1 * 16(rio); \
559d9b1d2e7SJussi Kivilinna	vmovdqu x2, 2 * 16(rio); \
560d9b1d2e7SJussi Kivilinna	vmovdqu x3, 3 * 16(rio); \
561d9b1d2e7SJussi Kivilinna	vmovdqu x4, 4 * 16(rio); \
562d9b1d2e7SJussi Kivilinna	vmovdqu x5, 5 * 16(rio); \
563d9b1d2e7SJussi Kivilinna	vmovdqu x6, 6 * 16(rio); \
564d9b1d2e7SJussi Kivilinna	vmovdqu x7, 7 * 16(rio); \
565d9b1d2e7SJussi Kivilinna	vmovdqu y0, 8 * 16(rio); \
566d9b1d2e7SJussi Kivilinna	vmovdqu y1, 9 * 16(rio); \
567d9b1d2e7SJussi Kivilinna	vmovdqu y2, 10 * 16(rio); \
568d9b1d2e7SJussi Kivilinna	vmovdqu y3, 11 * 16(rio); \
569d9b1d2e7SJussi Kivilinna	vmovdqu y4, 12 * 16(rio); \
570d9b1d2e7SJussi Kivilinna	vmovdqu y5, 13 * 16(rio); \
571d9b1d2e7SJussi Kivilinna	vmovdqu y6, 14 * 16(rio); \
572d9b1d2e7SJussi Kivilinna	vmovdqu y7, 15 * 16(rio);
573d9b1d2e7SJussi Kivilinna
574e183914aSDenys Vlasenko
575e183914aSDenys Vlasenko/* NB: section is mergeable, all elements must be aligned 16-byte blocks */
576e183914aSDenys Vlasenko.section	.rodata.cst16, "aM", @progbits, 16
577d9b1d2e7SJussi Kivilinna.align 16
578d9b1d2e7SJussi Kivilinna
579d9b1d2e7SJussi Kivilinna#define SHUFB_BYTES(idx) \
580d9b1d2e7SJussi Kivilinna	0 + (idx), 4 + (idx), 8 + (idx), 12 + (idx)
581d9b1d2e7SJussi Kivilinna
582d9b1d2e7SJussi Kivilinna.Lshufb_16x16b:
583d9b1d2e7SJussi Kivilinna	.byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3);
584d9b1d2e7SJussi Kivilinna
585d9b1d2e7SJussi Kivilinna.Lpack_bswap:
586d9b1d2e7SJussi Kivilinna	.long 0x00010203
587d9b1d2e7SJussi Kivilinna	.long 0x04050607
588d9b1d2e7SJussi Kivilinna	.long 0x80808080
589d9b1d2e7SJussi Kivilinna	.long 0x80808080
590d9b1d2e7SJussi Kivilinna
591d9b1d2e7SJussi Kivilinna/*
592d9b1d2e7SJussi Kivilinna * pre-SubByte transform
593d9b1d2e7SJussi Kivilinna *
594d9b1d2e7SJussi Kivilinna * pre-lookup for sbox1, sbox2, sbox3:
595d9b1d2e7SJussi Kivilinna *   swap_bitendianness(
596d9b1d2e7SJussi Kivilinna *       isom_map_camellia_to_aes(
597d9b1d2e7SJussi Kivilinna *           camellia_f(
598d9b1d2e7SJussi Kivilinna *               swap_bitendianess(in)
599d9b1d2e7SJussi Kivilinna *           )
600d9b1d2e7SJussi Kivilinna *       )
601d9b1d2e7SJussi Kivilinna *   )
602d9b1d2e7SJussi Kivilinna *
603d9b1d2e7SJussi Kivilinna * (note: '⊕ 0xc5' inside camellia_f())
604d9b1d2e7SJussi Kivilinna */
605d9b1d2e7SJussi Kivilinna.Lpre_tf_lo_s1:
606d9b1d2e7SJussi Kivilinna	.byte 0x45, 0xe8, 0x40, 0xed, 0x2e, 0x83, 0x2b, 0x86
607d9b1d2e7SJussi Kivilinna	.byte 0x4b, 0xe6, 0x4e, 0xe3, 0x20, 0x8d, 0x25, 0x88
608d9b1d2e7SJussi Kivilinna.Lpre_tf_hi_s1:
609d9b1d2e7SJussi Kivilinna	.byte 0x00, 0x51, 0xf1, 0xa0, 0x8a, 0xdb, 0x7b, 0x2a
610d9b1d2e7SJussi Kivilinna	.byte 0x09, 0x58, 0xf8, 0xa9, 0x83, 0xd2, 0x72, 0x23
611d9b1d2e7SJussi Kivilinna
612d9b1d2e7SJussi Kivilinna/*
613d9b1d2e7SJussi Kivilinna * pre-SubByte transform
614d9b1d2e7SJussi Kivilinna *
615d9b1d2e7SJussi Kivilinna * pre-lookup for sbox4:
616d9b1d2e7SJussi Kivilinna *   swap_bitendianness(
617d9b1d2e7SJussi Kivilinna *       isom_map_camellia_to_aes(
618d9b1d2e7SJussi Kivilinna *           camellia_f(
