arch/x86/crypto/camellia-aesni-avx-asm_64.S

   1 /*
   2  * x86_64/AVX/AES-NI assembler implementation of Camellia
   3  *
   4  * Copyright © 2012-2013 Jussi Kivilinna <jussi.kivilinna@iki.fi>
   5  *
   6  * This program is free software; you can redistribute it and/or modify
   7  * it under the terms of the GNU General Public License as published by
   8  * the Free Software Foundation; either version 2 of the License, or
   9  * (at your option) any later version.
  10  *
  11  */
  12
  13 /*
  14  * Version licensed under 2-clause BSD License is available at:
  15  *      http://koti.mbnet.fi/axh/crypto/camellia-BSD-1.2.0-aesni1.tar.xz
  16  */
  17
  18 #include <linux/linkage.h>
  19 #include <asm/frame.h>
  20
  21 #define CAMELLIA_TABLE_BYTE_LEN 272
  22
  23 /* struct camellia_ctx: */
  24 #define key_table 0
  25 #define key_length CAMELLIA_TABLE_BYTE_LEN
  26
  27 /* register macros */
  28 #define CTX %rdi
  29
  30 /**********************************************************************
  31   16-way camellia
  32  **********************************************************************/
  33 #define filter_8bit(x, lo_t, hi_t, mask4bit, tmp0) \
  34         vpand x, mask4bit, tmp0; \
  35         vpandn x, mask4bit, x; \
  36         vpsrld $4, x, x; \
  37         \
  38         vpshufb tmp0, lo_t, tmp0; \
  39         vpshufb x, hi_t, x; \
  40         vpxor tmp0, x, x;
  41
  42 /*
  43  * IN:
  44  *   x0..x7: byte-sliced AB state
  45  *   mem_cd: register pointer storing CD state
  46  *   key: index for key material
  47  * OUT:
  48  *   x0..x7: new byte-sliced CD state
  49  */
  50 #define roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, t0, t1, t2, t3, t4, t5, t6, \
  51                   t7, mem_cd, key) \
  52         /* \
  53          * S-function with AES subbytes \
  54          */ \
  55         vmovdqa .Linv_shift_row, t4; \
  56         vbroadcastss .L0f0f0f0f, t7; \
  57         vmovdqa .Lpre_tf_lo_s1, t0; \
  58         vmovdqa .Lpre_tf_hi_s1, t1; \
  59         \
  60         /* AES inverse shift rows */ \
  61         vpshufb t4, x0, x0; \
  62         vpshufb t4, x7, x7; \
  63         vpshufb t4, x1, x1; \
  64         vpshufb t4, x4, x4; \
  65         vpshufb t4, x2, x2; \
  66         vpshufb t4, x5, x5; \
  67         vpshufb t4, x3, x3; \
  68         vpshufb t4, x6, x6; \
  69         \
  70         /* prefilter sboxes 1, 2 and 3 */ \
  71         vmovdqa .Lpre_tf_lo_s4, t2; \
  72         vmovdqa .Lpre_tf_hi_s4, t3; \
  73         filter_8bit(x0, t0, t1, t7, t6); \
  74         filter_8bit(x7, t0, t1, t7, t6); \
  75         filter_8bit(x1, t0, t1, t7, t6); \
  76         filter_8bit(x4, t0, t1, t7, t6); \
  77         filter_8bit(x2, t0, t1, t7, t6); \
  78         filter_8bit(x5, t0, t1, t7, t6); \
  79         \
  80         /* prefilter sbox 4 */ \
  81         vpxor t4, t4, t4; \
  82         filter_8bit(x3, t2, t3, t7, t6); \
  83         filter_8bit(x6, t2, t3, t7, t6); \
  84         \
  85         /* AES subbytes + AES shift rows */ \
  86         vmovdqa .Lpost_tf_lo_s1, t0; \
  87         vmovdqa .Lpost_tf_hi_s1, t1; \
  88         vaesenclast t4, x0, x0; \
  89         vaesenclast t4, x7, x7; \
  90         vaesenclast t4, x1, x1; \
  91         vaesenclast t4, x4, x4; \
  92         vaesenclast t4, x2, x2; \
  93         vaesenclast t4, x5, x5; \
  94         vaesenclast t4, x3, x3; \
  95         vaesenclast t4, x6, x6; \
  96         \
  97         /* postfilter sboxes 1 and 4 */ \
  98         vmovdqa .Lpost_tf_lo_s3, t2; \
  99         vmovdqa .Lpost_tf_hi_s3, t3; \
 100         filter_8bit(x0, t0, t1, t7, t6); \
 101         filter_8bit(x7, t0, t1, t7, t6); \
 102         filter_8bit(x3, t0, t1, t7, t6); \
 103         filter_8bit(x6, t0, t1, t7, t6); \
 104         \
 105         /* postfilter sbox 3 */ \
 106         vmovdqa .Lpost_tf_lo_s2, t4; \
 107         vmovdqa .Lpost_tf_hi_s2, t5; \
 108         filter_8bit(x2, t2, t3, t7, t6); \
 109         filter_8bit(x5, t2, t3, t7, t6); \
 110         \
 111         vpxor t6, t6, t6; \
 112         vmovq key, t0; \
 113         \
 114         /* postfilter sbox 2 */ \
 115         filter_8bit(x1, t4, t5, t7, t2); \
 116         filter_8bit(x4, t4, t5, t7, t2); \
 117         \
 118         vpsrldq $5, t0, t5; \
 119         vpsrldq $1, t0, t1; \
 120         vpsrldq $2, t0, t2; \
 121         vpsrldq $3, t0, t3; \
 122         vpsrldq $4, t0, t4; \
 123         vpshufb t6, t0, t0; \
 124         vpshufb t6, t1, t1; \
 125         vpshufb t6, t2, t2; \
 126         vpshufb t6, t3, t3; \
 127         vpshufb t6, t4, t4; \
 128         vpsrldq $2, t5, t7; \
