xref: /openbmc/linux/arch/x86/crypto/camellia-aesni-avx2-asm_64.S (revision 1ac731c529cd4d6adbce134754b51ff7d822b145)
12874c5fdSThomas Gleixner/* SPDX-License-Identifier: GPL-2.0-or-later */
2f3f935a7SJussi Kivilinna/*
3f3f935a7SJussi Kivilinna * x86_64/AVX2/AES-NI assembler implementation of Camellia
4f3f935a7SJussi Kivilinna *
5f3f935a7SJussi Kivilinna * Copyright © 2013 Jussi Kivilinna <jussi.kivilinna@iki.fi>
6f3f935a7SJussi Kivilinna */
7f3f935a7SJussi Kivilinna
8f3f935a7SJussi Kivilinna#include <linux/linkage.h>
98691ccd7SJosh Poimboeuf#include <asm/frame.h>
10f3f935a7SJussi Kivilinna
11f3f935a7SJussi Kivilinna#define CAMELLIA_TABLE_BYTE_LEN 272
12f3f935a7SJussi Kivilinna
13f3f935a7SJussi Kivilinna/* struct camellia_ctx: */
14f3f935a7SJussi Kivilinna#define key_table 0
15f3f935a7SJussi Kivilinna#define key_length CAMELLIA_TABLE_BYTE_LEN
16f3f935a7SJussi Kivilinna
17f3f935a7SJussi Kivilinna/* register macros */
18f3f935a7SJussi Kivilinna#define CTX %rdi
19f3f935a7SJussi Kivilinna#define RIO %r8
20f3f935a7SJussi Kivilinna
21f3f935a7SJussi Kivilinna/**********************************************************************
22f3f935a7SJussi Kivilinna  helper macros
23f3f935a7SJussi Kivilinna **********************************************************************/
24f3f935a7SJussi Kivilinna#define filter_8bit(x, lo_t, hi_t, mask4bit, tmp0) \
25f3f935a7SJussi Kivilinna	vpand x, mask4bit, tmp0; \
26f3f935a7SJussi Kivilinna	vpandn x, mask4bit, x; \
27f3f935a7SJussi Kivilinna	vpsrld $4, x, x; \
28f3f935a7SJussi Kivilinna	\
29f3f935a7SJussi Kivilinna	vpshufb tmp0, lo_t, tmp0; \
30f3f935a7SJussi Kivilinna	vpshufb x, hi_t, x; \
31f3f935a7SJussi Kivilinna	vpxor tmp0, x, x;
32f3f935a7SJussi Kivilinna
33f3f935a7SJussi Kivilinna#define ymm0_x xmm0
34f3f935a7SJussi Kivilinna#define ymm1_x xmm1
35f3f935a7SJussi Kivilinna#define ymm2_x xmm2
36f3f935a7SJussi Kivilinna#define ymm3_x xmm3
37f3f935a7SJussi Kivilinna#define ymm4_x xmm4
38f3f935a7SJussi Kivilinna#define ymm5_x xmm5
39f3f935a7SJussi Kivilinna#define ymm6_x xmm6
40f3f935a7SJussi Kivilinna#define ymm7_x xmm7
41f3f935a7SJussi Kivilinna#define ymm8_x xmm8
42f3f935a7SJussi Kivilinna#define ymm9_x xmm9
43f3f935a7SJussi Kivilinna#define ymm10_x xmm10
44f3f935a7SJussi Kivilinna#define ymm11_x xmm11
45f3f935a7SJussi Kivilinna#define ymm12_x xmm12
46f3f935a7SJussi Kivilinna#define ymm13_x xmm13
47f3f935a7SJussi Kivilinna#define ymm14_x xmm14
48f3f935a7SJussi Kivilinna#define ymm15_x xmm15
49f3f935a7SJussi Kivilinna
50f3f935a7SJussi Kivilinna/**********************************************************************
51f3f935a7SJussi Kivilinna  32-way camellia
52f3f935a7SJussi Kivilinna **********************************************************************/
53f3f935a7SJussi Kivilinna
54f3f935a7SJussi Kivilinna/*
55f3f935a7SJussi Kivilinna * IN:
56f3f935a7SJussi Kivilinna *   x0..x7: byte-sliced AB state
57f3f935a7SJussi Kivilinna *   mem_cd: register pointer storing CD state
58f3f935a7SJussi Kivilinna *   key: index for key material
59f3f935a7SJussi Kivilinna * OUT:
60f3f935a7SJussi Kivilinna *   x0..x7: new byte-sliced CD state
61f3f935a7SJussi Kivilinna */
62f3f935a7SJussi Kivilinna#define roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, t0, t1, t2, t3, t4, t5, t6, \
63f3f935a7SJussi Kivilinna		  t7, mem_cd, key) \
64f3f935a7SJussi Kivilinna	/* \
65f3f935a7SJussi Kivilinna	 * S-function with AES subbytes \
66f3f935a7SJussi Kivilinna	 */ \
67*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Linv_shift_row(%rip), t4; \
68*24ff1e9dSArd Biesheuvel	vpbroadcastd .L0f0f0f0f(%rip), t7; \
69*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpre_tf_lo_s1(%rip), t5; \
70*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpre_tf_hi_s1(%rip), t6; \
71*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpre_tf_lo_s4(%rip), t2; \
72*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpre_tf_hi_s4(%rip), t3; \
73f3f935a7SJussi Kivilinna	\
74f3f935a7SJussi Kivilinna	/* AES inverse shift rows */ \
75f3f935a7SJussi Kivilinna	vpshufb t4, x0, x0; \
76f3f935a7SJussi Kivilinna	vpshufb t4, x7, x7; \
77f3f935a7SJussi Kivilinna	vpshufb t4, x3, x3; \
78f3f935a7SJussi Kivilinna	vpshufb t4, x6, x6; \
79acfffdb8SJussi Kivilinna	vpshufb t4, x2, x2; \
80acfffdb8SJussi Kivilinna	vpshufb t4, x5, x5; \
81acfffdb8SJussi Kivilinna	vpshufb t4, x1, x1; \
82acfffdb8SJussi Kivilinna	vpshufb t4, x4, x4; \
83f3f935a7SJussi Kivilinna	\
84f3f935a7SJussi Kivilinna	/* prefilter sboxes 1, 2 and 3 */ \
85f3f935a7SJussi Kivilinna	/* prefilter sbox 4 */ \
86acfffdb8SJussi Kivilinna	filter_8bit(x0, t5, t6, t7, t4); \
87acfffdb8SJussi Kivilinna	filter_8bit(x7, t5, t6, t7, t4); \
88acfffdb8SJussi Kivilinna	vextracti128 $1, x0, t0##_x; \
89acfffdb8SJussi Kivilinna	vextracti128 $1, x7, t1##_x; \
90acfffdb8SJussi Kivilinna	filter_8bit(x3, t2, t3, t7, t4); \
91acfffdb8SJussi Kivilinna	filter_8bit(x6, t2, t3, t7, t4); \
92acfffdb8SJussi Kivilinna	vextracti128 $1, x3, t3##_x; \
93acfffdb8SJussi Kivilinna	vextracti128 $1, x6, t2##_x; \
94acfffdb8SJussi Kivilinna	filter_8bit(x2, t5, t6, t7, t4); \
95acfffdb8SJussi Kivilinna	filter_8bit(x5, t5, t6, t7, t4); \
96acfffdb8SJussi Kivilinna	filter_8bit(x1, t5, t6, t7, t4); \
97acfffdb8SJussi Kivilinna	filter_8bit(x4, t5, t6, t7, t4); \
98acfffdb8SJussi Kivilinna	\
99f3f935a7SJussi Kivilinna	vpxor t4##_x, t4##_x, t4##_x; \
100f3f935a7SJussi Kivilinna	\
101f3f935a7SJussi Kivilinna	/* AES subbytes + AES shift rows */ \
102acfffdb8SJussi Kivilinna	vextracti128 $1, x2, t6##_x; \
103acfffdb8SJussi Kivilinna	vextracti128 $1, x5, t5##_x; \
104acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x0##_x, x0##_x; \
105acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t0##_x, t0##_x; \
106acfffdb8SJussi Kivilinna	vinserti128 $1, t0##_x, x0, x0; \
107acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x7##_x, x7##_x; \
108acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t1##_x, t1##_x; \
109acfffdb8SJussi Kivilinna	vinserti128 $1, t1##_x, x7, x7; \
110acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x3##_x, x3##_x; \
111acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t3##_x, t3##_x; \
112acfffdb8SJussi Kivilinna	vinserti128 $1, t3##_x, x3, x3; \
113acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x6##_x, x6##_x; \
114acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t2##_x, t2##_x; \
115acfffdb8SJussi Kivilinna	vinserti128 $1, t2##_x, x6, x6; \
116acfffdb8SJussi Kivilinna	vextracti128 $1, x1, t3##_x; \
117acfffdb8SJussi Kivilinna	vextracti128 $1, x4, t2##_x; \
118*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpost_tf_lo_s1(%rip), t0; \
119*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpost_tf_hi_s1(%rip), t1; \
120acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x2##_x, x2##_x; \
121acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t6##_x, t6##_x; \
122acfffdb8SJussi Kivilinna	vinserti128 $1, t6##_x, x2, x2; \
123acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x5##_x, x5##_x; \
124acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t5##_x, t5##_x; \
125acfffdb8SJussi Kivilinna	vinserti128 $1, t5##_x, x5, x5; \
126acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x1##_x, x1##_x; \
127acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t3##_x, t3##_x; \
128acfffdb8SJussi Kivilinna	vinserti128 $1, t3##_x, x1, x1; \
129acfffdb8SJussi Kivilinna	vaesenclast t4##_x, x4##_x, x4##_x; \
130acfffdb8SJussi Kivilinna	vaesenclast t4##_x, t2##_x, t2##_x; \
131acfffdb8SJussi Kivilinna	vinserti128 $1, t2##_x, x4, x4; \
132f3f935a7SJussi Kivilinna	\
133f3f935a7SJussi Kivilinna	/* postfilter sboxes 1 and 4 */ \
134*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpost_tf_lo_s3(%rip), t2; \
135*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpost_tf_hi_s3(%rip), t3; \
136f3f935a7SJussi Kivilinna	filter_8bit(x0, t0, t1, t7, t6); \
137f3f935a7SJussi Kivilinna	filter_8bit(x7, t0, t1, t7, t6); \
138f3f935a7SJussi Kivilinna	filter_8bit(x3, t0, t1, t7, t6); \
139f3f935a7SJussi Kivilinna	filter_8bit(x6, t0, t1, t7, t6); \
140f3f935a7SJussi Kivilinna	\
141f3f935a7SJussi Kivilinna	/* postfilter sbox 3 */ \
142*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpost_tf_lo_s2(%rip), t4; \
143*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lpost_tf_hi_s2(%rip), t5; \
144f3f935a7SJussi Kivilinna	filter_8bit(x2, t2, t3, t7, t6); \
145f3f935a7SJussi Kivilinna	filter_8bit(x5, t2, t3, t7, t6); \
146f3f935a7SJussi Kivilinna	\
147f3f935a7SJussi Kivilinna	vpbroadcastq key, t0; /* higher 64-bit duplicate ignored */ \
148f3f935a7SJussi Kivilinna	\
149f3f935a7SJussi Kivilinna	/* postfilter sbox 2 */ \
150f3f935a7SJussi Kivilinna	filter_8bit(x1, t4, t5, t7, t2); \
151f3f935a7SJussi Kivilinna	filter_8bit(x4, t4, t5, t7, t2); \
152acfffdb8SJussi Kivilinna	vpxor t7, t7, t7; \
153f3f935a7SJussi Kivilinna	\
154f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t1; \
155f3f935a7SJussi Kivilinna	vpsrldq $2, t0, t2; \
156acfffdb8SJussi Kivilinna	vpshufb t7, t1, t1; \
157f3f935a7SJussi Kivilinna	vpsrldq $3, t0, t3; \
158f3f935a7SJussi Kivilinna	\
159f3f935a7SJussi Kivilinna	/* P-function */ \
160f3f935a7SJussi Kivilinna	vpxor x5, x0, x0; \
161f3f935a7SJussi Kivilinna	vpxor x6, x1, x1; \
162f3f935a7SJussi Kivilinna	vpxor x7, x2, x2; \
163f3f935a7SJussi Kivilinna	vpxor x4, x3, x3; \
164f3f935a7SJussi Kivilinna	\
165acfffdb8SJussi Kivilinna	vpshufb t7, t2, t2; \
166acfffdb8SJussi Kivilinna	vpsrldq $4, t0, t4; \
167acfffdb8SJussi Kivilinna	vpshufb t7, t3, t3; \
168acfffdb8SJussi Kivilinna	vpsrldq $5, t0, t5; \
169acfffdb8SJussi Kivilinna	vpshufb t7, t4, t4; \
170acfffdb8SJussi Kivilinna	\
171f3f935a7SJussi Kivilinna	vpxor x2, x4, x4; \
172f3f935a7SJussi Kivilinna	vpxor x3, x5, x5; \
173f3f935a7SJussi Kivilinna	vpxor x0, x6, x6; \
174f3f935a7SJussi Kivilinna	vpxor x1, x7, x7; \
175f3f935a7SJussi Kivilinna	\
176acfffdb8SJussi Kivilinna	vpsrldq $6, t0, t6; \
177acfffdb8SJussi Kivilinna	vpshufb t7, t5, t5; \
178acfffdb8SJussi Kivilinna	vpshufb t7, t6, t6; \
179acfffdb8SJussi Kivilinna	\
180f3f935a7SJussi Kivilinna	vpxor x7, x0, x0; \
181f3f935a7SJussi Kivilinna	vpxor x4, x1, x1; \
182f3f935a7SJussi Kivilinna	vpxor x5, x2, x2; \
183f3f935a7SJussi Kivilinna	vpxor x6, x3, x3; \
184f3f935a7SJussi Kivilinna	\
185f3f935a7SJussi Kivilinna	vpxor x3, x4, x4; \
186f3f935a7SJussi Kivilinna	vpxor x0, x5, x5; \
187f3f935a7SJussi Kivilinna	vpxor x1, x6, x6; \
188f3f935a7SJussi Kivilinna	vpxor x2, x7, x7; /* note: high and low parts swapped */ \
189f3f935a7SJussi Kivilinna	\
190f3f935a7SJussi Kivilinna	/* Add key material and result to CD (x becomes new CD) */ \
191f3f935a7SJussi Kivilinna	\
192f3f935a7SJussi Kivilinna	vpxor t6, x1, x1; \
193f3f935a7SJussi Kivilinna	vpxor 5 * 32(mem_cd), x1, x1; \
194f3f935a7SJussi Kivilinna	\
195acfffdb8SJussi Kivilinna	vpsrldq $7, t0, t6; \
196acfffdb8SJussi Kivilinna	vpshufb t7, t0, t0; \
197acfffdb8SJussi Kivilinna	vpshufb t7, t6, t7; \
198acfffdb8SJussi Kivilinna	\
199acfffdb8SJussi Kivilinna	vpxor t7, x0, x0; \
200acfffdb8SJussi Kivilinna	vpxor 4 * 32(mem_cd), x0, x0; \
201acfffdb8SJussi Kivilinna	\
202f3f935a7SJussi Kivilinna	vpxor t5, x2, x2; \
203f3f935a7SJussi Kivilinna	vpxor 6 * 32(mem_cd), x2, x2; \
204f3f935a7SJussi Kivilinna	\
205f3f935a7SJussi Kivilinna	vpxor t4, x3, x3; \
206f3f935a7SJussi Kivilinna	vpxor 7 * 32(mem_cd), x3, x3; \
207f3f935a7SJussi Kivilinna	\
208f3f935a7SJussi Kivilinna	vpxor t3, x4, x4; \
209f3f935a7SJussi Kivilinna	vpxor 0 * 32(mem_cd), x4, x4; \
210f3f935a7SJussi Kivilinna	\
211f3f935a7SJussi Kivilinna	vpxor t2, x5, x5; \
212f3f935a7SJussi Kivilinna	vpxor 1 * 32(mem_cd), x5, x5; \
213f3f935a7SJussi Kivilinna	\
214f3f935a7SJussi Kivilinna	vpxor t1, x6, x6; \
215f3f935a7SJussi Kivilinna	vpxor 2 * 32(mem_cd), x6, x6; \
216f3f935a7SJussi Kivilinna	\
217f3f935a7SJussi Kivilinna	vpxor t0, x7, x7; \
218f3f935a7SJussi Kivilinna	vpxor 3 * 32(mem_cd), x7, x7;
219f3f935a7SJussi Kivilinna
220f3f935a7SJussi Kivilinna/*
221acfffdb8SJussi Kivilinna * Size optimization... with inlined roundsm32 binary would be over 5 times
222f3f935a7SJussi Kivilinna * larger and would only marginally faster.