619d9b1d2e7SJussi Kivilinna *               swap_bitendianess(in <<< 1)
620d9b1d2e7SJussi Kivilinna *           )
621d9b1d2e7SJussi Kivilinna *       )
622d9b1d2e7SJussi Kivilinna *   )
623d9b1d2e7SJussi Kivilinna *
624d9b1d2e7SJussi Kivilinna * (note: '⊕ 0xc5' inside camellia_f())
625d9b1d2e7SJussi Kivilinna */
626d9b1d2e7SJussi Kivilinna.Lpre_tf_lo_s4:
627d9b1d2e7SJussi Kivilinna	.byte 0x45, 0x40, 0x2e, 0x2b, 0x4b, 0x4e, 0x20, 0x25
628d9b1d2e7SJussi Kivilinna	.byte 0x14, 0x11, 0x7f, 0x7a, 0x1a, 0x1f, 0x71, 0x74
629d9b1d2e7SJussi Kivilinna.Lpre_tf_hi_s4:
630d9b1d2e7SJussi Kivilinna	.byte 0x00, 0xf1, 0x8a, 0x7b, 0x09, 0xf8, 0x83, 0x72
631d9b1d2e7SJussi Kivilinna	.byte 0xad, 0x5c, 0x27, 0xd6, 0xa4, 0x55, 0x2e, 0xdf
632d9b1d2e7SJussi Kivilinna
633d9b1d2e7SJussi Kivilinna/*
634d9b1d2e7SJussi Kivilinna * post-SubByte transform
635d9b1d2e7SJussi Kivilinna *
636d9b1d2e7SJussi Kivilinna * post-lookup for sbox1, sbox4:
637d9b1d2e7SJussi Kivilinna *  swap_bitendianness(
638d9b1d2e7SJussi Kivilinna *      camellia_h(
639d9b1d2e7SJussi Kivilinna *          isom_map_aes_to_camellia(
640d9b1d2e7SJussi Kivilinna *              swap_bitendianness(
641d9b1d2e7SJussi Kivilinna *                  aes_inverse_affine_transform(in)
642d9b1d2e7SJussi Kivilinna *              )
643d9b1d2e7SJussi Kivilinna *          )
644d9b1d2e7SJussi Kivilinna *      )
645d9b1d2e7SJussi Kivilinna *  )
646d9b1d2e7SJussi Kivilinna *
647d9b1d2e7SJussi Kivilinna * (note: '⊕ 0x6e' inside camellia_h())
648d9b1d2e7SJussi Kivilinna */
649d9b1d2e7SJussi Kivilinna.Lpost_tf_lo_s1:
650d9b1d2e7SJussi Kivilinna	.byte 0x3c, 0xcc, 0xcf, 0x3f, 0x32, 0xc2, 0xc1, 0x31
651d9b1d2e7SJussi Kivilinna	.byte 0xdc, 0x2c, 0x2f, 0xdf, 0xd2, 0x22, 0x21, 0xd1
652d9b1d2e7SJussi Kivilinna.Lpost_tf_hi_s1:
653d9b1d2e7SJussi Kivilinna	.byte 0x00, 0xf9, 0x86, 0x7f, 0xd7, 0x2e, 0x51, 0xa8
654d9b1d2e7SJussi Kivilinna	.byte 0xa4, 0x5d, 0x22, 0xdb, 0x73, 0x8a, 0xf5, 0x0c
655d9b1d2e7SJussi Kivilinna
656d9b1d2e7SJussi Kivilinna/*
657d9b1d2e7SJussi Kivilinna * post-SubByte transform
658d9b1d2e7SJussi Kivilinna *
659d9b1d2e7SJussi Kivilinna * post-lookup for sbox2:
660d9b1d2e7SJussi Kivilinna *  swap_bitendianness(
661d9b1d2e7SJussi Kivilinna *      camellia_h(
662d9b1d2e7SJussi Kivilinna *          isom_map_aes_to_camellia(
663d9b1d2e7SJussi Kivilinna *              swap_bitendianness(
664d9b1d2e7SJussi Kivilinna *                  aes_inverse_affine_transform(in)
665d9b1d2e7SJussi Kivilinna *              )
666d9b1d2e7SJussi Kivilinna *          )
667d9b1d2e7SJussi Kivilinna *      )
668d9b1d2e7SJussi Kivilinna *  ) <<< 1
669d9b1d2e7SJussi Kivilinna *
670d9b1d2e7SJussi Kivilinna * (note: '⊕ 0x6e' inside camellia_h())
671d9b1d2e7SJussi Kivilinna */
672d9b1d2e7SJussi Kivilinna.Lpost_tf_lo_s2:
673d9b1d2e7SJussi Kivilinna	.byte 0x78, 0x99, 0x9f, 0x7e, 0x64, 0x85, 0x83, 0x62
674d9b1d2e7SJussi Kivilinna	.byte 0xb9, 0x58, 0x5e, 0xbf, 0xa5, 0x44, 0x42, 0xa3
675d9b1d2e7SJussi Kivilinna.Lpost_tf_hi_s2:
676d9b1d2e7SJussi Kivilinna	.byte 0x00, 0xf3, 0x0d, 0xfe, 0xaf, 0x5c, 0xa2, 0x51