 129         vpshufb t6, t7, t7; \
 130         \
 131         /* \
 132          * P-function \
 133          */ \
 134         vpxor x5, x0, x0; \
 135         vpxor x6, x1, x1; \
 136         vpxor x7, x2, x2; \
 137         vpxor x4, x3, x3; \
 138         \
 139         vpxor x2, x4, x4; \
 140         vpxor x3, x5, x5; \
 141         vpxor x0, x6, x6; \
 142         vpxor x1, x7, x7; \
 143         \
 144         vpxor x7, x0, x0; \
 145         vpxor x4, x1, x1; \
 146         vpxor x5, x2, x2; \
 147         vpxor x6, x3, x3; \
 148         \
 149         vpxor x3, x4, x4; \
 150         vpxor x0, x5, x5; \
 151         vpxor x1, x6, x6; \
 152         vpxor x2, x7, x7; /* note: high and low parts swapped */ \
 153         \
 154         /* \
 155          * Add key material and result to CD (x becomes new CD) \
 156          */ \
 157         \
 158         vpxor t3, x4, x4; \
 159         vpxor 0 * 16(mem_cd), x4, x4; \
 160         \
 161         vpxor t2, x5, x5; \
 162         vpxor 1 * 16(mem_cd), x5, x5; \
 163         \
 164         vpsrldq $1, t5, t3; \
 165         vpshufb t6, t5, t5; \
 166         vpshufb t6, t3, t6; \
 167         \
 168         vpxor t1, x6, x6; \
 169         vpxor 2 * 16(mem_cd), x6, x6; \
 170         \
 171         vpxor t0, x7, x7; \
 172         vpxor 3 * 16(mem_cd), x7, x7; \
 173         \
 174         vpxor t7, x0, x0; \
 175         vpxor 4 * 16(mem_cd), x0, x0; \
 176         \
 177         vpxor t6, x1, x1; \
 178         vpxor 5 * 16(mem_cd), x1, x1; \
 179         \
 180         vpxor t5, x2, x2; \
 181         vpxor 6 * 16(mem_cd), x2, x2; \
 182         \
 183         vpxor t4, x3, x3; \
 184         vpxor 7 * 16(mem_cd), x3, x3;
 185
 186 /*
 187  * Size optimization... with inlined roundsm16, binary would be over 5 times
 188  * larger and would only be 0.5% faster (on sandy-bridge).
 189  */
 190 .align 8
 191 roundsm16_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd:
 192         roundsm16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 193                   %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14, %xmm15,
 194                   %rcx, (%r9));
 195         ret;
 196 ENDPROC(roundsm16_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd)
 197
 198 .align 8
 199 roundsm16_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab:
 200         roundsm16(%xmm4, %xmm5, %xmm6, %xmm7, %xmm0, %xmm1, %xmm2, %xmm3,
 201                   %xmm12, %xmm13, %xmm14, %xmm15, %xmm8, %xmm9, %xmm10, %xmm11,
 202                   %rax, (%r9));
 203         ret;
 204 ENDPROC(roundsm16_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab)
 205
 206 /*
 207  * IN/OUT:
 208  *  x0..x7: byte-sliced AB state preloaded
 209  *  mem_ab: byte-sliced AB state in memory
 210  *  mem_cb: byte-sliced CD state in memory
 211  */
 212 #define two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 213                       y6, y7, mem_ab, mem_cd, i, dir, store_ab) \
 214         leaq (key_table + (i) * 8)(CTX), %r9; \
 215         call roundsm16_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd; \
 216         \
 217         vmovdqu x4, 0 * 16(mem_cd); \
 218         vmovdqu x5, 1 * 16(mem_cd); \
 219         vmovdqu x6, 2 * 16(mem_cd); \
 220         vmovdqu x7, 3 * 16(mem_cd); \
 221         vmovdqu x0, 4 * 16(mem_cd); \
 222         vmovdqu x1, 5 * 16(mem_cd); \
 223         vmovdqu x2, 6 * 16(mem_cd); \
 224         vmovdqu x3, 7 * 16(mem_cd); \
 225         \
 226         leaq (key_table + ((i) + (dir)) * 8)(CTX), %r9; \
 227         call roundsm16_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab; \
 228         \
 229         store_ab(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab);
 230
 231 #define dummy_store(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) /* do nothing */
 232
 233 #define store_ab_state(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) \
 234         /* Store new AB state */ \
 235         vmovdqu x0, 0 * 16(mem_ab); \
 236         vmovdqu x1, 1 * 16(mem_ab); \
 237         vmovdqu x2, 2 * 16(mem_ab); \
 238         vmovdqu x3, 3 * 16(mem_ab); \
 239         vmovdqu x4, 4 * 16(mem_ab); \
 240         vmovdqu x5, 5 * 16(mem_ab); \
 241         vmovdqu x6, 6 * 16(mem_ab); \
 242         vmovdqu x7, 7 * 16(mem_ab);
 243
 244 #define enc_rounds16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 245                       y6, y7, mem_ab, mem_cd, i) \
 246         two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 247                       y6, y7, mem_ab, mem_cd, (i) + 2, 1, store_ab_state); \
 248         two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 249                       y6, y7, mem_ab, mem_cd, (i) + 4, 1, store_ab_state); \
