crypto: twofish-avx - tune assembler code for more performance
authorJussi Kivilinna <jussi.kivilinna@mbnet.fi>
Tue, 28 Aug 2012 11:24:43 +0000 (14:24 +0300)
committerHerbert Xu <herbert@gondor.apana.org.au>
Thu, 6 Sep 2012 20:17:04 +0000 (04:17 +0800)
Patch replaces 'movb' instructions with 'movzbl' to break false register
dependencies and interleaves instructions better for out-of-order scheduling.

Tested on Intel Core i5-2450M and AMD FX-8100.

tcrypt ECB results:

Intel Core i5-2450M:

size    old-vs-new      new-vs-3way     old-vs-3way
        enc     dec     enc     dec     enc     dec
256     1.12x   1.13x   1.36x   1.37x   1.21x   1.22x
1k      1.14x   1.14x   1.48x   1.49x   1.29x   1.31x
8k      1.14x   1.14x   1.50x   1.52x   1.32x   1.33x

AMD FX-8100:

size    old-vs-new      new-vs-3way     old-vs-3way
        enc     dec     enc     dec     enc     dec
256     1.10x   1.11x   1.01x   1.01x   0.92x   0.91x
1k      1.11x   1.12x   1.08x   1.07x   0.97x   0.96x
8k      1.11x   1.13x   1.10x   1.08x   0.99x   0.97x

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

Tested-by: Borislav Petkov <bp@alien8.de>
Cc: Johannes Goetzfried <Johannes.Goetzfried@informatik.stud.uni-erlangen.de>
Signed-off-by: Jussi Kivilinna <jussi.kivilinna@mbnet.fi>
Signed-off-by: Herbert Xu <herbert@gondor.apana.org.au>
arch/x86/crypto/twofish-avx-x86_64-asm_64.S

index 35f4557..1585abb 100644 (file)
@@ -4,6 +4,8 @@
  * Copyright (C) 2012 Johannes Goetzfried
  *     <Johannes.Goetzfried@informatik.stud.uni-erlangen.de>
  *
+ * Copyright © 2012 Jussi Kivilinna <jussi.kivilinna@mbnet.fi>
+ *
  * This program is free software; you can redistribute it and/or modify
  * it under the terms of the GNU General Public License as published by
  * the Free Software Foundation; either version 2 of the License, or
 #define RC2 %xmm6
 #define RD2 %xmm7
 
-#define RX %xmm8
-#define RY %xmm9
+#define RX0 %xmm8
+#define RY0 %xmm9
+
+#define RX1 %xmm10
+#define RY1 %xmm11
 
-#define RK1 %xmm10
-#define RK2 %xmm11
+#define RK1 %xmm12
+#define RK2 %xmm13
 
-#define RID1  %rax
-#define RID1b %al
-#define RID2  %rbx
-#define RID2b %bl
+#define RT %xmm14
+#define RR %xmm15
+
+#define RID1  %rbp
+#define RID1d %ebp
+#define RID2  %rsi
+#define RID2d %esi
 
 #define RGI1   %rdx
 #define RGI1bl %dl
 #define RGI2bl %cl
 #define RGI2bh %ch
 
+#define RGI3   %rax
+#define RGI3bl %al
+#define RGI3bh %ah
+#define RGI4   %rbx
+#define RGI4bl %bl
+#define RGI4bh %bh
+
 #define RGS1  %r8
 #define RGS1d %r8d
 #define RGS2  %r9
 #define RGS3d %r10d
 
 
-#define lookup_32bit(t0, t1, t2, t3, src, dst) \
-       movb            src ## bl,        RID1b;     \
-       movb            src ## bh,        RID2b;     \
-       movl            t0(CTX, RID1, 4), dst ## d;  \
-       xorl            t1(CTX, RID2, 4), dst ## d;  \
+#define lookup_32bit(t0, t1, t2, t3, src, dst, interleave_op, il_reg) \
+       movzbl          src ## bl,        RID1d;     \
+       movzbl          src ## bh,        RID2d;     \
        shrq $16,       src;                         \
-       movb            src ## bl,        RID1b;     \
-       movb            src ## bh,        RID2b;     \
+       movl            t0(CTX, RID1, 4), dst ## d;  \
+       movl            t1(CTX, RID2, 4), RID2d;     \
+       movzbl          src ## bl,        RID1d;     \
+       xorl            RID2d,            dst ## d;  \
+       movzbl          src ## bh,        RID2d;     \
+       interleave_op(il_reg);                       \
        xorl            t2(CTX, RID1, 4), dst ## d;  \
        xorl            t3(CTX, RID2, 4), dst ## d;
 