677d9b1d2e7SJussi Kivilinna	.byte 0x49, 0xba, 0x44, 0xb7, 0xe6, 0x15, 0xeb, 0x18
678d9b1d2e7SJussi Kivilinna
679d9b1d2e7SJussi Kivilinna/*
680d9b1d2e7SJussi Kivilinna * post-SubByte transform
681d9b1d2e7SJussi Kivilinna *
682d9b1d2e7SJussi Kivilinna * post-lookup for sbox3:
683d9b1d2e7SJussi Kivilinna *  swap_bitendianness(
684d9b1d2e7SJussi Kivilinna *      camellia_h(
685d9b1d2e7SJussi Kivilinna *          isom_map_aes_to_camellia(
686d9b1d2e7SJussi Kivilinna *              swap_bitendianness(
687d9b1d2e7SJussi Kivilinna *                  aes_inverse_affine_transform(in)
688d9b1d2e7SJussi Kivilinna *              )
689d9b1d2e7SJussi Kivilinna *          )
690d9b1d2e7SJussi Kivilinna *      )
691d9b1d2e7SJussi Kivilinna *  ) >>> 1
692d9b1d2e7SJussi Kivilinna *
693d9b1d2e7SJussi Kivilinna * (note: '⊕ 0x6e' inside camellia_h())
694d9b1d2e7SJussi Kivilinna */
695d9b1d2e7SJussi Kivilinna.Lpost_tf_lo_s3:
696d9b1d2e7SJussi Kivilinna	.byte 0x1e, 0x66, 0xe7, 0x9f, 0x19, 0x61, 0xe0, 0x98
697d9b1d2e7SJussi Kivilinna	.byte 0x6e, 0x16, 0x97, 0xef, 0x69, 0x11, 0x90, 0xe8
698d9b1d2e7SJussi Kivilinna.Lpost_tf_hi_s3:
699d9b1d2e7SJussi Kivilinna	.byte 0x00, 0xfc, 0x43, 0xbf, 0xeb, 0x17, 0xa8, 0x54
700d9b1d2e7SJussi Kivilinna	.byte 0x52, 0xae, 0x11, 0xed, 0xb9, 0x45, 0xfa, 0x06
701d9b1d2e7SJussi Kivilinna
702d9b1d2e7SJussi Kivilinna/* For isolating SubBytes from AESENCLAST, inverse shift row */
703d9b1d2e7SJussi Kivilinna.Linv_shift_row:
704d9b1d2e7SJussi Kivilinna	.byte 0x00, 0x0d, 0x0a, 0x07, 0x04, 0x01, 0x0e, 0x0b
705d9b1d2e7SJussi Kivilinna	.byte 0x08, 0x05, 0x02, 0x0f, 0x0c, 0x09, 0x06, 0x03
706d9b1d2e7SJussi Kivilinna
707d9b1d2e7SJussi Kivilinna/* 4-bit mask */
708e183914aSDenys Vlasenko.section	.rodata.cst4.L0f0f0f0f, "aM", @progbits, 4
709d9b1d2e7SJussi Kivilinna.align 4
710d9b1d2e7SJussi Kivilinna.L0f0f0f0f:
711d9b1d2e7SJussi Kivilinna	.long 0x0f0f0f0f
712d9b1d2e7SJussi Kivilinna
713d9b1d2e7SJussi Kivilinna.text
714d9b1d2e7SJussi Kivilinna
71574d8b90aSJiri SlabySYM_FUNC_START_LOCAL(__camellia_enc_blk16)
716d9b1d2e7SJussi Kivilinna	/* input:
717d9b1d2e7SJussi Kivilinna	 *	%rdi: ctx, CTX
718d9b1d2e7SJussi Kivilinna	 *	%rax: temporary storage, 256 bytes
719d9b1d2e7SJussi Kivilinna	 *	%xmm0..%xmm15: 16 plaintext blocks
720d9b1d2e7SJussi Kivilinna	 * output:
721d9b1d2e7SJussi Kivilinna	 *	%xmm0..%xmm15: 16 encrypted blocks, order swapped:
722d9b1d2e7SJussi Kivilinna	 *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
723d9b1d2e7SJussi Kivilinna	 */
7248691ccd7SJosh Poimboeuf	FRAME_BEGIN
725d9b1d2e7SJussi Kivilinna
726d9b1d2e7SJussi Kivilinna	leaq 8 * 16(%rax), %rcx;
727d9b1d2e7SJussi Kivilinna
728d9b1d2e7SJussi Kivilinna	inpack16_post(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
729d9b1d2e7SJussi Kivilinna		      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
730d9b1d2e7SJussi Kivilinna		      %xmm15, %rax, %rcx);
731d9b1d2e7SJussi Kivilinna
732d9b1d2e7SJussi Kivilinna	enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
733d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
734d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 0);