 250         two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 251                       y6, y7, mem_ab, mem_cd, (i) + 6, 1, dummy_store);
 252
 253 #define dec_rounds16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 254                       y6, y7, mem_ab, mem_cd, i) \
 255         two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 256                       y6, y7, mem_ab, mem_cd, (i) + 7, -1, store_ab_state); \
 257         two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 258                       y6, y7, mem_ab, mem_cd, (i) + 5, -1, store_ab_state); \
 259         two_roundsm16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 260                       y6, y7, mem_ab, mem_cd, (i) + 3, -1, dummy_store);
 261
 262 /*
 263  * IN:
 264  *  v0..3: byte-sliced 32-bit integers
 265  * OUT:
 266  *  v0..3: (IN <<< 1)
 267  */
 268 #define rol32_1_16(v0, v1, v2, v3, t0, t1, t2, zero) \
 269         vpcmpgtb v0, zero, t0; \
 270         vpaddb v0, v0, v0; \
 271         vpabsb t0, t0; \
 272         \
 273         vpcmpgtb v1, zero, t1; \
 274         vpaddb v1, v1, v1; \
 275         vpabsb t1, t1; \
 276         \
 277         vpcmpgtb v2, zero, t2; \
 278         vpaddb v2, v2, v2; \
 279         vpabsb t2, t2; \
 280         \
 281         vpor t0, v1, v1; \
 282         \
 283         vpcmpgtb v3, zero, t0; \
 284         vpaddb v3, v3, v3; \
 285         vpabsb t0, t0; \
 286         \
 287         vpor t1, v2, v2; \
 288         vpor t2, v3, v3; \
 289         vpor t0, v0, v0;
 290
 291 /*
 292  * IN:
 293  *   r: byte-sliced AB state in memory
 294  *   l: byte-sliced CD state in memory
 295  * OUT:
 296  *   x0..x7: new byte-sliced CD state
 297  */
 298 #define fls16(l, l0, l1, l2, l3, l4, l5, l6, l7, r, t0, t1, t2, t3, tt0, \
 299               tt1, tt2, tt3, kll, klr, krl, krr) \
 300         /* \
 301          * t0 = kll; \
 302          * t0 &= ll; \
 303          * lr ^= rol32(t0, 1); \
 304          */ \
 305         vpxor tt0, tt0, tt0; \
 306         vmovd kll, t0; \
 307         vpshufb tt0, t0, t3; \
 308         vpsrldq $1, t0, t0; \
 309         vpshufb tt0, t0, t2; \
 310         vpsrldq $1, t0, t0; \
 311         vpshufb tt0, t0, t1; \
 312         vpsrldq $1, t0, t0; \
 313         vpshufb tt0, t0, t0; \
 314         \
 315         vpand l0, t0, t0; \
 316         vpand l1, t1, t1; \
 317         vpand l2, t2, t2; \
 318         vpand l3, t3, t3; \
 319         \
 320         rol32_1_16(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
 321         \
 322         vpxor l4, t0, l4; \
 323         vmovdqu l4, 4 * 16(l); \
 324         vpxor l5, t1, l5; \
 325         vmovdqu l5, 5 * 16(l); \
 326         vpxor l6, t2, l6; \
 327         vmovdqu l6, 6 * 16(l); \
 328         vpxor l7, t3, l7; \
 329         vmovdqu l7, 7 * 16(l); \
 330         \
 331         /* \
 332          * t2 = krr; \
 333          * t2 |= rr; \
 334          * rl ^= t2; \
 335          */ \
 336         \
 337         vmovd krr, t0; \
 338         vpshufb tt0, t0, t3; \
 339         vpsrldq $1, t0, t0; \
 340         vpshufb tt0, t0, t2; \
 341         vpsrldq $1, t0, t0; \
 342         vpshufb tt0, t0, t1; \
 343         vpsrldq $1, t0, t0; \
 344         vpshufb tt0, t0, t0; \
 345         \
 346         vpor 4 * 16(r), t0, t0; \
 347         vpor 5 * 16(r), t1, t1; \
 348         vpor 6 * 16(r), t2, t2; \
 349         vpor 7 * 16(r), t3, t3; \
 350         \
 351         vpxor 0 * 16(r), t0, t0; \
 352         vpxor 1 * 16(r), t1, t1; \
 353         vpxor 2 * 16(r), t2, t2; \
 354         vpxor 3 * 16(r), t3, t3; \
 355         vmovdqu t0, 0 * 16(r); \
 356         vmovdqu t1, 1 * 16(r); \
 357         vmovdqu t2, 2 * 16(r); \
 358         vmovdqu t3, 3 * 16(r); \
 359         \
 360         /* \
 361          * t2 = krl; \
 362          * t2 &= rl; \
 363          * rr ^= rol32(t2, 1); \
 364          */ \
 365         vmovd krl, t0; \
 366         vpshufb tt0, t0, t3; \
 367         vpsrldq $1, t0, t0; \
 368         vpshufb tt0, t0, t2; \
 369         vpsrldq $1, t0, t0; \
 370         vpshufb tt0, t0, t1; \
 371         vpsrldq $1, t0, t0; \
 372         vpshufb tt0, t0, t0; \
 373         \
 374         vpand 0 * 16(r), t0, t0; \
 375         vpand 1 * 16(r), t1, t1; \
 376         vpand 2 * 16(r), t2, t2; \
 377         vpand 3 * 16(r), t3, t3; \
 378         \
 379         rol32_1_16(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
 380         \
 381         vpxor 4 * 16(r), t0, t0; \
 382         vpxor 5 * 16(r), t1, t1; \
 383         vpxor 6 * 16(r), t2, t2; \
 384         vpxor 7 * 16(r), t3, t3; \