-#define G(a, x, t0, t1, t2, t3) \
-       vmovq           a,    RGI1;               \
-       vpsrldq $8,     a,    x;                  \
-       vmovq           x,    RGI2;               \
+#define dummy(d) /* do nothing */
+
+#define shr_next(reg) \
+       shrq $16,       reg;
+
+#define G(gi1, gi2, x, t0, t1, t2, t3) \
+       lookup_32bit(t0, t1, t2, t3, ##gi1, RGS1, shr_next, ##gi1);  \
+       lookup_32bit(t0, t1, t2, t3, ##gi2, RGS3, shr_next, ##gi2);  \
+       \
+       lookup_32bit(t0, t1, t2, t3, ##gi1, RGS2, dummy, none);      \
+       shlq $32,       RGS2;                                        \
+       orq             RGS1, RGS2;                                  \
+       lookup_32bit(t0, t1, t2, t3, ##gi2, RGS1, dummy, none);      \
+       shlq $32,       RGS1;                                        \
+       orq             RGS1, RGS3;
+
+#define round_head_2(a, b, x1, y1, x2, y2) \
+       vmovq           b ## 1, RGI3;           \
+       vpextrq $1,     b ## 1, RGI4;           \
        \
-       lookup_32bit(t0, t1, t2, t3, RGI1, RGS1); \
-       shrq $16,       RGI1;                     \
-       lookup_32bit(t0, t1, t2, t3, RGI1, RGS2); \
-       shlq $32,       RGS2;                     \
-       orq             RGS1, RGS2;               \
+       G(RGI1, RGI2, x1, s0, s1, s2, s3);      \
+       vmovq           a ## 2, RGI1;           \
+       vpextrq $1,     a ## 2, RGI2;           \
+       vmovq           RGS2, x1;               \
+       vpinsrq $1,     RGS3, x1, x1;           \
        \
-       lookup_32bit(t0, t1, t2, t3, RGI2, RGS1); \
-       shrq $16,       RGI2;                     \
-       lookup_32bit(t0, t1, t2, t3, RGI2, RGS3); \
-       shlq $32,       RGS3;                     \
-       orq             RGS1, RGS3;               \
+       G(RGI3, RGI4, y1, s1, s2, s3, s0);      \
+       vmovq           b ## 2, RGI3;           \
+       vpextrq $1,     b ## 2, RGI4;           \
+       vmovq           RGS2, y1;               \
+       vpinsrq $1,     RGS3, y1, y1;           \
        \
-       vmovq           RGS2, x;                  \
-       vpinsrq $1,     RGS3, x, x;
+       G(RGI1, RGI2, x2, s0, s1, s2, s3);      \
+       vmovq           RGS2, x2;               \
+       vpinsrq $1,     RGS3, x2, x2;           \
+       \
+       G(RGI3, RGI4, y2, s1, s2, s3, s0);      \
+       vmovq           RGS2, y2;               \
+       vpinsrq $1,     RGS3, y2, y2;
 