735d9b1d2e7SJussi Kivilinna
736d9b1d2e7SJussi Kivilinna	fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
737d9b1d2e7SJussi Kivilinna	      %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
738d9b1d2e7SJussi Kivilinna	      %xmm15,
739d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 0)(CTX),
740d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 4)(CTX),
741d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 8)(CTX),
742d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 12)(CTX));
743d9b1d2e7SJussi Kivilinna
744d9b1d2e7SJussi Kivilinna	enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
745d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
746d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 8);
747d9b1d2e7SJussi Kivilinna
748d9b1d2e7SJussi Kivilinna	fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
749d9b1d2e7SJussi Kivilinna	      %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
750d9b1d2e7SJussi Kivilinna	      %xmm15,
751d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 0)(CTX),
752d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 4)(CTX),
753d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 8)(CTX),
754d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 12)(CTX));
755d9b1d2e7SJussi Kivilinna
756d9b1d2e7SJussi Kivilinna	enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
757d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
758d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 16);
759d9b1d2e7SJussi Kivilinna
760d9b1d2e7SJussi Kivilinna	movl $24, %r8d;
761d9b1d2e7SJussi Kivilinna	cmpl $16, key_length(CTX);
762d9b1d2e7SJussi Kivilinna	jne .Lenc_max32;
763d9b1d2e7SJussi Kivilinna
764d9b1d2e7SJussi Kivilinna.Lenc_done:
765d9b1d2e7SJussi Kivilinna	/* load CD for output */
766d9b1d2e7SJussi Kivilinna	vmovdqu 0 * 16(%rcx), %xmm8;
767d9b1d2e7SJussi Kivilinna	vmovdqu 1 * 16(%rcx), %xmm9;
768d9b1d2e7SJussi Kivilinna	vmovdqu 2 * 16(%rcx), %xmm10;
769d9b1d2e7SJussi Kivilinna	vmovdqu 3 * 16(%rcx), %xmm11;
770d9b1d2e7SJussi Kivilinna	vmovdqu 4 * 16(%rcx), %xmm12;
771d9b1d2e7SJussi Kivilinna	vmovdqu 5 * 16(%rcx), %xmm13;
772d9b1d2e7SJussi Kivilinna	vmovdqu 6 * 16(%rcx), %xmm14;
773d9b1d2e7SJussi Kivilinna	vmovdqu 7 * 16(%rcx), %xmm15;
774d9b1d2e7SJussi Kivilinna
775d9b1d2e7SJussi Kivilinna	outunpack16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
776d9b1d2e7SJussi Kivilinna		    %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
777d9b1d2e7SJussi Kivilinna		    %xmm15, (key_table)(CTX, %r8, 8), (%rax), 1 * 16(%rax));
778d9b1d2e7SJussi Kivilinna
7798691ccd7SJosh Poimboeuf	FRAME_END
780f94909ceSPeter Zijlstra	RET;
781d9b1d2e7SJussi Kivilinna
782d9b1d2e7SJussi Kivilinna.align 8
783d9b1d2e7SJussi Kivilinna.Lenc_max32:
784d9b1d2e7SJussi Kivilinna	movl $32, %r8d;
785d9b1d2e7SJussi Kivilinna
786d9b1d2e7SJussi Kivilinna	fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
787d9b1d2e7SJussi Kivilinna	      %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
788d9b1d2e7SJussi Kivilinna	      %xmm15,