 385         vmovdqu t0, 4 * 16(r); \
 386         vmovdqu t1, 5 * 16(r); \
 387         vmovdqu t2, 6 * 16(r); \
 388         vmovdqu t3, 7 * 16(r); \
 389         \
 390         /* \
 391          * t0 = klr; \
 392          * t0 |= lr; \
 393          * ll ^= t0; \
 394          */ \
 395         \
 396         vmovd klr, t0; \
 397         vpshufb tt0, t0, t3; \
 398         vpsrldq $1, t0, t0; \
 399         vpshufb tt0, t0, t2; \
 400         vpsrldq $1, t0, t0; \
 401         vpshufb tt0, t0, t1; \
 402         vpsrldq $1, t0, t0; \
 403         vpshufb tt0, t0, t0; \
 404         \
 405         vpor l4, t0, t0; \
 406         vpor l5, t1, t1; \
 407         vpor l6, t2, t2; \
 408         vpor l7, t3, t3; \
 409         \
 410         vpxor l0, t0, l0; \
 411         vmovdqu l0, 0 * 16(l); \
 412         vpxor l1, t1, l1; \
 413         vmovdqu l1, 1 * 16(l); \
 414         vpxor l2, t2, l2; \
 415         vmovdqu l2, 2 * 16(l); \
 416         vpxor l3, t3, l3; \
 417         vmovdqu l3, 3 * 16(l);
 418
 419 #define transpose_4x4(x0, x1, x2, x3, t1, t2) \
 420         vpunpckhdq x1, x0, t2; \
 421         vpunpckldq x1, x0, x0; \
 422         \
 423         vpunpckldq x3, x2, t1; \
 424         vpunpckhdq x3, x2, x2; \
 425         \
 426         vpunpckhqdq t1, x0, x1; \
 427         vpunpcklqdq t1, x0, x0; \
 428         \
 429         vpunpckhqdq x2, t2, x3; \
 430         vpunpcklqdq x2, t2, x2;
 431
 432 #define byteslice_16x16b(a0, b0, c0, d0, a1, b1, c1, d1, a2, b2, c2, d2, a3, \
 433                          b3, c3, d3, st0, st1) \
 434         vmovdqu d2, st0; \
 435         vmovdqu d3, st1; \
 436         transpose_4x4(a0, a1, a2, a3, d2, d3); \
 437         transpose_4x4(b0, b1, b2, b3, d2, d3); \
 438         vmovdqu st0, d2; \
 439         vmovdqu st1, d3; \
 440         \
 441         vmovdqu a0, st0; \
 442         vmovdqu a1, st1; \
 443         transpose_4x4(c0, c1, c2, c3, a0, a1); \
 444         transpose_4x4(d0, d1, d2, d3, a0, a1); \
 445         \
 446         vmovdqu .Lshufb_16x16b, a0; \
 447         vmovdqu st1, a1; \
 448         vpshufb a0, a2, a2; \
 449         vpshufb a0, a3, a3; \
 450         vpshufb a0, b0, b0; \
 451         vpshufb a0, b1, b1; \
 452         vpshufb a0, b2, b2; \
 453         vpshufb a0, b3, b3; \
 454         vpshufb a0, a1, a1; \
 455         vpshufb a0, c0, c0; \
 456         vpshufb a0, c1, c1; \
 457         vpshufb a0, c2, c2; \
 458         vpshufb a0, c3, c3; \
 459         vpshufb a0, d0, d0; \
 460         vpshufb a0, d1, d1; \
 461         vpshufb a0, d2, d2; \
 462         vpshufb a0, d3, d3; \
 463         vmovdqu d3, st1; \
 464         vmovdqu st0, d3; \
 465         vpshufb a0, d3, a0; \
 466         vmovdqu d2, st0; \
 467         \
 468         transpose_4x4(a0, b0, c0, d0, d2, d3); \
 469         transpose_4x4(a1, b1, c1, d1, d2, d3); \
 470         vmovdqu st0, d2; \
 471         vmovdqu st1, d3; \
 472         \
 473         vmovdqu b0, st0; \
 474         vmovdqu b1, st1; \
 475         transpose_4x4(a2, b2, c2, d2, b0, b1); \
 476         transpose_4x4(a3, b3, c3, d3, b0, b1); \
 477         vmovdqu st0, b0; \
 478         vmovdqu st1, b1; \
 479         /* does not adjust output bytes inside vectors */
 480
 481 /* load blocks to registers and apply pre-whitening */
 482 #define inpack16_pre(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 483                      y6, y7, rio, key) \
 484         vmovq key, x0; \
 485         vpshufb .Lpack_bswap, x0, x0; \
 486         \
 487         vpxor 0 * 16(rio), x0, y7; \
 488         vpxor 1 * 16(rio), x0, y6; \
 489         vpxor 2 * 16(rio), x0, y5; \
 490         vpxor 3 * 16(rio), x0, y4; \
 491         vpxor 4 * 16(rio), x0, y3; \
 492         vpxor 5 * 16(rio), x0, y2; \
 493         vpxor 6 * 16(rio), x0, y1; \
 494         vpxor 7 * 16(rio), x0, y0; \
 495         vpxor 8 * 16(rio), x0, x7; \
 496         vpxor 9 * 16(rio), x0, x6; \
 497         vpxor 10 * 16(rio), x0, x5; \
 498         vpxor 11 * 16(rio), x0, x4; \
 499         vpxor 12 * 16(rio), x0, x3; \
 500         vpxor 13 * 16(rio), x0, x2; \
 501         vpxor 14 * 16(rio), x0, x1; \
 502         vpxor 15 * 16(rio), x0, x0;
 503
 504 /* byteslice pre-whitened blocks and store to temporary memory */
 505 #define inpack16_post(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 506                       y6, y7, mem_ab, mem_cd) \
 507         byteslice_16x16b(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
 508                          y5, y6, y7, (mem_ab), (mem_cd)); \
 509         \
 510         vmovdqu x0, 0 * 16(mem_ab); \
 511         vmovdqu x1, 1 * 16(mem_ab); \