-#define encround(a, b, c, d, x, y) \
-       G(a, x, s0, s1, s2, s3);           \
-       G(b, y, s1, s2, s3, s0);           \
+#define encround_tail(a, b, c, d, x, y, prerotate) \
        vpaddd                  x, y,   x; \
+       vpaddd                  x, RK1, RT;\
+       prerotate(b);                      \
+       vpxor                   RT, c,  c; \
        vpaddd                  y, x,   y; \
-       vpaddd                  x, RK1, x; \
        vpaddd                  y, RK2, y; \
-       vpxor                   x, c,   c; \
-       vpsrld $1,              c, x;      \
+       vpsrld $1,              c, RT;     \
        vpslld $(32 - 1),       c, c;      \
-       vpor                    c, x,   c; \
-       vpslld $1,              d, x;      \
-       vpsrld $(32 - 1),       d, d;      \
-       vpor                    d, x,   d; \
-       vpxor                   d, y,   d;
-
-#define decround(a, b, c, d, x, y) \
-       G(a, x, s0, s1, s2, s3);           \
-       G(b, y, s1, s2, s3, s0);           \
+       vpor                    c, RT,  c; \
+       vpxor                   d, y,   d; \
+
+#define decround_tail(a, b, c, d, x, y, prerotate) \
        vpaddd                  x, y,   x; \
+       vpaddd                  x, RK1, RT;\
+       prerotate(a);                      \
+       vpxor                   RT, c,  c; \
        vpaddd                  y, x,   y; \
        vpaddd                  y, RK2, y; \
        vpxor                   d, y,   d; \
        vpsrld $1,              d, y;      \
        vpslld $(32 - 1),       d, d;      \
        vpor                    d, y,   d; \
-       vpslld $1,              c, y;      \
-       vpsrld $(32 - 1),       c, c;      \
-       vpor                    c, y,   c; \
-       vpaddd                  x, RK1, x; \
-       vpxor                   x, c,   c;
-
-#define encrypt_round(n, a, b, c, d) \
-       vbroadcastss (k+4*(2*(n)))(CTX),   RK1;           \
-       vbroadcastss (k+4*(2*(n)+1))(CTX), RK2;           \
-       encround(a ## 1, b ## 1, c ## 1, d ## 1, RX, RY); \
-       encround(a ## 2, b ## 2, c ## 2, d ## 2, RX, RY);
-
-#define decrypt_round(n, a, b, c, d) \
-       vbroadcastss (k+4*(2*(n)))(CTX),   RK1;           \
-       vbroadcastss (k+4*(2*(n)+1))(CTX), RK2;           \
-       decround(a ## 1, b ## 1, c ## 1, d ## 1, RX, RY); \
-       decround(a ## 2, b ## 2, c ## 2, d ## 2, RX, RY);
+
+#define rotate_1l(x) \
+       vpslld $1,              x, RR;     \
+       vpsrld $(32 - 1),       x, x;      \
+       vpor                    x, RR,  x;
+
+#define preload_rgi(c) \
+       vmovq                   c, RGI1; \
+       vpextrq $1,             c, RGI2;
+
+#define encrypt_round(n, a, b, c, d, preload, prerotate) \
+       vbroadcastss (k+4*(2*(n)))(CTX),   RK1;                  \
+       vbroadcastss (k+4*(2*(n)+1))(CTX), RK2;                  \
+       round_head_2(a, b, RX0, RY0, RX1, RY1);                  \
+       encround_tail(a ## 1, b ## 1, c ## 1, d ## 1, RX0, RY0, prerotate); \
+       preload(c ## 1);                                         \
+       encround_tail(a ## 2, b ## 2, c ## 2, d ## 2, RX1, RY1, prerotate);
+
+#define decrypt_round(n, a, b, c, d, preload, prerotate) \
+       vbroadcastss (k+4*(2*(n)))(CTX),   RK1;                  \
+       vbroadcastss (k+4*(2*(n)+1))(CTX), RK2;                  \
+       round_head_2(a, b, RX0, RY0, RX1, RY1);                  \
+       decround_tail(a ## 1, b ## 1, c ## 1, d ## 1, RX0, RY0, prerotate); \
+       preload(c ## 1);                                         \
+       decround_tail(a ## 2, b ## 2, c ## 2, d ## 2, RX1, RY1, prerotate);
 
 #define encrypt_cycle(n) \
-       encrypt_round((2*n), RA, RB, RC, RD);       \
-       encrypt_round(((2*n) + 1), RC, RD, RA, RB);
+       encrypt_round((2*n), RA, RB, RC, RD, preload_rgi, rotate_1l); \
+       encrypt_round(((2*n) + 1), RC, RD, RA, RB, preload_rgi, rotate_1l);
+
+#define encrypt_cycle_last(n) \
+       encrypt_round((2*n), RA, RB, RC, RD, preload_rgi, rotate_1l); \
+       encrypt_round(((2*n) + 1), RC, RD, RA, RB, dummy, dummy);
 
 #define decrypt_cycle(n) \
-       decrypt_round(((2*n) + 1), RC, RD, RA, RB); \
-       decrypt_round((2*n), RA, RB, RC, RD);
+       decrypt_round(((2*n) + 1), RC, RD, RA, RB, preload_rgi, rotate_1l); \
+       decrypt_round((2*n), RA, RB, RC, RD, preload_rgi, rotate_1l);
 
+#define decrypt_cycle_last(n) \
+       decrypt_round(((2*n) + 1), RC, RD, RA, RB, preload_rgi, rotate_1l); \
+       decrypt_round((2*n), RA, RB, RC, RD, dummy, dummy);
 
 #define transpose_4x4(x0, x1, x2, x3, t0, t1, t2) \
        vpunpckldq              x1, x0, t0; \
@@ -216,17 +265,20 @@ __twofish_enc_blk_8way:
         *      %rcx: bool, if true: xor output
         */
 