789d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 0)(CTX),
790d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 4)(CTX),
791d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 8)(CTX),
792d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 12)(CTX));
793d9b1d2e7SJussi Kivilinna
794d9b1d2e7SJussi Kivilinna	enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
795d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
796d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 24);
797d9b1d2e7SJussi Kivilinna
798d9b1d2e7SJussi Kivilinna	jmp .Lenc_done;
79974d8b90aSJiri SlabySYM_FUNC_END(__camellia_enc_blk16)
800d9b1d2e7SJussi Kivilinna
80174d8b90aSJiri SlabySYM_FUNC_START_LOCAL(__camellia_dec_blk16)
802d9b1d2e7SJussi Kivilinna	/* input:
803d9b1d2e7SJussi Kivilinna	 *	%rdi: ctx, CTX
804d9b1d2e7SJussi Kivilinna	 *	%rax: temporary storage, 256 bytes
805d9b1d2e7SJussi Kivilinna	 *	%r8d: 24 for 16 byte key, 32 for larger
806d9b1d2e7SJussi Kivilinna	 *	%xmm0..%xmm15: 16 encrypted blocks
807d9b1d2e7SJussi Kivilinna	 * output:
808d9b1d2e7SJussi Kivilinna	 *	%xmm0..%xmm15: 16 plaintext blocks, order swapped:
809d9b1d2e7SJussi Kivilinna	 *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
810d9b1d2e7SJussi Kivilinna	 */
8118691ccd7SJosh Poimboeuf	FRAME_BEGIN
812d9b1d2e7SJussi Kivilinna
813d9b1d2e7SJussi Kivilinna	leaq 8 * 16(%rax), %rcx;
814d9b1d2e7SJussi Kivilinna
815d9b1d2e7SJussi Kivilinna	inpack16_post(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
816d9b1d2e7SJussi Kivilinna		      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
817d9b1d2e7SJussi Kivilinna		      %xmm15, %rax, %rcx);
818d9b1d2e7SJussi Kivilinna
819d9b1d2e7SJussi Kivilinna	cmpl $32, %r8d;
820d9b1d2e7SJussi Kivilinna	je .Ldec_max32;
821d9b1d2e7SJussi Kivilinna
822d9b1d2e7SJussi Kivilinna.Ldec_max24:
823d9b1d2e7SJussi Kivilinna	dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
824d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
825d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 16);
826d9b1d2e7SJussi Kivilinna
827d9b1d2e7SJussi Kivilinna	fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
828d9b1d2e7SJussi Kivilinna	      %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
829d9b1d2e7SJussi Kivilinna	      %xmm15,
830d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 8)(CTX),
831d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 12)(CTX),
832d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 0)(CTX),
833d9b1d2e7SJussi Kivilinna	      ((key_table + (16) * 8) + 4)(CTX));
834d9b1d2e7SJussi Kivilinna
835d9b1d2e7SJussi Kivilinna	dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
836d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
837d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 8);
838d9b1d2e7SJussi Kivilinna
839d9b1d2e7SJussi Kivilinna	fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
840d9b1d2e7SJussi Kivilinna	      %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
841d9b1d2e7SJussi Kivilinna	      %xmm15,
842d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 8)(CTX),