 512         vmovdqu x2, 2 * 16(mem_ab); \
 513         vmovdqu x3, 3 * 16(mem_ab); \
 514         vmovdqu x4, 4 * 16(mem_ab); \
 515         vmovdqu x5, 5 * 16(mem_ab); \
 516         vmovdqu x6, 6 * 16(mem_ab); \
 517         vmovdqu x7, 7 * 16(mem_ab); \
 518         vmovdqu y0, 0 * 16(mem_cd); \
 519         vmovdqu y1, 1 * 16(mem_cd); \
 520         vmovdqu y2, 2 * 16(mem_cd); \
 521         vmovdqu y3, 3 * 16(mem_cd); \
 522         vmovdqu y4, 4 * 16(mem_cd); \
 523         vmovdqu y5, 5 * 16(mem_cd); \
 524         vmovdqu y6, 6 * 16(mem_cd); \
 525         vmovdqu y7, 7 * 16(mem_cd);
 526
 527 /* de-byteslice, apply post-whitening and store blocks */
 528 #define outunpack16(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
 529                     y5, y6, y7, key, stack_tmp0, stack_tmp1) \
 530         byteslice_16x16b(y0, y4, x0, x4, y1, y5, x1, x5, y2, y6, x2, x6, y3, \
 531                          y7, x3, x7, stack_tmp0, stack_tmp1); \
 532         \
 533         vmovdqu x0, stack_tmp0; \
 534         \
 535         vmovq key, x0; \
 536         vpshufb .Lpack_bswap, x0, x0; \
 537         \
 538         vpxor x0, y7, y7; \
 539         vpxor x0, y6, y6; \
 540         vpxor x0, y5, y5; \
 541         vpxor x0, y4, y4; \
 542         vpxor x0, y3, y3; \
 543         vpxor x0, y2, y2; \
 544         vpxor x0, y1, y1; \
 545         vpxor x0, y0, y0; \
 546         vpxor x0, x7, x7; \
 547         vpxor x0, x6, x6; \
 548         vpxor x0, x5, x5; \
 549         vpxor x0, x4, x4; \
 550         vpxor x0, x3, x3; \
 551         vpxor x0, x2, x2; \
 552         vpxor x0, x1, x1; \
 553         vpxor stack_tmp0, x0, x0;
 554
 555 #define write_output(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 556                      y6, y7, rio) \
 557         vmovdqu x0, 0 * 16(rio); \
 558         vmovdqu x1, 1 * 16(rio); \
 559         vmovdqu x2, 2 * 16(rio); \
 560         vmovdqu x3, 3 * 16(rio); \
 561         vmovdqu x4, 4 * 16(rio); \
 562         vmovdqu x5, 5 * 16(rio); \
 563         vmovdqu x6, 6 * 16(rio); \
 564         vmovdqu x7, 7 * 16(rio); \
 565         vmovdqu y0, 8 * 16(rio); \
 566         vmovdqu y1, 9 * 16(rio); \
 567         vmovdqu y2, 10 * 16(rio); \
 568         vmovdqu y3, 11 * 16(rio); \
 569         vmovdqu y4, 12 * 16(rio); \
 570         vmovdqu y5, 13 * 16(rio); \
 571         vmovdqu y6, 14 * 16(rio); \
 572         vmovdqu y7, 15 * 16(rio);
 573
 574
 575 /* NB: section is mergeable, all elements must be aligned 16-byte blocks */
 576 .section        .rodata.cst16, "aM", @progbits, 16
 577 .align 16
 578
 579 #define SHUFB_BYTES(idx) \
 580         0 + (idx), 4 + (idx), 8 + (idx), 12 + (idx)
 581
 582 .Lshufb_16x16b:
 583         .byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3);
 584
 585 .Lpack_bswap:
 586         .long 0x00010203
 587         .long 0x04050607
 588         .long 0x80808080
 589         .long 0x80808080
 590
 591 /* For CTR-mode IV byteswap */
 592 .Lbswap128_mask:
 593         .byte 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0
 594
 595 /* For XTS mode IV generation */
 596 .Lxts_gf128mul_and_shl1_mask:
 597         .byte 0x87, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0
 598
 599 /*
 600  * pre-SubByte transform
 601  *
 602  * pre-lookup for sbox1, sbox2, sbox3:
 603  *   swap_bitendianness(
 604  *       isom_map_camellia_to_aes(
 605  *           camellia_f(
 606  *               swap_bitendianess(in)
 607  *           )
 608  *       )
 609  *   )
 610  *
 611  * (note: '⊕ 0xc5' inside camellia_f())
 612  */
 613 .Lpre_tf_lo_s1:
 614         .byte 0x45, 0xe8, 0x40, 0xed, 0x2e, 0x83, 0x2b, 0x86
 615         .byte 0x4b, 0xe6, 0x4e, 0xe3, 0x20, 0x8d, 0x25, 0x88
 616 .Lpre_tf_hi_s1:
 617         .byte 0x00, 0x51, 0xf1, 0xa0, 0x8a, 0xdb, 0x7b, 0x2a
 618         .byte 0x09, 0x58, 0xf8, 0xa9, 0x83, 0xd2, 0x72, 0x23
 619
 620 /*
 621  * pre-SubByte transform
 622  *
 623  * pre-lookup for sbox4:
 624  *   swap_bitendianness(
 625  *       isom_map_camellia_to_aes(
 626  *           camellia_f(
 627  *               swap_bitendianess(in <<< 1)
 628  *           )
 629  *       )
 630  *   )
 631  *
 632  * (note: '⊕ 0xc5' inside camellia_f())
 633  */
 634 .Lpre_tf_lo_s4:
 635         .byte 0x45, 0x40, 0x2e, 0x2b, 0x4b, 0x4e, 0x20, 0x25
 636         .byte 0x14, 0x11, 0x7f, 0x7a, 0x1a, 0x1f, 0x71, 0x74
 637 .Lpre_tf_hi_s4:
 638         .byte 0x00, 0xf1, 0x8a, 0x7b, 0x09, 0xf8, 0x83, 0x72
 639         .byte 0xad, 0x5c, 0x27, 0xd6, 0xa4, 0x55, 0x2e, 0xdf
 640
 641 /*
 642  * post-SubByte transform
 643  *
 644  * post-lookup for sbox1, sbox4:
 645  *  swap_bitendianness(
 646  *      camellia_h(