+       pushq %rbp;
        pushq %rbx;
        pushq %rcx;
 
        vmovdqu w(CTX), RK1;
 
        leaq (4*4*4)(%rdx), %rax;
-       inpack_blocks(%rdx, RA1, RB1, RC1, RD1, RK1, RX, RY, RK2);
-       inpack_blocks(%rax, RA2, RB2, RC2, RD2, RK1, RX, RY, RK2);
+       inpack_blocks(%rdx, RA1, RB1, RC1, RD1, RK1, RX0, RY0, RK2);
+       preload_rgi(RA1);
+       rotate_1l(RD1);
+       inpack_blocks(%rax, RA2, RB2, RC2, RD2, RK1, RX0, RY0, RK2);
+       rotate_1l(RD2);
 
-       xorq RID1, RID1;
-       xorq RID2, RID2;
+       movq %rsi, %r11;
 
        encrypt_cycle(0);
        encrypt_cycle(1);
@@ -235,26 +287,27 @@ __twofish_enc_blk_8way:
        encrypt_cycle(4);
        encrypt_cycle(5);
        encrypt_cycle(6);
-       encrypt_cycle(7);
+       encrypt_cycle_last(7);
 
        vmovdqu (w+4*4)(CTX), RK1;
 
        popq %rcx;
        popq %rbx;
+       popq %rbp;
 
-       leaq (4*4*4)(%rsi), %rax;
+       leaq (4*4*4)(%r11), %rax;
 
        testb %cl, %cl;
        jnz __enc_xor8;
 
-       outunpack_blocks(%rsi, RC1, RD1, RA1, RB1, RK1, RX, RY, RK2);
-       outunpack_blocks(%rax, RC2, RD2, RA2, RB2, RK1, RX, RY, RK2);
+       outunpack_blocks(%r11, RC1, RD1, RA1, RB1, RK1, RX0, RY0, RK2);
+       outunpack_blocks(%rax, RC2, RD2, RA2, RB2, RK1, RX0, RY0, RK2);
 
        ret;
 
 __enc_xor8:
-       outunpack_xor_blocks(%rsi, RC1, RD1, RA1, RB1, RK1, RX, RY, RK2);
-       outunpack_xor_blocks(%rax, RC2, RD2, RA2, RB2, RK1, RX, RY, RK2);
+       outunpack_xor_blocks(%r11, RC1, RD1, RA1, RB1, RK1, RX0, RY0, RK2);
+       outunpack_xor_blocks(%rax, RC2, RD2, RA2, RB2, RK1, RX0, RY0, RK2);
 
        ret;
 
@@ -269,16 +322,19 @@ twofish_dec_blk_8way:
         *      %rdx: src
         */
 
+       pushq %rbp;
        pushq %rbx;
 
        vmovdqu (w+4*4)(CTX), RK1;
 
        leaq (4*4*4)(%rdx), %rax;
-       inpack_blocks(%rdx, RC1, RD1, RA1, RB1, RK1, RX, RY, RK2);
-       inpack_blocks(%rax, RC2, RD2, RA2, RB2, RK1, RX, RY, RK2);
+       inpack_blocks(%rdx, RC1, RD1, RA1, RB1, RK1, RX0, RY0, RK2);
+       preload_rgi(RC1);
+       rotate_1l(RA1);
+       inpack_blocks(%rax, RC2, RD2, RA2, RB2, RK1, RX0, RY0, RK2);
+       rotate_1l(RA2);
 
-       xorq RID1, RID1;
-       xorq RID2, RID2;
+       movq %rsi, %r11;
 
        decrypt_cycle(7);
        decrypt_cycle(6);
@@ -287,14 +343,15 @@ twofish_dec_blk_8way:
        decrypt_cycle(3);
        decrypt_cycle(2);
        decrypt_cycle(1);
-       decrypt_cycle(0);
+       decrypt_cycle_last(0);
 
        vmovdqu (w)(CTX), RK1;
 
        popq %rbx;
+       popq %rbp;
 
-       leaq (4*4*4)(%rsi), %rax;
-       outunpack_blocks(%rsi, RA1, RB1, RC1, RD1, RK1, RX, RY, RK2);
-       outunpack_blocks(%rax, RA2, RB2, RC2, RD2, RK1, RX, RY, RK2);
+       leaq (4*4*4)(%r11), %rax;
+       outunpack_blocks(%r11, RA1, RB1, RC1, RD1, RK1, RX0, RY0, RK2);
+       outunpack_blocks(%rax, RA2, RB2, RC2, RD2, RK1, RX0, RY0, RK2);
 
        ret;