843d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 12)(CTX),
844d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 0)(CTX),
845d9b1d2e7SJussi Kivilinna	      ((key_table + (8) * 8) + 4)(CTX));
846d9b1d2e7SJussi Kivilinna
847d9b1d2e7SJussi Kivilinna	dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
848d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
849d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 0);
850d9b1d2e7SJussi Kivilinna
851d9b1d2e7SJussi Kivilinna	/* load CD for output */
852d9b1d2e7SJussi Kivilinna	vmovdqu 0 * 16(%rcx), %xmm8;
853d9b1d2e7SJussi Kivilinna	vmovdqu 1 * 16(%rcx), %xmm9;
854d9b1d2e7SJussi Kivilinna	vmovdqu 2 * 16(%rcx), %xmm10;
855d9b1d2e7SJussi Kivilinna	vmovdqu 3 * 16(%rcx), %xmm11;
856d9b1d2e7SJussi Kivilinna	vmovdqu 4 * 16(%rcx), %xmm12;
857d9b1d2e7SJussi Kivilinna	vmovdqu 5 * 16(%rcx), %xmm13;
858d9b1d2e7SJussi Kivilinna	vmovdqu 6 * 16(%rcx), %xmm14;
859d9b1d2e7SJussi Kivilinna	vmovdqu 7 * 16(%rcx), %xmm15;
860d9b1d2e7SJussi Kivilinna
861d9b1d2e7SJussi Kivilinna	outunpack16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
862d9b1d2e7SJussi Kivilinna		    %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
863d9b1d2e7SJussi Kivilinna		    %xmm15, (key_table)(CTX), (%rax), 1 * 16(%rax));
864d9b1d2e7SJussi Kivilinna
8658691ccd7SJosh Poimboeuf	FRAME_END
866f94909ceSPeter Zijlstra	RET;
867d9b1d2e7SJussi Kivilinna
868d9b1d2e7SJussi Kivilinna.align 8
869d9b1d2e7SJussi Kivilinna.Ldec_max32:
870d9b1d2e7SJussi Kivilinna	dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
871d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
872d9b1d2e7SJussi Kivilinna		     %xmm15, %rax, %rcx, 24);
873d9b1d2e7SJussi Kivilinna
874d9b1d2e7SJussi Kivilinna	fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
875d9b1d2e7SJussi Kivilinna	      %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
876d9b1d2e7SJussi Kivilinna	      %xmm15,
877d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 8)(CTX),
878d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 12)(CTX),
879d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 0)(CTX),
880d9b1d2e7SJussi Kivilinna	      ((key_table + (24) * 8) + 4)(CTX));
881d9b1d2e7SJussi Kivilinna
882d9b1d2e7SJussi Kivilinna	jmp .Ldec_max24;
88374d8b90aSJiri SlabySYM_FUNC_END(__camellia_dec_blk16)
884d9b1d2e7SJussi Kivilinna
8856dcc5627SJiri SlabySYM_FUNC_START(camellia_ecb_enc_16way)
886d9b1d2e7SJussi Kivilinna	/* input:
887d9b1d2e7SJussi Kivilinna	 *	%rdi: ctx, CTX
888d9b1d2e7SJussi Kivilinna	 *	%rsi: dst (16 blocks)
889d9b1d2e7SJussi Kivilinna	 *	%rdx: src (16 blocks)
890d9b1d2e7SJussi Kivilinna	 */
8918691ccd7SJosh Poimboeuf	 FRAME_BEGIN
892d9b1d2e7SJussi Kivilinna
893d9b1d2e7SJussi Kivilinna	inpack16_pre(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
894d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
895d9b1d2e7SJussi Kivilinna		     %xmm15, %rdx, (key_table)(CTX));
896d9b1d2e7SJussi Kivilinna
897d9b1d2e7SJussi Kivilinna	/* now dst can be used as temporary buffer (even in src == dst case) */
898d9b1d2e7SJussi Kivilinna	movq	%rsi, %rax;