 647  *          isom_map_aes_to_camellia(
 648  *              swap_bitendianness(
 649  *                  aes_inverse_affine_transform(in)
 650  *              )
 651  *          )
 652  *      )
 653  *  )
 654  *
 655  * (note: '⊕ 0x6e' inside camellia_h())
 656  */
 657 .Lpost_tf_lo_s1:
 658         .byte 0x3c, 0xcc, 0xcf, 0x3f, 0x32, 0xc2, 0xc1, 0x31
 659         .byte 0xdc, 0x2c, 0x2f, 0xdf, 0xd2, 0x22, 0x21, 0xd1
 660 .Lpost_tf_hi_s1:
 661         .byte 0x00, 0xf9, 0x86, 0x7f, 0xd7, 0x2e, 0x51, 0xa8
 662         .byte 0xa4, 0x5d, 0x22, 0xdb, 0x73, 0x8a, 0xf5, 0x0c
 663
 664 /*
 665  * post-SubByte transform
 666  *
 667  * post-lookup for sbox2:
 668  *  swap_bitendianness(
 669  *      camellia_h(
 670  *          isom_map_aes_to_camellia(
 671  *              swap_bitendianness(
 672  *                  aes_inverse_affine_transform(in)
 673  *              )
 674  *          )
 675  *      )
 676  *  ) <<< 1
 677  *
 678  * (note: '⊕ 0x6e' inside camellia_h())
 679  */
 680 .Lpost_tf_lo_s2:
 681         .byte 0x78, 0x99, 0x9f, 0x7e, 0x64, 0x85, 0x83, 0x62
 682         .byte 0xb9, 0x58, 0x5e, 0xbf, 0xa5, 0x44, 0x42, 0xa3
 683 .Lpost_tf_hi_s2:
 684         .byte 0x00, 0xf3, 0x0d, 0xfe, 0xaf, 0x5c, 0xa2, 0x51
 685         .byte 0x49, 0xba, 0x44, 0xb7, 0xe6, 0x15, 0xeb, 0x18
 686
 687 /*
 688  * post-SubByte transform
 689  *
 690  * post-lookup for sbox3:
 691  *  swap_bitendianness(
 692  *      camellia_h(
 693  *          isom_map_aes_to_camellia(
 694  *              swap_bitendianness(
 695  *                  aes_inverse_affine_transform(in)
 696  *              )
 697  *          )
 698  *      )
 699  *  ) >>> 1
 700  *
 701  * (note: '⊕ 0x6e' inside camellia_h())
 702  */
 703 .Lpost_tf_lo_s3:
 704         .byte 0x1e, 0x66, 0xe7, 0x9f, 0x19, 0x61, 0xe0, 0x98
 705         .byte 0x6e, 0x16, 0x97, 0xef, 0x69, 0x11, 0x90, 0xe8
 706 .Lpost_tf_hi_s3:
 707         .byte 0x00, 0xfc, 0x43, 0xbf, 0xeb, 0x17, 0xa8, 0x54
 708         .byte 0x52, 0xae, 0x11, 0xed, 0xb9, 0x45, 0xfa, 0x06
 709
 710 /* For isolating SubBytes from AESENCLAST, inverse shift row */
 711 .Linv_shift_row:
 712         .byte 0x00, 0x0d, 0x0a, 0x07, 0x04, 0x01, 0x0e, 0x0b
 713         .byte 0x08, 0x05, 0x02, 0x0f, 0x0c, 0x09, 0x06, 0x03
 714
 715 /* 4-bit mask */
 716 .section        .rodata.cst4.L0f0f0f0f, "aM", @progbits, 4
 717 .align 4
 718 .L0f0f0f0f:
 719         .long 0x0f0f0f0f
 720
 721 .text
 722
 723 .align 8
 724 __camellia_enc_blk16:
 725         /* input:
 726          *      %rdi: ctx, CTX
 727          *      %rax: temporary storage, 256 bytes
 728          *      %xmm0..%xmm15: 16 plaintext blocks
 729          * output:
 730          *      %xmm0..%xmm15: 16 encrypted blocks, order swapped:
 731          *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
 732          */
 733         FRAME_BEGIN
 734
 735         leaq 8 * 16(%rax), %rcx;
 736
 737         inpack16_post(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 738                       %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 739                       %xmm15, %rax, %rcx);
 740
 741         enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 742                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 743                      %xmm15, %rax, %rcx, 0);
 744
 745         fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 746               %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 747               %xmm15,
 748               ((key_table + (8) * 8) + 0)(CTX),
 749               ((key_table + (8) * 8) + 4)(CTX),
 750               ((key_table + (8) * 8) + 8)(CTX),
 751               ((key_table + (8) * 8) + 12)(CTX));
 752
 753         enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 754                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 755                      %xmm15, %rax, %rcx, 8);
 756
 757         fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 758               %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 759               %xmm15,
 760               ((key_table + (16) * 8) + 0)(CTX),
 761               ((key_table + (16) * 8) + 4)(CTX),
 762               ((key_table + (16) * 8) + 8)(CTX),
 763               ((key_table + (16) * 8) + 12)(CTX));
 764
 765         enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 766                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 767                      %xmm15, %rax, %rcx, 16);
 768
 769         movl $24, %r8d;
 770         cmpl $16, key_length(CTX);
 771         jne .Lenc_max32;
 772
 773 .Lenc_done:
 774         /* load CD for output */
 775         vmovdqu 0 * 16(%rcx), %xmm8;