223f3f935a7SJussi Kivilinna */
22474d8b90aSJiri SlabySYM_FUNC_START_LOCAL(roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd)
225f3f935a7SJussi Kivilinna	roundsm32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
226f3f935a7SJussi Kivilinna		  %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14, %ymm15,
227f3f935a7SJussi Kivilinna		  %rcx, (%r9));
228f94909ceSPeter Zijlstra	RET;
22974d8b90aSJiri SlabySYM_FUNC_END(roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd)
230f3f935a7SJussi Kivilinna
23174d8b90aSJiri SlabySYM_FUNC_START_LOCAL(roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab)
232f3f935a7SJussi Kivilinna	roundsm32(%ymm4, %ymm5, %ymm6, %ymm7, %ymm0, %ymm1, %ymm2, %ymm3,
233f3f935a7SJussi Kivilinna		  %ymm12, %ymm13, %ymm14, %ymm15, %ymm8, %ymm9, %ymm10, %ymm11,
234f3f935a7SJussi Kivilinna		  %rax, (%r9));
235f94909ceSPeter Zijlstra	RET;
23674d8b90aSJiri SlabySYM_FUNC_END(roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab)
237f3f935a7SJussi Kivilinna
238f3f935a7SJussi Kivilinna/*
239f3f935a7SJussi Kivilinna * IN/OUT:
240f3f935a7SJussi Kivilinna *  x0..x7: byte-sliced AB state preloaded
241f3f935a7SJussi Kivilinna *  mem_ab: byte-sliced AB state in memory
242f3f935a7SJussi Kivilinna *  mem_cb: byte-sliced CD state in memory
243f3f935a7SJussi Kivilinna */
244f3f935a7SJussi Kivilinna#define two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
245f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, i, dir, store_ab) \
246f3f935a7SJussi Kivilinna	leaq (key_table + (i) * 8)(CTX), %r9; \
247f3f935a7SJussi Kivilinna	call roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd; \
248f3f935a7SJussi Kivilinna	\
249f3f935a7SJussi Kivilinna	vmovdqu x0, 4 * 32(mem_cd); \
250f3f935a7SJussi Kivilinna	vmovdqu x1, 5 * 32(mem_cd); \
251f3f935a7SJussi Kivilinna	vmovdqu x2, 6 * 32(mem_cd); \
252f3f935a7SJussi Kivilinna	vmovdqu x3, 7 * 32(mem_cd); \
253f3f935a7SJussi Kivilinna	vmovdqu x4, 0 * 32(mem_cd); \
254f3f935a7SJussi Kivilinna	vmovdqu x5, 1 * 32(mem_cd); \
255f3f935a7SJussi Kivilinna	vmovdqu x6, 2 * 32(mem_cd); \
256f3f935a7SJussi Kivilinna	vmovdqu x7, 3 * 32(mem_cd); \
257f3f935a7SJussi Kivilinna	\
258f3f935a7SJussi Kivilinna	leaq (key_table + ((i) + (dir)) * 8)(CTX), %r9; \
259f3f935a7SJussi Kivilinna	call roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab; \
260f3f935a7SJussi Kivilinna	\
261f3f935a7SJussi Kivilinna	store_ab(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab);
262f3f935a7SJussi Kivilinna
263f3f935a7SJussi Kivilinna#define dummy_store(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) /* do nothing */
264f3f935a7SJussi Kivilinna
265f3f935a7SJussi Kivilinna#define store_ab_state(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) \
266f3f935a7SJussi Kivilinna	/* Store new AB state */ \
267f3f935a7SJussi Kivilinna	vmovdqu x4, 4 * 32(mem_ab); \
268f3f935a7SJussi Kivilinna	vmovdqu x5, 5 * 32(mem_ab); \
269f3f935a7SJussi Kivilinna	vmovdqu x6, 6 * 32(mem_ab); \
270f3f935a7SJussi Kivilinna	vmovdqu x7, 7 * 32(mem_ab); \
271f3f935a7SJussi Kivilinna	vmovdqu x0, 0 * 32(mem_ab); \
272f3f935a7SJussi Kivilinna	vmovdqu x1, 1 * 32(mem_ab); \
273f3f935a7SJussi Kivilinna	vmovdqu x2, 2 * 32(mem_ab); \
274f3f935a7SJussi Kivilinna	vmovdqu x3, 3 * 32(mem_ab);
275f3f935a7SJussi Kivilinna
276f3f935a7SJussi Kivilinna#define enc_rounds32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
277f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, i) \
278f3f935a7SJussi Kivilinna	two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
279f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 2, 1, store_ab_state); \
280f3f935a7SJussi Kivilinna	two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
281f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 4, 1, store_ab_state); \
282f3f935a7SJussi Kivilinna	two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
283f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 6, 1, dummy_store);
284f3f935a7SJussi Kivilinna
285f3f935a7SJussi Kivilinna#define dec_rounds32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
286f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, i) \
287f3f935a7SJussi Kivilinna	two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
288f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 7, -1, store_ab_state); \
289f3f935a7SJussi Kivilinna	two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
290f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 5, -1, store_ab_state); \
291f3f935a7SJussi Kivilinna	two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
292f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd, (i) + 3, -1, dummy_store);
293f3f935a7SJussi Kivilinna
294f3f935a7SJussi Kivilinna/*
295f3f935a7SJussi Kivilinna * IN:
296f3f935a7SJussi Kivilinna *  v0..3: byte-sliced 32-bit integers
297f3f935a7SJussi Kivilinna * OUT:
298f3f935a7SJussi Kivilinna *  v0..3: (IN <<< 1)
299f3f935a7SJussi Kivilinna */
300f3f935a7SJussi Kivilinna#define rol32_1_32(v0, v1, v2, v3, t0, t1, t2, zero) \
301f3f935a7SJussi Kivilinna	vpcmpgtb v0, zero, t0; \
302f3f935a7SJussi Kivilinna	vpaddb v0, v0, v0; \
303f3f935a7SJussi Kivilinna	vpabsb t0, t0; \
304f3f935a7SJussi Kivilinna	\
305f3f935a7SJussi Kivilinna	vpcmpgtb v1, zero, t1; \
306f3f935a7SJussi Kivilinna	vpaddb v1, v1, v1; \
307f3f935a7SJussi Kivilinna	vpabsb t1, t1; \
308f3f935a7SJussi Kivilinna	\
309f3f935a7SJussi Kivilinna	vpcmpgtb v2, zero, t2; \
310f3f935a7SJussi Kivilinna	vpaddb v2, v2, v2; \
311f3f935a7SJussi Kivilinna	vpabsb t2, t2; \
312f3f935a7SJussi Kivilinna	\
313f3f935a7SJussi Kivilinna	vpor t0, v1, v1; \
314f3f935a7SJussi Kivilinna	\
315f3f935a7SJussi Kivilinna	vpcmpgtb v3, zero, t0; \
316f3f935a7SJussi Kivilinna	vpaddb v3, v3, v3; \
317f3f935a7SJussi Kivilinna	vpabsb t0, t0; \
318f3f935a7SJussi Kivilinna	\
319f3f935a7SJussi Kivilinna	vpor t1, v2, v2; \
320f3f935a7SJussi Kivilinna	vpor t2, v3, v3; \
321f3f935a7SJussi Kivilinna	vpor t0, v0, v0;
322f3f935a7SJussi Kivilinna
323f3f935a7SJussi Kivilinna/*
324f3f935a7SJussi Kivilinna * IN:
325f3f935a7SJussi Kivilinna *   r: byte-sliced AB state in memory
326f3f935a7SJussi Kivilinna *   l: byte-sliced CD state in memory
327f3f935a7SJussi Kivilinna * OUT:
328f3f935a7SJussi Kivilinna *   x0..x7: new byte-sliced CD state
329f3f935a7SJussi Kivilinna */
330f3f935a7SJussi Kivilinna#define fls32(l, l0, l1, l2, l3, l4, l5, l6, l7, r, t0, t1, t2, t3, tt0, \
331f3f935a7SJussi Kivilinna	      tt1, tt2, tt3, kll, klr, krl, krr) \
332f3f935a7SJussi Kivilinna	/* \
333f3f935a7SJussi Kivilinna	 * t0 = kll; \
334f3f935a7SJussi Kivilinna	 * t0 &= ll; \
335f3f935a7SJussi Kivilinna	 * lr ^= rol32(t0, 1); \
336f3f935a7SJussi Kivilinna	 */ \
337f3f935a7SJussi Kivilinna	vpbroadcastd kll, t0; /* only lowest 32-bit used */ \
338f3f935a7SJussi Kivilinna	vpxor tt0, tt0, tt0; \
339acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t3; \
340f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
341acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t2; \
342f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
343acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t1; \
344f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
345acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t0; \
346f3f935a7SJussi Kivilinna	\
347f3f935a7SJussi Kivilinna	vpand l0, t0, t0; \
348f3f935a7SJussi Kivilinna	vpand l1, t1, t1; \
349f3f935a7SJussi Kivilinna	vpand l2, t2, t2; \
350f3f935a7SJussi Kivilinna	vpand l3, t3, t3; \