899d9b1d2e7SJussi Kivilinna
900d9b1d2e7SJussi Kivilinna	call __camellia_enc_blk16;
901d9b1d2e7SJussi Kivilinna
902d9b1d2e7SJussi Kivilinna	write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
903d9b1d2e7SJussi Kivilinna		     %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
904d9b1d2e7SJussi Kivilinna		     %xmm8, %rsi);
905d9b1d2e7SJussi Kivilinna
9068691ccd7SJosh Poimboeuf	FRAME_END
907f94909ceSPeter Zijlstra	RET;
9086dcc5627SJiri SlabySYM_FUNC_END(camellia_ecb_enc_16way)
909d9b1d2e7SJussi Kivilinna
9106dcc5627SJiri SlabySYM_FUNC_START(camellia_ecb_dec_16way)
911d9b1d2e7SJussi Kivilinna	/* input:
912d9b1d2e7SJussi Kivilinna	 *	%rdi: ctx, CTX
913d9b1d2e7SJussi Kivilinna	 *	%rsi: dst (16 blocks)
914d9b1d2e7SJussi Kivilinna	 *	%rdx: src (16 blocks)
915d9b1d2e7SJussi Kivilinna	 */
9168691ccd7SJosh Poimboeuf	 FRAME_BEGIN
917d9b1d2e7SJussi Kivilinna
918d9b1d2e7SJussi Kivilinna	cmpl $16, key_length(CTX);
919d9b1d2e7SJussi Kivilinna	movl $32, %r8d;
920d9b1d2e7SJussi Kivilinna	movl $24, %eax;
921d9b1d2e7SJussi Kivilinna	cmovel %eax, %r8d; /* max */
922d9b1d2e7SJussi Kivilinna
923d9b1d2e7SJussi Kivilinna	inpack16_pre(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
924d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
925d9b1d2e7SJussi Kivilinna		     %xmm15, %rdx, (key_table)(CTX, %r8, 8));
926d9b1d2e7SJussi Kivilinna
927d9b1d2e7SJussi Kivilinna	/* now dst can be used as temporary buffer (even in src == dst case) */
928d9b1d2e7SJussi Kivilinna	movq	%rsi, %rax;
929d9b1d2e7SJussi Kivilinna
930d9b1d2e7SJussi Kivilinna	call __camellia_dec_blk16;
931d9b1d2e7SJussi Kivilinna
932d9b1d2e7SJussi Kivilinna	write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
933d9b1d2e7SJussi Kivilinna		     %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
934d9b1d2e7SJussi Kivilinna		     %xmm8, %rsi);
935d9b1d2e7SJussi Kivilinna
9368691ccd7SJosh Poimboeuf	FRAME_END
937f94909ceSPeter Zijlstra	RET;
9386dcc5627SJiri SlabySYM_FUNC_END(camellia_ecb_dec_16way)
939d9b1d2e7SJussi Kivilinna
9406dcc5627SJiri SlabySYM_FUNC_START(camellia_cbc_dec_16way)
941d9b1d2e7SJussi Kivilinna	/* input:
942d9b1d2e7SJussi Kivilinna	 *	%rdi: ctx, CTX
943d9b1d2e7SJussi Kivilinna	 *	%rsi: dst (16 blocks)
944d9b1d2e7SJussi Kivilinna	 *	%rdx: src (16 blocks)
945d9b1d2e7SJussi Kivilinna	 */
9468691ccd7SJosh Poimboeuf	FRAME_BEGIN
947d9b1d2e7SJussi Kivilinna
948d9b1d2e7SJussi Kivilinna	cmpl $16, key_length(CTX);
949d9b1d2e7SJussi Kivilinna	movl $32, %r8d;
950d9b1d2e7SJussi Kivilinna	movl $24, %eax;
951d9b1d2e7SJussi Kivilinna	cmovel %eax, %r8d; /* max */
952d9b1d2e7SJussi Kivilinna
953d9b1d2e7SJussi Kivilinna	inpack16_pre(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
954d9b1d2e7SJussi Kivilinna		     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
955d9b1d2e7SJussi Kivilinna		     %xmm15, %rdx, (key_table)(CTX, %r8, 8));
956d9b1d2e7SJussi Kivilinna
957d9b1d2e7SJussi Kivilinna	/*
958d9b1d2e7SJussi Kivilinna	 * dst might still be in-use (in case dst == src), so use stack for
959d9b1d2e7SJussi Kivilinna	 * temporary storage.