 776         vmovdqu 1 * 16(%rcx), %xmm9;
 777         vmovdqu 2 * 16(%rcx), %xmm10;
 778         vmovdqu 3 * 16(%rcx), %xmm11;
 779         vmovdqu 4 * 16(%rcx), %xmm12;
 780         vmovdqu 5 * 16(%rcx), %xmm13;
 781         vmovdqu 6 * 16(%rcx), %xmm14;
 782         vmovdqu 7 * 16(%rcx), %xmm15;
 783
 784         outunpack16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 785                     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 786                     %xmm15, (key_table)(CTX, %r8, 8), (%rax), 1 * 16(%rax));
 787
 788         FRAME_END
 789         ret;
 790
 791 .align 8
 792 .Lenc_max32:
 793         movl $32, %r8d;
 794
 795         fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 796               %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 797               %xmm15,
 798               ((key_table + (24) * 8) + 0)(CTX),
 799               ((key_table + (24) * 8) + 4)(CTX),
 800               ((key_table + (24) * 8) + 8)(CTX),
 801               ((key_table + (24) * 8) + 12)(CTX));
 802
 803         enc_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 804                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 805                      %xmm15, %rax, %rcx, 24);
 806
 807         jmp .Lenc_done;
 808 ENDPROC(__camellia_enc_blk16)
 809
 810 .align 8
 811 __camellia_dec_blk16:
 812         /* input:
 813          *      %rdi: ctx, CTX
 814          *      %rax: temporary storage, 256 bytes
 815          *      %r8d: 24 for 16 byte key, 32 for larger
 816          *      %xmm0..%xmm15: 16 encrypted blocks
 817          * output:
 818          *      %xmm0..%xmm15: 16 plaintext blocks, order swapped:
 819          *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
 820          */
 821         FRAME_BEGIN
 822
 823         leaq 8 * 16(%rax), %rcx;
 824
 825         inpack16_post(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 826                       %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 827                       %xmm15, %rax, %rcx);
 828
 829         cmpl $32, %r8d;
 830         je .Ldec_max32;
 831
 832 .Ldec_max24:
 833         dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 834                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 835                      %xmm15, %rax, %rcx, 16);
 836
 837         fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 838               %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 839               %xmm15,
 840               ((key_table + (16) * 8) + 8)(CTX),
 841               ((key_table + (16) * 8) + 12)(CTX),
 842               ((key_table + (16) * 8) + 0)(CTX),
 843               ((key_table + (16) * 8) + 4)(CTX));
 844
 845         dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 846                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 847                      %xmm15, %rax, %rcx, 8);
 848
 849         fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 850               %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 851               %xmm15,
 852               ((key_table + (8) * 8) + 8)(CTX),
 853               ((key_table + (8) * 8) + 12)(CTX),
 854               ((key_table + (8) * 8) + 0)(CTX),
 855               ((key_table + (8) * 8) + 4)(CTX));
 856
 857         dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 858                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 859                      %xmm15, %rax, %rcx, 0);
 860
 861         /* load CD for output */
 862         vmovdqu 0 * 16(%rcx), %xmm8;
 863         vmovdqu 1 * 16(%rcx), %xmm9;
 864         vmovdqu 2 * 16(%rcx), %xmm10;
 865         vmovdqu 3 * 16(%rcx), %xmm11;
 866         vmovdqu 4 * 16(%rcx), %xmm12;
 867         vmovdqu 5 * 16(%rcx), %xmm13;
 868         vmovdqu 6 * 16(%rcx), %xmm14;
 869         vmovdqu 7 * 16(%rcx), %xmm15;
 870
 871         outunpack16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 872                     %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 873                     %xmm15, (key_table)(CTX), (%rax), 1 * 16(%rax));
 874
 875         FRAME_END
 876         ret;
 877
 878 .align 8
 879 .Ldec_max32:
 880         dec_rounds16(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 881                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 882                      %xmm15, %rax, %rcx, 24);
 883
 884         fls16(%rax, %xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 885               %rcx, %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 886               %xmm15,
 887               ((key_table + (24) * 8) + 8)(CTX),
 888               ((key_table + (24) * 8) + 12)(CTX),