351f3f935a7SJussi Kivilinna	\
352f3f935a7SJussi Kivilinna	rol32_1_32(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
353f3f935a7SJussi Kivilinna	\
354f3f935a7SJussi Kivilinna	vpxor l4, t0, l4; \
355acfffdb8SJussi Kivilinna	vpbroadcastd krr, t0; /* only lowest 32-bit used */ \
356f3f935a7SJussi Kivilinna	vmovdqu l4, 4 * 32(l); \
357f3f935a7SJussi Kivilinna	vpxor l5, t1, l5; \
358f3f935a7SJussi Kivilinna	vmovdqu l5, 5 * 32(l); \
359f3f935a7SJussi Kivilinna	vpxor l6, t2, l6; \
360f3f935a7SJussi Kivilinna	vmovdqu l6, 6 * 32(l); \
361f3f935a7SJussi Kivilinna	vpxor l7, t3, l7; \
362f3f935a7SJussi Kivilinna	vmovdqu l7, 7 * 32(l); \
363f3f935a7SJussi Kivilinna	\
364f3f935a7SJussi Kivilinna	/* \
365f3f935a7SJussi Kivilinna	 * t2 = krr; \
366f3f935a7SJussi Kivilinna	 * t2 |= rr; \
367f3f935a7SJussi Kivilinna	 * rl ^= t2; \
368f3f935a7SJussi Kivilinna	 */ \
369f3f935a7SJussi Kivilinna	\
370acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t3; \
371f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
372acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t2; \
373f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
374acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t1; \
375f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
376acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t0; \
377f3f935a7SJussi Kivilinna	\
378f3f935a7SJussi Kivilinna	vpor 4 * 32(r), t0, t0; \
379f3f935a7SJussi Kivilinna	vpor 5 * 32(r), t1, t1; \
380f3f935a7SJussi Kivilinna	vpor 6 * 32(r), t2, t2; \
381f3f935a7SJussi Kivilinna	vpor 7 * 32(r), t3, t3; \
382f3f935a7SJussi Kivilinna	\
383f3f935a7SJussi Kivilinna	vpxor 0 * 32(r), t0, t0; \
384f3f935a7SJussi Kivilinna	vpxor 1 * 32(r), t1, t1; \
385f3f935a7SJussi Kivilinna	vpxor 2 * 32(r), t2, t2; \
386f3f935a7SJussi Kivilinna	vpxor 3 * 32(r), t3, t3; \
387f3f935a7SJussi Kivilinna	vmovdqu t0, 0 * 32(r); \
388acfffdb8SJussi Kivilinna	vpbroadcastd krl, t0; /* only lowest 32-bit used */ \
389f3f935a7SJussi Kivilinna	vmovdqu t1, 1 * 32(r); \
390f3f935a7SJussi Kivilinna	vmovdqu t2, 2 * 32(r); \
391f3f935a7SJussi Kivilinna	vmovdqu t3, 3 * 32(r); \
392f3f935a7SJussi Kivilinna	\
393f3f935a7SJussi Kivilinna	/* \
394f3f935a7SJussi Kivilinna	 * t2 = krl; \
395f3f935a7SJussi Kivilinna	 * t2 &= rl; \
396f3f935a7SJussi Kivilinna	 * rr ^= rol32(t2, 1); \
397f3f935a7SJussi Kivilinna	 */ \
398acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t3; \
399f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
400acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t2; \
401f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
402acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t1; \
403f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
404acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t0; \
405f3f935a7SJussi Kivilinna	\
406f3f935a7SJussi Kivilinna	vpand 0 * 32(r), t0, t0; \
407f3f935a7SJussi Kivilinna	vpand 1 * 32(r), t1, t1; \
408f3f935a7SJussi Kivilinna	vpand 2 * 32(r), t2, t2; \
409f3f935a7SJussi Kivilinna	vpand 3 * 32(r), t3, t3; \
410f3f935a7SJussi Kivilinna	\
411f3f935a7SJussi Kivilinna	rol32_1_32(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
412f3f935a7SJussi Kivilinna	\
413f3f935a7SJussi Kivilinna	vpxor 4 * 32(r), t0, t0; \
414f3f935a7SJussi Kivilinna	vpxor 5 * 32(r), t1, t1; \
415f3f935a7SJussi Kivilinna	vpxor 6 * 32(r), t2, t2; \
416f3f935a7SJussi Kivilinna	vpxor 7 * 32(r), t3, t3; \
417f3f935a7SJussi Kivilinna	vmovdqu t0, 4 * 32(r); \
418acfffdb8SJussi Kivilinna	vpbroadcastd klr, t0; /* only lowest 32-bit used */ \
419f3f935a7SJussi Kivilinna	vmovdqu t1, 5 * 32(r); \
420f3f935a7SJussi Kivilinna	vmovdqu t2, 6 * 32(r); \
421f3f935a7SJussi Kivilinna	vmovdqu t3, 7 * 32(r); \
422f3f935a7SJussi Kivilinna	\
423f3f935a7SJussi Kivilinna	/* \
424f3f935a7SJussi Kivilinna	 * t0 = klr; \
425f3f935a7SJussi Kivilinna	 * t0 |= lr; \
426f3f935a7SJussi Kivilinna	 * ll ^= t0; \
427f3f935a7SJussi Kivilinna	 */ \
428f3f935a7SJussi Kivilinna	\
429acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t3; \
430f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
431acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t2; \
432f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
433acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t1; \
434f3f935a7SJussi Kivilinna	vpsrldq $1, t0, t0; \
435acfffdb8SJussi Kivilinna	vpshufb tt0, t0, t0; \
436f3f935a7SJussi Kivilinna	\
437f3f935a7SJussi Kivilinna	vpor l4, t0, t0; \
438f3f935a7SJussi Kivilinna	vpor l5, t1, t1; \
439f3f935a7SJussi Kivilinna	vpor l6, t2, t2; \
440f3f935a7SJussi Kivilinna	vpor l7, t3, t3; \
441f3f935a7SJussi Kivilinna	\
442f3f935a7SJussi Kivilinna	vpxor l0, t0, l0; \
443f3f935a7SJussi Kivilinna	vmovdqu l0, 0 * 32(l); \
444f3f935a7SJussi Kivilinna	vpxor l1, t1, l1; \
445f3f935a7SJussi Kivilinna	vmovdqu l1, 1 * 32(l); \
446f3f935a7SJussi Kivilinna	vpxor l2, t2, l2; \
447f3f935a7SJussi Kivilinna	vmovdqu l2, 2 * 32(l); \
448f3f935a7SJussi Kivilinna	vpxor l3, t3, l3; \
449f3f935a7SJussi Kivilinna	vmovdqu l3, 3 * 32(l);
450f3f935a7SJussi Kivilinna
451f3f935a7SJussi Kivilinna#define transpose_4x4(x0, x1, x2, x3, t1, t2) \
452f3f935a7SJussi Kivilinna	vpunpckhdq x1, x0, t2; \
453f3f935a7SJussi Kivilinna	vpunpckldq x1, x0, x0; \
454f3f935a7SJussi Kivilinna	\
455f3f935a7SJussi Kivilinna	vpunpckldq x3, x2, t1; \
456f3f935a7SJussi Kivilinna	vpunpckhdq x3, x2, x2; \
457f3f935a7SJussi Kivilinna	\
458f3f935a7SJussi Kivilinna	vpunpckhqdq t1, x0, x1; \
459f3f935a7SJussi Kivilinna	vpunpcklqdq t1, x0, x0; \
460f3f935a7SJussi Kivilinna	\
461f3f935a7SJussi Kivilinna	vpunpckhqdq x2, t2, x3; \
462f3f935a7SJussi Kivilinna	vpunpcklqdq x2, t2, x2;
463f3f935a7SJussi Kivilinna
464f3f935a7SJussi Kivilinna#define byteslice_16x16b_fast(a0, b0, c0, d0, a1, b1, c1, d1, a2, b2, c2, d2, \
465f3f935a7SJussi Kivilinna			      a3, b3, c3, d3, st0, st1) \
466f3f935a7SJussi Kivilinna	vmovdqu d2, st0; \
467f3f935a7SJussi Kivilinna	vmovdqu d3, st1; \
468f3f935a7SJussi Kivilinna	transpose_4x4(a0, a1, a2, a3, d2, d3); \
469f3f935a7SJussi Kivilinna	transpose_4x4(b0, b1, b2, b3, d2, d3); \
470f3f935a7SJussi Kivilinna	vmovdqu st0, d2; \
471f3f935a7SJussi Kivilinna	vmovdqu st1, d3; \
472f3f935a7SJussi Kivilinna	\
473f3f935a7SJussi Kivilinna	vmovdqu a0, st0; \
474f3f935a7SJussi Kivilinna	vmovdqu a1, st1; \
475f3f935a7SJussi Kivilinna	transpose_4x4(c0, c1, c2, c3, a0, a1); \
476f3f935a7SJussi Kivilinna	transpose_4x4(d0, d1, d2, d3, a0, a1); \
477f3f935a7SJussi Kivilinna	\
478*24ff1e9dSArd Biesheuvel	vbroadcasti128 .Lshufb_16x16b(%rip), a0; \
479f3f935a7SJussi Kivilinna	vmovdqu st1, a1; \
480f3f935a7SJussi Kivilinna	vpshufb a0, a2, a2; \
481f3f935a7SJussi Kivilinna	vpshufb a0, a3, a3; \
482f3f935a7SJussi Kivilinna	vpshufb a0, b0, b0; \
483f3f935a7SJussi Kivilinna	vpshufb a0, b1, b1; \
484f3f935a7SJussi Kivilinna	vpshufb a0, b2, b2; \
485f3f935a7SJussi Kivilinna	vpshufb a0, b3, b3; \
486f3f935a7SJussi Kivilinna	vpshufb a0, a1, a1; \
487f3f935a7SJussi Kivilinna	vpshufb a0, c0, c0; \
488f3f935a7SJussi Kivilinna	vpshufb a0, c1, c1; \
489f3f935a7SJussi Kivilinna	vpshufb a0, c2, c2; \
490f3f935a7SJussi Kivilinna	vpshufb a0, c3, c3; \
491f3f935a7SJussi Kivilinna	vpshufb a0, d0, d0; \
492f3f935a7SJussi Kivilinna	vpshufb a0, d1, d1; \
493f3f935a7SJussi Kivilinna	vpshufb a0, d2, d2; \
494f3f935a7SJussi Kivilinna	vpshufb a0, d3, d3; \
495f3f935a7SJussi Kivilinna	vmovdqu d3, st1; \
496f3f935a7SJussi Kivilinna	vmovdqu st0, d3; \
497f3f935a7SJussi Kivilinna	vpshufb a0, d3, a0; \