960d9b1d2e7SJussi Kivilinna	 */
961d9b1d2e7SJussi Kivilinna	subq $(16 * 16), %rsp;
962d9b1d2e7SJussi Kivilinna	movq %rsp, %rax;
963d9b1d2e7SJussi Kivilinna
964d9b1d2e7SJussi Kivilinna	call __camellia_dec_blk16;
965d9b1d2e7SJussi Kivilinna
966d9b1d2e7SJussi Kivilinna	addq $(16 * 16), %rsp;
967d9b1d2e7SJussi Kivilinna
968d9b1d2e7SJussi Kivilinna	vpxor (0 * 16)(%rdx), %xmm6, %xmm6;
969d9b1d2e7SJussi Kivilinna	vpxor (1 * 16)(%rdx), %xmm5, %xmm5;
970d9b1d2e7SJussi Kivilinna	vpxor (2 * 16)(%rdx), %xmm4, %xmm4;
971d9b1d2e7SJussi Kivilinna	vpxor (3 * 16)(%rdx), %xmm3, %xmm3;
972d9b1d2e7SJussi Kivilinna	vpxor (4 * 16)(%rdx), %xmm2, %xmm2;
973d9b1d2e7SJussi Kivilinna	vpxor (5 * 16)(%rdx), %xmm1, %xmm1;
974d9b1d2e7SJussi Kivilinna	vpxor (6 * 16)(%rdx), %xmm0, %xmm0;
975d9b1d2e7SJussi Kivilinna	vpxor (7 * 16)(%rdx), %xmm15, %xmm15;
976d9b1d2e7SJussi Kivilinna	vpxor (8 * 16)(%rdx), %xmm14, %xmm14;
977d9b1d2e7SJussi Kivilinna	vpxor (9 * 16)(%rdx), %xmm13, %xmm13;
978d9b1d2e7SJussi Kivilinna	vpxor (10 * 16)(%rdx), %xmm12, %xmm12;
979d9b1d2e7SJussi Kivilinna	vpxor (11 * 16)(%rdx), %xmm11, %xmm11;
980d9b1d2e7SJussi Kivilinna	vpxor (12 * 16)(%rdx), %xmm10, %xmm10;
981d9b1d2e7SJussi Kivilinna	vpxor (13 * 16)(%rdx), %xmm9, %xmm9;
982d9b1d2e7SJussi Kivilinna	vpxor (14 * 16)(%rdx), %xmm8, %xmm8;
983d9b1d2e7SJussi Kivilinna	write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
984d9b1d2e7SJussi Kivilinna		     %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
985d9b1d2e7SJussi Kivilinna		     %xmm8, %rsi);
986d9b1d2e7SJussi Kivilinna
9878691ccd7SJosh Poimboeuf	FRAME_END
988f94909ceSPeter Zijlstra	RET;
9896dcc5627SJiri SlabySYM_FUNC_END(camellia_cbc_dec_16way)
990