498f3f935a7SJussi Kivilinna	vmovdqu d2, st0; \
499f3f935a7SJussi Kivilinna	\
500f3f935a7SJussi Kivilinna	transpose_4x4(a0, b0, c0, d0, d2, d3); \
501f3f935a7SJussi Kivilinna	transpose_4x4(a1, b1, c1, d1, d2, d3); \
502f3f935a7SJussi Kivilinna	vmovdqu st0, d2; \
503f3f935a7SJussi Kivilinna	vmovdqu st1, d3; \
504f3f935a7SJussi Kivilinna	\
505f3f935a7SJussi Kivilinna	vmovdqu b0, st0; \
506f3f935a7SJussi Kivilinna	vmovdqu b1, st1; \
507f3f935a7SJussi Kivilinna	transpose_4x4(a2, b2, c2, d2, b0, b1); \
508f3f935a7SJussi Kivilinna	transpose_4x4(a3, b3, c3, d3, b0, b1); \
509f3f935a7SJussi Kivilinna	vmovdqu st0, b0; \
510f3f935a7SJussi Kivilinna	vmovdqu st1, b1; \
511f3f935a7SJussi Kivilinna	/* does not adjust output bytes inside vectors */
512f3f935a7SJussi Kivilinna
513f3f935a7SJussi Kivilinna/* load blocks to registers and apply pre-whitening */
514f3f935a7SJussi Kivilinna#define inpack32_pre(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
515f3f935a7SJussi Kivilinna		     y6, y7, rio, key) \
516f3f935a7SJussi Kivilinna	vpbroadcastq key, x0; \
517*24ff1e9dSArd Biesheuvel	vpshufb .Lpack_bswap(%rip), x0, x0; \
518f3f935a7SJussi Kivilinna	\
519f3f935a7SJussi Kivilinna	vpxor 0 * 32(rio), x0, y7; \
520f3f935a7SJussi Kivilinna	vpxor 1 * 32(rio), x0, y6; \
521f3f935a7SJussi Kivilinna	vpxor 2 * 32(rio), x0, y5; \
522f3f935a7SJussi Kivilinna	vpxor 3 * 32(rio), x0, y4; \
523f3f935a7SJussi Kivilinna	vpxor 4 * 32(rio), x0, y3; \
524f3f935a7SJussi Kivilinna	vpxor 5 * 32(rio), x0, y2; \
525f3f935a7SJussi Kivilinna	vpxor 6 * 32(rio), x0, y1; \
526f3f935a7SJussi Kivilinna	vpxor 7 * 32(rio), x0, y0; \
527f3f935a7SJussi Kivilinna	vpxor 8 * 32(rio), x0, x7; \
528f3f935a7SJussi Kivilinna	vpxor 9 * 32(rio), x0, x6; \
529f3f935a7SJussi Kivilinna	vpxor 10 * 32(rio), x0, x5; \
530f3f935a7SJussi Kivilinna	vpxor 11 * 32(rio), x0, x4; \
531f3f935a7SJussi Kivilinna	vpxor 12 * 32(rio), x0, x3; \
532f3f935a7SJussi Kivilinna	vpxor 13 * 32(rio), x0, x2; \
533f3f935a7SJussi Kivilinna	vpxor 14 * 32(rio), x0, x1; \
534f3f935a7SJussi Kivilinna	vpxor 15 * 32(rio), x0, x0;
535f3f935a7SJussi Kivilinna
536f3f935a7SJussi Kivilinna/* byteslice pre-whitened blocks and store to temporary memory */
537f3f935a7SJussi Kivilinna#define inpack32_post(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
538f3f935a7SJussi Kivilinna		      y6, y7, mem_ab, mem_cd) \
539f3f935a7SJussi Kivilinna	byteslice_16x16b_fast(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, \
540f3f935a7SJussi Kivilinna			      y4, y5, y6, y7, (mem_ab), (mem_cd)); \
541f3f935a7SJussi Kivilinna	\
542f3f935a7SJussi Kivilinna	vmovdqu x0, 0 * 32(mem_ab); \
543f3f935a7SJussi Kivilinna	vmovdqu x1, 1 * 32(mem_ab); \
544f3f935a7SJussi Kivilinna	vmovdqu x2, 2 * 32(mem_ab); \
545f3f935a7SJussi Kivilinna	vmovdqu x3, 3 * 32(mem_ab); \
546f3f935a7SJussi Kivilinna	vmovdqu x4, 4 * 32(mem_ab); \
547f3f935a7SJussi Kivilinna	vmovdqu x5, 5 * 32(mem_ab); \
548f3f935a7SJussi Kivilinna	vmovdqu x6, 6 * 32(mem_ab); \
549f3f935a7SJussi Kivilinna	vmovdqu x7, 7 * 32(mem_ab); \
550f3f935a7SJussi Kivilinna	vmovdqu y0, 0 * 32(mem_cd); \
551f3f935a7SJussi Kivilinna	vmovdqu y1, 1 * 32(mem_cd); \
552f3f935a7SJussi Kivilinna	vmovdqu y2, 2 * 32(mem_cd); \
553f3f935a7SJussi Kivilinna	vmovdqu y3, 3 * 32(mem_cd); \
554f3f935a7SJussi Kivilinna	vmovdqu y4, 4 * 32(mem_cd); \
555f3f935a7SJussi Kivilinna	vmovdqu y5, 5 * 32(mem_cd); \
556f3f935a7SJussi Kivilinna	vmovdqu y6, 6 * 32(mem_cd); \
557f3f935a7SJussi Kivilinna	vmovdqu y7, 7 * 32(mem_cd);
558f3f935a7SJussi Kivilinna
559f3f935a7SJussi Kivilinna/* de-byteslice, apply post-whitening and store blocks */
560f3f935a7SJussi Kivilinna#define outunpack32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
561f3f935a7SJussi Kivilinna		    y5, y6, y7, key, stack_tmp0, stack_tmp1) \
562f3f935a7SJussi Kivilinna	byteslice_16x16b_fast(y0, y4, x0, x4, y1, y5, x1, x5, y2, y6, x2, x6, \
563f3f935a7SJussi Kivilinna			      y3, y7, x3, x7, stack_tmp0, stack_tmp1); \
564f3f935a7SJussi Kivilinna	\
565f3f935a7SJussi Kivilinna	vmovdqu x0, stack_tmp0; \
566f3f935a7SJussi Kivilinna	\
567f3f935a7SJussi Kivilinna	vpbroadcastq key, x0; \
568*24ff1e9dSArd Biesheuvel	vpshufb .Lpack_bswap(%rip), x0, x0; \
569f3f935a7SJussi Kivilinna	\
570f3f935a7SJussi Kivilinna	vpxor x0, y7, y7; \
571f3f935a7SJussi Kivilinna	vpxor x0, y6, y6; \
572f3f935a7SJussi Kivilinna	vpxor x0, y5, y5; \
573f3f935a7SJussi Kivilinna	vpxor x0, y4, y4; \
574f3f935a7SJussi Kivilinna	vpxor x0, y3, y3; \
575f3f935a7SJussi Kivilinna	vpxor x0, y2, y2; \
576f3f935a7SJussi Kivilinna	vpxor x0, y1, y1; \
577f3f935a7SJussi Kivilinna	vpxor x0, y0, y0; \
578f3f935a7SJussi Kivilinna	vpxor x0, x7, x7; \
579f3f935a7SJussi Kivilinna	vpxor x0, x6, x6; \
580f3f935a7SJussi Kivilinna	vpxor x0, x5, x5; \
581f3f935a7SJussi Kivilinna	vpxor x0, x4, x4; \
582f3f935a7SJussi Kivilinna	vpxor x0, x3, x3; \
583f3f935a7SJussi Kivilinna	vpxor x0, x2, x2; \
584f3f935a7SJussi Kivilinna	vpxor x0, x1, x1; \
585f3f935a7SJussi Kivilinna	vpxor stack_tmp0, x0, x0;
586f3f935a7SJussi Kivilinna
587f3f935a7SJussi Kivilinna#define write_output(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
588f3f935a7SJussi Kivilinna		     y6, y7, rio) \
589f3f935a7SJussi Kivilinna	vmovdqu x0, 0 * 32(rio); \
590f3f935a7SJussi Kivilinna	vmovdqu x1, 1 * 32(rio); \
591f3f935a7SJussi Kivilinna	vmovdqu x2, 2 * 32(rio); \
592f3f935a7SJussi Kivilinna	vmovdqu x3, 3 * 32(rio); \
593f3f935a7SJussi Kivilinna	vmovdqu x4, 4 * 32(rio); \
594f3f935a7SJussi Kivilinna	vmovdqu x5, 5 * 32(rio); \
595f3f935a7SJussi Kivilinna	vmovdqu x6, 6 * 32(rio); \
596f3f935a7SJussi Kivilinna	vmovdqu x7, 7 * 32(rio); \
597f3f935a7SJussi Kivilinna	vmovdqu y0, 8 * 32(rio); \
598f3f935a7SJussi Kivilinna	vmovdqu y1, 9 * 32(rio); \
599f3f935a7SJussi Kivilinna	vmovdqu y2, 10 * 32(rio); \
600f3f935a7SJussi Kivilinna	vmovdqu y3, 11 * 32(rio); \
601f3f935a7SJussi Kivilinna	vmovdqu y4, 12 * 32(rio); \
602f3f935a7SJussi Kivilinna	vmovdqu y5, 13 * 32(rio); \
603f3f935a7SJussi Kivilinna	vmovdqu y6, 14 * 32(rio); \
604f3f935a7SJussi Kivilinna	vmovdqu y7, 15 * 32(rio);
605f3f935a7SJussi Kivilinna
606f3f935a7SJussi Kivilinna
607e183914aSDenys Vlasenko.section	.rodata.cst32.shufb_16x16b, "aM", @progbits, 32
608e183914aSDenys Vlasenko.align 32
609f3f935a7SJussi Kivilinna#define SHUFB_BYTES(idx) \
610f3f935a7SJussi Kivilinna	0 + (idx), 4 + (idx), 8 + (idx), 12 + (idx)
611f3f935a7SJussi Kivilinna.Lshufb_16x16b:
612f3f935a7SJussi Kivilinna	.byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3)
613f3f935a7SJussi Kivilinna	.byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3)
614f3f935a7SJussi Kivilinna
615e183914aSDenys Vlasenko.section	.rodata.cst32.pack_bswap, "aM", @progbits, 32
616e183914aSDenys Vlasenko.align 32
617f3f935a7SJussi Kivilinna.Lpack_bswap:
618f3f935a7SJussi Kivilinna	.long 0x00010203, 0x04050607, 0x80808080, 0x80808080
619f3f935a7SJussi Kivilinna	.long 0x00010203, 0x04050607, 0x80808080, 0x80808080
620f3f935a7SJussi Kivilinna
621e183914aSDenys Vlasenko/* NB: section is mergeable, all elements must be aligned 16-byte blocks */
622e183914aSDenys Vlasenko.section	.rodata.cst16, "aM", @progbits, 16
623e183914aSDenys Vlasenko.align 16
624e183914aSDenys Vlasenko
625f3f935a7SJussi Kivilinna/*
626f3f935a7SJussi Kivilinna * pre-SubByte transform
627f3f935a7SJussi Kivilinna *
628f3f935a7SJussi Kivilinna * pre-lookup for sbox1, sbox2, sbox3:
629f3f935a7SJussi Kivilinna *   swap_bitendianness(
630f3f935a7SJussi Kivilinna *       isom_map_camellia_to_aes(
631f3f935a7SJussi Kivilinna *           camellia_f(
632f3f935a7SJussi Kivilinna *               swap_bitendianess(in)
633f3f935a7SJussi Kivilinna *           )
634f3f935a7SJussi Kivilinna *       )
635f3f935a7SJussi Kivilinna *   )
636f3f935a7SJussi Kivilinna *
637f3f935a7SJussi Kivilinna * (note: '⊕ 0xc5' inside camellia_f())
638f3f935a7SJussi Kivilinna */
639f3f935a7SJussi Kivilinna.Lpre_tf_lo_s1:
640f3f935a7SJussi Kivilinna	.byte 0x45, 0xe8, 0x40, 0xed, 0x2e, 0x83, 0x2b, 0x86
641f3f935a7SJussi Kivilinna	.byte 0x4b, 0xe6, 0x4e, 0xe3, 0x20, 0x8d, 0x25, 0x88
642f3f935a7SJussi Kivilinna.Lpre_tf_hi_s1:
643f3f935a7SJussi Kivilinna	.byte 0x00, 0x51, 0xf1, 0xa0, 0x8a, 0xdb, 0x7b, 0x2a
644f3f935a7SJussi Kivilinna	.byte 0x09, 0x58, 0xf8, 0xa9, 0x83, 0xd2, 0x72, 0x23
645f3f935a7SJussi Kivilinna
646f3f935a7SJussi Kivilinna/*
647f3f935a7SJussi Kivilinna * pre-SubByte transform
648f3f935a7SJussi Kivilinna *
649f3f935a7SJussi Kivilinna * pre-lookup for sbox4:
650f3f935a7SJussi Kivilinna *   swap_bitendianness(
651f3f935a7SJussi Kivilinna *       isom_map_camellia_to_aes(
652f3f935a7SJussi Kivilinna *           camellia_f(
653f3f935a7SJussi Kivilinna *               swap_bitendianess(in <<< 1)
654f3f935a7SJussi Kivilinna *           )
655f3f935a7SJussi Kivilinna *       )
656f3f935a7SJussi Kivilinna *   )
657f3f935a7SJussi Kivilinna *
658f3f935a7SJussi Kivilinna * (note: '⊕ 0xc5' inside camellia_f())
659f3f935a7SJussi Kivilinna */
660f3f935a7SJussi Kivilinna.Lpre_tf_lo_s4:
661f3f935a7SJussi Kivilinna	.byte 0x45, 0x40, 0x2e, 0x2b, 0x4b, 0x4e, 0x20, 0x25
662f3f935a7SJussi Kivilinna	.byte 0x14, 0x11, 0x7f, 0x7a, 0x1a, 0x1f, 0x71, 0x74
663f3f935a7SJussi Kivilinna.Lpre_tf_hi_s4:
664f3f935a7SJussi Kivilinna	.byte 0x00, 0xf1, 0x8a, 0x7b, 0x09, 0xf8, 0x83, 0x72
665f3f935a7SJussi Kivilinna	.byte 0xad, 0x5c, 0x27, 0xd6, 0xa4, 0x55, 0x2e, 0xdf
666f3f935a7SJussi Kivilinna
667f3f935a7SJussi Kivilinna/*
668f3f935a7SJussi Kivilinna * post-SubByte transform
669f3f935a7SJussi Kivilinna *
670f3f935a7SJussi Kivilinna * post-lookup for sbox1, sbox4:
671f3f935a7SJussi Kivilinna *  swap_bitendianness(
672f3f935a7SJussi Kivilinna *      camellia_h(
673f3f935a7SJussi Kivilinna *          isom_map_aes_to_camellia(
674f3f935a7SJussi Kivilinna *              swap_bitendianness(
675f3f935a7SJussi Kivilinna *                  aes_inverse_affine_transform(in)
676f3f935a7SJussi Kivilinna *              )
677f3f935a7SJussi Kivilinna *          )
678f3f935a7SJussi Kivilinna *      )
679f3f935a7SJussi Kivilinna *  )
680f3f935a7SJussi Kivilinna *
681f3f935a7SJussi Kivilinna * (note: '⊕ 0x6e' inside camellia_h())
682f3f935a7SJussi Kivilinna */
683f3f935a7SJussi Kivilinna.Lpost_tf_lo_s1:
684f3f935a7SJussi Kivilinna	.byte 0x3c, 0xcc, 0xcf, 0x3f, 0x32, 0xc2, 0xc1, 0x31
685f3f935a7SJussi Kivilinna	.byte 0xdc, 0x2c, 0x2f, 0xdf, 0xd2, 0x22, 0x21, 0xd1
686f3f935a7SJussi Kivilinna.Lpost_tf_hi_s1:
687f3f935a7SJussi Kivilinna	.byte 0x00, 0xf9, 0x86, 0x7f, 0xd7, 0x2e, 0x51, 0xa8
688f3f935a7SJussi Kivilinna	.byte 0xa4, 0x5d, 0x22, 0xdb, 0x73, 0x8a, 0xf5, 0x0c
689f3f935a7SJussi Kivilinna
690f3f935a7SJussi Kivilinna/*
691f3f935a7SJussi Kivilinna * post-SubByte transform
692f3f935a7SJussi Kivilinna *
693f3f935a7SJussi Kivilinna * post-lookup for sbox2:
694f3f935a7SJussi Kivilinna *  swap_bitendianness(
695f3f935a7SJussi Kivilinna *      camellia_h(
696f3f935a7SJussi Kivilinna *          isom_map_aes_to_camellia(
697f3f935a7SJussi Kivilinna *              swap_bitendianness(
698f3f935a7SJussi Kivilinna *                  aes_inverse_affine_transform(in)
699f3f935a7SJussi Kivilinna *              )
700f3f935a7SJussi Kivilinna *          )
701f3f935a7SJussi Kivilinna *      )
702f3f935a7SJussi Kivilinna *  ) <<< 1
703f3f935a7SJussi Kivilinna *
704f3f935a7SJussi Kivilinna * (note: '⊕ 0x6e' inside camellia_h())
705f3f935a7SJussi Kivilinna */
706f3f935a7SJussi Kivilinna.Lpost_tf_lo_s2:
707f3f935a7SJussi Kivilinna	.byte 0x78, 0x99, 0x9f, 0x7e, 0x64, 0x85, 0x83, 0x62
708f3f935a7SJussi Kivilinna	.byte 0xb9, 0x58, 0x5e, 0xbf, 0xa5, 0x44, 0x42, 0xa3
709f3f935a7SJussi Kivilinna.Lpost_tf_hi_s2:
710f3f935a7SJussi Kivilinna	.byte 0x00, 0xf3, 0x0d, 0xfe, 0xaf, 0x5c, 0xa2, 0x51
711f3f935a7SJussi Kivilinna	.byte 0x49, 0xba, 0x44, 0xb7, 0xe6, 0x15, 0xeb, 0x18
712f3f935a7SJussi Kivilinna
713f3f935a7SJussi Kivilinna/*
714f3f935a7SJussi Kivilinna * post-SubByte transform
715f3f935a7SJussi Kivilinna *
716f3f935a7SJussi Kivilinna * post-lookup for sbox3:
717f3f935a7SJussi Kivilinna *  swap_bitendianness(
718f3f935a7SJussi Kivilinna *      camellia_h(
719f3f935a7SJussi Kivilinna *          isom_map_aes_to_camellia(
720f3f935a7SJussi Kivilinna *              swap_bitendianness(
721f3f935a7SJussi Kivilinna *                  aes_inverse_affine_transform(in)
722f3f935a7SJussi Kivilinna *              )
723f3f935a7SJussi Kivilinna *          )
724f3f935a7SJussi Kivilinna *      )
725f3f935a7SJussi Kivilinna *  ) >>> 1
726f3f935a7SJussi Kivilinna *
727f3f935a7SJussi Kivilinna * (note: '⊕ 0x6e' inside camellia_h())
728f3f935a7SJussi Kivilinna */
729f3f935a7SJussi Kivilinna.Lpost_tf_lo_s3:
730f3f935a7SJussi Kivilinna	.byte 0x1e, 0x66, 0xe7, 0x9f, 0x19, 0x61, 0xe0, 0x98
731f3f935a7SJussi Kivilinna	.byte 0x6e, 0x16, 0x97, 0xef, 0x69, 0x11, 0x90, 0xe8
732f3f935a7SJussi Kivilinna.Lpost_tf_hi_s3:
733f3f935a7SJussi Kivilinna	.byte 0x00, 0xfc, 0x43, 0xbf, 0xeb, 0x17, 0xa8, 0x54
734f3f935a7SJussi Kivilinna	.byte 0x52, 0xae, 0x11, 0xed, 0xb9, 0x45, 0xfa, 0x06
735f3f935a7SJussi Kivilinna
736f3f935a7SJussi Kivilinna/* For isolating SubBytes from AESENCLAST, inverse shift row */
737f3f935a7SJussi Kivilinna.Linv_shift_row:
738f3f935a7SJussi Kivilinna	.byte 0x00, 0x0d, 0x0a, 0x07, 0x04, 0x01, 0x0e, 0x0b
739f3f935a7SJussi Kivilinna	.byte 0x08, 0x05, 0x02, 0x0f, 0x0c, 0x09, 0x06, 0x03
740f3f935a7SJussi Kivilinna
741e183914aSDenys Vlasenko.section	.rodata.cst4.L0f0f0f0f, "aM", @progbits, 4
742f3f935a7SJussi Kivilinna.align 4
743f3f935a7SJussi Kivilinna/* 4-bit mask */
744f3f935a7SJussi Kivilinna.L0f0f0f0f:
745f3f935a7SJussi Kivilinna	.long 0x0f0f0f0f
746f3f935a7SJussi Kivilinna
747f3f935a7SJussi Kivilinna.text
748f3f935a7SJussi Kivilinna
74974d8b90aSJiri SlabySYM_FUNC_START_LOCAL(__camellia_enc_blk32)
750f3f935a7SJussi Kivilinna	/* input:
751f3f935a7SJussi Kivilinna	 *	%rdi: ctx, CTX
752f3f935a7SJussi Kivilinna	 *	%rax: temporary storage, 512 bytes
753f3f935a7SJussi Kivilinna	 *	%ymm0..%ymm15: 32 plaintext blocks
754f3f935a7SJussi Kivilinna	 * output:
755f3f935a7SJussi Kivilinna	 *	%ymm0..%ymm15: 32 encrypted blocks, order swapped:
756f3f935a7SJussi Kivilinna	 *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
757f3f935a7SJussi Kivilinna	 */
7588691ccd7SJosh Poimboeuf	FRAME_BEGIN
759f3f935a7SJussi Kivilinna
760f3f935a7SJussi Kivilinna	leaq 8 * 32(%rax), %rcx;
761f3f935a7SJussi Kivilinna
762f3f935a7SJussi Kivilinna	inpack32_post(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
763f3f935a7SJussi Kivilinna		      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
764f3f935a7SJussi Kivilinna		      %ymm15, %rax, %rcx);
765f3f935a7SJussi Kivilinna
766f3f935a7SJussi Kivilinna	enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
767f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
768f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 0);
769f3f935a7SJussi Kivilinna
770f3f935a7SJussi Kivilinna	fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
771f3f935a7SJussi Kivilinna	      %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
772f3f935a7SJussi Kivilinna	      %ymm15,
773f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 0)(CTX),
774f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 4)(CTX),
775f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 8)(CTX),
776f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 12)(CTX));
777f3f935a7SJussi Kivilinna
778f3f935a7SJussi Kivilinna	enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
779f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
780f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 8);
781f3f935a7SJussi Kivilinna
782f3f935a7SJussi Kivilinna	fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
783f3f935a7SJussi Kivilinna	      %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
784f3f935a7SJussi Kivilinna	      %ymm15,
785f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 0)(CTX),
786f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 4)(CTX),
787f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 8)(CTX),
788f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 12)(CTX));
789f3f935a7SJussi Kivilinna
790f3f935a7SJussi Kivilinna	enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
791f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
792f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 16);
793f3f935a7SJussi Kivilinna
794f3f935a7SJussi Kivilinna	movl $24, %r8d;
795f3f935a7SJussi Kivilinna	cmpl $16, key_length(CTX);
796f3f935a7SJussi Kivilinna	jne .Lenc_max32;
797f3f935a7SJussi Kivilinna
798f3f935a7SJussi Kivilinna.Lenc_done:
799f3f935a7SJussi Kivilinna	/* load CD for output */
800f3f935a7SJussi Kivilinna	vmovdqu 0 * 32(%rcx), %ymm8;
801f3f935a7SJussi Kivilinna	vmovdqu 1 * 32(%rcx), %ymm9;
802f3f935a7SJussi Kivilinna	vmovdqu 2 * 32(%rcx), %ymm10;
803f3f935a7SJussi Kivilinna	vmovdqu 3 * 32(%rcx), %ymm11;
804f3f935a7SJussi Kivilinna	vmovdqu 4 * 32(%rcx), %ymm12;
805f3f935a7SJussi Kivilinna	vmovdqu 5 * 32(%rcx), %ymm13;
806f3f935a7SJussi Kivilinna	vmovdqu 6 * 32(%rcx), %ymm14;
807f3f935a7SJussi Kivilinna	vmovdqu 7 * 32(%rcx), %ymm15;
808f3f935a7SJussi Kivilinna
809f3f935a7SJussi Kivilinna	outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
810f3f935a7SJussi Kivilinna		    %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
811f3f935a7SJussi Kivilinna		    %ymm15, (key_table)(CTX, %r8, 8), (%rax), 1 * 32(%rax));
812f3f935a7SJussi Kivilinna
8138691ccd7SJosh Poimboeuf	FRAME_END
814f94909ceSPeter Zijlstra	RET;
815f3f935a7SJussi Kivilinna
816f3f935a7SJussi Kivilinna.align 8
817f3f935a7SJussi Kivilinna.Lenc_max32:
818f3f935a7SJussi Kivilinna	movl $32, %r8d;
819f3f935a7SJussi Kivilinna
820f3f935a7SJussi Kivilinna	fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
821f3f935a7SJussi Kivilinna	      %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
822f3f935a7SJussi Kivilinna	      %ymm15,
823f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 0)(CTX),
824f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 4)(CTX),
825f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 8)(CTX),
826f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 12)(CTX));
827f3f935a7SJussi Kivilinna
828f3f935a7SJussi Kivilinna	enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
829f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
830f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 24);
831f3f935a7SJussi Kivilinna
832f3f935a7SJussi Kivilinna	jmp .Lenc_done;
83374d8b90aSJiri SlabySYM_FUNC_END(__camellia_enc_blk32)
834f3f935a7SJussi Kivilinna
83574d8b90aSJiri SlabySYM_FUNC_START_LOCAL(__camellia_dec_blk32)
836f3f935a7SJussi Kivilinna	/* input:
837f3f935a7SJussi Kivilinna	 *	%rdi: ctx, CTX
838f3f935a7SJussi Kivilinna	 *	%rax: temporary storage, 512 bytes
839f3f935a7SJussi Kivilinna	 *	%r8d: 24 for 16 byte key, 32 for larger
840f3f935a7SJussi Kivilinna	 *	%ymm0..%ymm15: 16 encrypted blocks
841f3f935a7SJussi Kivilinna	 * output:
842f3f935a7SJussi Kivilinna	 *	%ymm0..%ymm15: 16 plaintext blocks, order swapped:
843f3f935a7SJussi Kivilinna	 *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
844f3f935a7SJussi Kivilinna	 */
8458691ccd7SJosh Poimboeuf	FRAME_BEGIN
846f3f935a7SJussi Kivilinna
847f3f935a7SJussi Kivilinna	leaq 8 * 32(%rax), %rcx;
848f3f935a7SJussi Kivilinna
849f3f935a7SJussi Kivilinna	inpack32_post(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
850f3f935a7SJussi Kivilinna		      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
851f3f935a7SJussi Kivilinna		      %ymm15, %rax, %rcx);
852f3f935a7SJussi Kivilinna
853f3f935a7SJussi Kivilinna	cmpl $32, %r8d;
854f3f935a7SJussi Kivilinna	je .Ldec_max32;
855f3f935a7SJussi Kivilinna
856f3f935a7SJussi Kivilinna.Ldec_max24:
857f3f935a7SJussi Kivilinna	dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
858f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
859f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 16);
860f3f935a7SJussi Kivilinna
861f3f935a7SJussi Kivilinna	fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
862f3f935a7SJussi Kivilinna	      %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
863f3f935a7SJussi Kivilinna	      %ymm15,
864f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 8)(CTX),
865f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 12)(CTX),
866f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 0)(CTX),
867f3f935a7SJussi Kivilinna	      ((key_table + (16) * 8) + 4)(CTX));
868f3f935a7SJussi Kivilinna
869f3f935a7SJussi Kivilinna	dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
870f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
871f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 8);
872f3f935a7SJussi Kivilinna
873f3f935a7SJussi Kivilinna	fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
874f3f935a7SJussi Kivilinna	      %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
875f3f935a7SJussi Kivilinna	      %ymm15,
876f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 8)(CTX),
877f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 12)(CTX),
878f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 0)(CTX),
879f3f935a7SJussi Kivilinna	      ((key_table + (8) * 8) + 4)(CTX));
880f3f935a7SJussi Kivilinna
881f3f935a7SJussi Kivilinna	dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
882f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
883f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 0);
884f3f935a7SJussi Kivilinna
885f3f935a7SJussi Kivilinna	/* load CD for output */
886f3f935a7SJussi Kivilinna	vmovdqu 0 * 32(%rcx), %ymm8;
887f3f935a7SJussi Kivilinna	vmovdqu 1 * 32(%rcx), %ymm9;
888f3f935a7SJussi Kivilinna	vmovdqu 2 * 32(%rcx), %ymm10;
889f3f935a7SJussi Kivilinna	vmovdqu 3 * 32(%rcx), %ymm11;
890f3f935a7SJussi Kivilinna	vmovdqu 4 * 32(%rcx), %ymm12;
891f3f935a7SJussi Kivilinna	vmovdqu 5 * 32(%rcx), %ymm13;
892f3f935a7SJussi Kivilinna	vmovdqu 6 * 32(%rcx), %ymm14;
893f3f935a7SJussi Kivilinna	vmovdqu 7 * 32(%rcx), %ymm15;
894f3f935a7SJussi Kivilinna
895f3f935a7SJussi Kivilinna	outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
896f3f935a7SJussi Kivilinna		    %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
897f3f935a7SJussi Kivilinna		    %ymm15, (key_table)(CTX), (%rax), 1 * 32(%rax));
898f3f935a7SJussi Kivilinna
8998691ccd7SJosh Poimboeuf	FRAME_END
900f94909ceSPeter Zijlstra	RET;
901f3f935a7SJussi Kivilinna
902f3f935a7SJussi Kivilinna.align 8
903f3f935a7SJussi Kivilinna.Ldec_max32:
904f3f935a7SJussi Kivilinna	dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
905f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
906f3f935a7SJussi Kivilinna		     %ymm15, %rax, %rcx, 24);
907f3f935a7SJussi Kivilinna
908f3f935a7SJussi Kivilinna	fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
909f3f935a7SJussi Kivilinna	      %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
910f3f935a7SJussi Kivilinna	      %ymm15,
911f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 8)(CTX),
912f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 12)(CTX),
913f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 0)(CTX),
914f3f935a7SJussi Kivilinna	      ((key_table + (24) * 8) + 4)(CTX));
915f3f935a7SJussi Kivilinna
916f3f935a7SJussi Kivilinna	jmp .Ldec_max24;
91774d8b90aSJiri SlabySYM_FUNC_END(__camellia_dec_blk32)
918f3f935a7SJussi Kivilinna
9196dcc5627SJiri SlabySYM_FUNC_START(camellia_ecb_enc_32way)
920f3f935a7SJussi Kivilinna	/* input:
921f3f935a7SJussi Kivilinna	 *	%rdi: ctx, CTX
922f3f935a7SJussi Kivilinna	 *	%rsi: dst (32 blocks)
923f3f935a7SJussi Kivilinna	 *	%rdx: src (32 blocks)
924f3f935a7SJussi Kivilinna	 */
9258691ccd7SJosh Poimboeuf	FRAME_BEGIN
926f3f935a7SJussi Kivilinna
927f3f935a7SJussi Kivilinna	vzeroupper;
928f3f935a7SJussi Kivilinna
929f3f935a7SJussi Kivilinna	inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
930f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
931f3f935a7SJussi Kivilinna		     %ymm15, %rdx, (key_table)(CTX));
932f3f935a7SJussi Kivilinna
933f3f935a7SJussi Kivilinna	/* now dst can be used as temporary buffer (even in src == dst case) */
934f3f935a7SJussi Kivilinna	movq	%rsi, %rax;
935f3f935a7SJussi Kivilinna
936f3f935a7SJussi Kivilinna	call __camellia_enc_blk32;
937f3f935a7SJussi Kivilinna
938f3f935a7SJussi Kivilinna	write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
939f3f935a7SJussi Kivilinna		     %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
940f3f935a7SJussi Kivilinna		     %ymm8, %rsi);
941f3f935a7SJussi Kivilinna
942f3f935a7SJussi Kivilinna	vzeroupper;
943f3f935a7SJussi Kivilinna
9448691ccd7SJosh Poimboeuf	FRAME_END
945f94909ceSPeter Zijlstra	RET;
9466dcc5627SJiri SlabySYM_FUNC_END(camellia_ecb_enc_32way)
947f3f935a7SJussi Kivilinna
9486dcc5627SJiri SlabySYM_FUNC_START(camellia_ecb_dec_32way)
949f3f935a7SJussi Kivilinna	/* input:
950f3f935a7SJussi Kivilinna	 *	%rdi: ctx, CTX
951f3f935a7SJussi Kivilinna	 *	%rsi: dst (32 blocks)
952f3f935a7SJussi Kivilinna	 *	%rdx: src (32 blocks)
953f3f935a7SJussi Kivilinna	 */
9548691ccd7SJosh Poimboeuf	FRAME_BEGIN
955f3f935a7SJussi Kivilinna
956f3f935a7SJussi Kivilinna	vzeroupper;
957f3f935a7SJussi Kivilinna
958f3f935a7SJussi Kivilinna	cmpl $16, key_length(CTX);
959f3f935a7SJussi Kivilinna	movl $32, %r8d;
960f3f935a7SJussi Kivilinna	movl $24, %eax;
961f3f935a7SJussi Kivilinna	cmovel %eax, %r8d; /* max */
962f3f935a7SJussi Kivilinna
963f3f935a7SJussi Kivilinna	inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
964f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
965f3f935a7SJussi Kivilinna		     %ymm15, %rdx, (key_table)(CTX, %r8, 8));
966f3f935a7SJussi Kivilinna
967f3f935a7SJussi Kivilinna	/* now dst can be used as temporary buffer (even in src == dst case) */
968f3f935a7SJussi Kivilinna	movq	%rsi, %rax;
969f3f935a7SJussi Kivilinna
970f3f935a7SJussi Kivilinna	call __camellia_dec_blk32;
971f3f935a7SJussi Kivilinna
972f3f935a7SJussi Kivilinna	write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
973f3f935a7SJussi Kivilinna		     %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
974f3f935a7SJussi Kivilinna		     %ymm8, %rsi);
975f3f935a7SJussi Kivilinna
976f3f935a7SJussi Kivilinna	vzeroupper;
977f3f935a7SJussi Kivilinna
9788691ccd7SJosh Poimboeuf	FRAME_END
979f94909ceSPeter Zijlstra	RET;
9806dcc5627SJiri SlabySYM_FUNC_END(camellia_ecb_dec_32way)
981f3f935a7SJussi Kivilinna
9826dcc5627SJiri SlabySYM_FUNC_START(camellia_cbc_dec_32way)
983f3f935a7SJussi Kivilinna	/* input:
984f3f935a7SJussi Kivilinna	 *	%rdi: ctx, CTX
985f3f935a7SJussi Kivilinna	 *	%rsi: dst (32 blocks)
986f3f935a7SJussi Kivilinna	 *	%rdx: src (32 blocks)
987f3f935a7SJussi Kivilinna	 */
9888691ccd7SJosh Poimboeuf	FRAME_BEGIN
989dabe5167SJosh Poimboeuf	subq $(16 * 32), %rsp;
990f3f935a7SJussi Kivilinna
991f3f935a7SJussi Kivilinna	vzeroupper;
992f3f935a7SJussi Kivilinna
993f3f935a7SJussi Kivilinna	cmpl $16, key_length(CTX);
994f3f935a7SJussi Kivilinna	movl $32, %r8d;
995f3f935a7SJussi Kivilinna	movl $24, %eax;
996f3f935a7SJussi Kivilinna	cmovel %eax, %r8d; /* max */
997f3f935a7SJussi Kivilinna
998f3f935a7SJussi Kivilinna	inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
999f3f935a7SJussi Kivilinna		     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
1000f3f935a7SJussi Kivilinna		     %ymm15, %rdx, (key_table)(CTX, %r8, 8));
1001f3f935a7SJussi Kivilinna
1002f3f935a7SJussi Kivilinna	cmpq %rsi, %rdx;
1003f3f935a7SJussi Kivilinna	je .Lcbc_dec_use_stack;
1004f3f935a7SJussi Kivilinna
1005f3f935a7SJussi Kivilinna	/* dst can be used as temporary storage, src is not overwritten. */
1006f3f935a7SJussi Kivilinna	movq %rsi, %rax;
1007f3f935a7SJussi Kivilinna	jmp .Lcbc_dec_continue;
1008f3f935a7SJussi Kivilinna
1009f3f935a7SJussi Kivilinna.Lcbc_dec_use_stack:
1010f3f935a7SJussi Kivilinna	/*
1011f3f935a7SJussi Kivilinna	 * dst still in-use (because dst == src), so use stack for temporary
1012f3f935a7SJussi Kivilinna	 * storage.
1013f3f935a7SJussi Kivilinna	 */
1014f3f935a7SJussi Kivilinna	movq %rsp, %rax;
1015f3f935a7SJussi Kivilinna
1016f3f935a7SJussi Kivilinna.Lcbc_dec_continue:
1017f3f935a7SJussi Kivilinna	call __camellia_dec_blk32;
1018f3f935a7SJussi Kivilinna
1019f3f935a7SJussi Kivilinna	vmovdqu %ymm7, (%rax);
1020f3f935a7SJussi Kivilinna	vpxor %ymm7, %ymm7, %ymm7;
1021f3f935a7SJussi Kivilinna	vinserti128 $1, (%rdx), %ymm7, %ymm7;
1022f3f935a7SJussi Kivilinna	vpxor (%rax), %ymm7, %ymm7;
1023f3f935a7SJussi Kivilinna	vpxor (0 * 32 + 16)(%rdx), %ymm6, %ymm6;
1024f3f935a7SJussi Kivilinna	vpxor (1 * 32 + 16)(%rdx), %ymm5, %ymm5;
1025f3f935a7SJussi Kivilinna	vpxor (2 * 32 + 16)(%rdx), %ymm4, %ymm4;
1026f3f935a7SJussi Kivilinna	vpxor (3 * 32 + 16)(%rdx), %ymm3, %ymm3;
1027f3f935a7SJussi Kivilinna	vpxor (4 * 32 + 16)(%rdx), %ymm2, %ymm2;
1028f3f935a7SJussi Kivilinna	vpxor (5 * 32 + 16)(%rdx), %ymm1, %ymm1;
1029f3f935a7SJussi Kivilinna	vpxor (6 * 32 + 16)(%rdx), %ymm0, %ymm0;
1030f3f935a7SJussi Kivilinna	vpxor (7 * 32 + 16)(%rdx), %ymm15, %ymm15;
1031f3f935a7SJussi Kivilinna	vpxor (8 * 32 + 16)(%rdx), %ymm14, %ymm14;
1032f3f935a7SJussi Kivilinna	vpxor (9 * 32 + 16)(%rdx), %ymm13, %ymm13;
1033f3f935a7SJussi Kivilinna	vpxor (10 * 32 + 16)(%rdx), %ymm12, %ymm12;
1034f3f935a7SJussi Kivilinna	vpxor (11 * 32 + 16)(%rdx), %ymm11, %ymm11;
1035f3f935a7SJussi Kivilinna	vpxor (12 * 32 + 16)(%rdx), %ymm10, %ymm10;
1036f3f935a7SJussi Kivilinna	vpxor (13 * 32 + 16)(%rdx), %ymm9, %ymm9;
1037f3f935a7SJussi Kivilinna	vpxor (14 * 32 + 16)(%rdx), %ymm8, %ymm8;
1038f3f935a7SJussi Kivilinna	write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
1039f3f935a7SJussi Kivilinna		     %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
1040f3f935a7SJussi Kivilinna		     %ymm8, %rsi);
1041f3f935a7SJussi Kivilinna
1042f3f935a7SJussi Kivilinna	vzeroupper;
1043f3f935a7SJussi Kivilinna
1044dabe5167SJosh Poimboeuf	addq $(16 * 32), %rsp;
10458691ccd7SJosh Poimboeuf	FRAME_END
1046f94909ceSPeter Zijlstra	RET;
10476dcc5627SJiri SlabySYM_FUNC_END(camellia_cbc_dec_32way)
1048