 889               ((key_table + (24) * 8) + 0)(CTX),
 890               ((key_table + (24) * 8) + 4)(CTX));
 891
 892         jmp .Ldec_max24;
 893 ENDPROC(__camellia_dec_blk16)
 894
 895 ENTRY(camellia_ecb_enc_16way)
 896         /* input:
 897          *      %rdi: ctx, CTX
 898          *      %rsi: dst (16 blocks)
 899          *      %rdx: src (16 blocks)
 900          */
 901          FRAME_BEGIN
 902
 903         inpack16_pre(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 904                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 905                      %xmm15, %rdx, (key_table)(CTX));
 906
 907         /* now dst can be used as temporary buffer (even in src == dst case) */
 908         movq    %rsi, %rax;
 909
 910         call __camellia_enc_blk16;
 911
 912         write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
 913                      %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
 914                      %xmm8, %rsi);
 915
 916         FRAME_END
 917         ret;
 918 ENDPROC(camellia_ecb_enc_16way)
 919
 920 ENTRY(camellia_ecb_dec_16way)
 921         /* input:
 922          *      %rdi: ctx, CTX
 923          *      %rsi: dst (16 blocks)
 924          *      %rdx: src (16 blocks)
 925          */
 926          FRAME_BEGIN
 927
 928         cmpl $16, key_length(CTX);
 929         movl $32, %r8d;
 930         movl $24, %eax;
 931         cmovel %eax, %r8d; /* max */
 932
 933         inpack16_pre(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 934                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 935                      %xmm15, %rdx, (key_table)(CTX, %r8, 8));
 936
 937         /* now dst can be used as temporary buffer (even in src == dst case) */
 938         movq    %rsi, %rax;
 939
 940         call __camellia_dec_blk16;
 941
 942         write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
 943                      %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
 944                      %xmm8, %rsi);
 945
 946         FRAME_END
 947         ret;
 948 ENDPROC(camellia_ecb_dec_16way)
 949
 950 ENTRY(camellia_cbc_dec_16way)
 951         /* input:
 952          *      %rdi: ctx, CTX
 953          *      %rsi: dst (16 blocks)
 954          *      %rdx: src (16 blocks)
 955          */
 956         FRAME_BEGIN
 957
 958         cmpl $16, key_length(CTX);
 959         movl $32, %r8d;
 960         movl $24, %eax;
 961         cmovel %eax, %r8d; /* max */
 962
 963         inpack16_pre(%xmm0, %xmm1, %xmm2, %xmm3, %xmm4, %xmm5, %xmm6, %xmm7,
 964                      %xmm8, %xmm9, %xmm10, %xmm11, %xmm12, %xmm13, %xmm14,
 965                      %xmm15, %rdx, (key_table)(CTX, %r8, 8));
 966
 967         /*
 968          * dst might still be in-use (in case dst == src), so use stack for
 969          * temporary storage.
 970          */
 971         subq $(16 * 16), %rsp;
 972         movq %rsp, %rax;
 973
 974         call __camellia_dec_blk16;
 975
 976         addq $(16 * 16), %rsp;
 977
 978         vpxor (0 * 16)(%rdx), %xmm6, %xmm6;
 979         vpxor (1 * 16)(%rdx), %xmm5, %xmm5;
 980         vpxor (2 * 16)(%rdx), %xmm4, %xmm4;
 981         vpxor (3 * 16)(%rdx), %xmm3, %xmm3;
 982         vpxor (4 * 16)(%rdx), %xmm2, %xmm2;
 983         vpxor (5 * 16)(%rdx), %xmm1, %xmm1;
 984         vpxor (6 * 16)(%rdx), %xmm0, %xmm0;
 985         vpxor (7 * 16)(%rdx), %xmm15, %xmm15;
 986         vpxor (8 * 16)(%rdx), %xmm14, %xmm14;
 987         vpxor (9 * 16)(%rdx), %xmm13, %xmm13;
 988         vpxor (10 * 16)(%rdx), %xmm12, %xmm12;
 989         vpxor (11 * 16)(%rdx), %xmm11, %xmm11;
 990         vpxor (12 * 16)(%rdx), %xmm10, %xmm10;
 991         vpxor (13 * 16)(%rdx), %xmm9, %xmm9;
 992         vpxor (14 * 16)(%rdx), %xmm8, %xmm8;
 993         write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
 994                      %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
 995                      %xmm8, %rsi);
 996
 997         FRAME_END
 998         ret;
 999 ENDPROC(camellia_cbc_dec_16way)
1000
1001 #define inc_le128(x, minus_one, tmp) \
1002         vpcmpeqq minus_one, x, tmp; \
1003         vpsubq minus_one, x, x; \
1004         vpslldq $8, tmp, tmp; \
1005         vpsubq tmp, x, x;
1006
1007 ENTRY(camellia_ctr_16way)
1008         /* input:
1009          *      %rdi: ctx, CTX
1010          *      %rsi: dst (16 blocks)
1011          *      %rdx: src (16 blocks)
1012          *      %rcx: iv (little endian, 128bit)
1013          */
1014         FRAME_BEGIN
1015
1016         subq $(16 * 16), %rsp;
1017         movq %rsp, %rax;
1018
1019         vmovdqa .Lbswap128_mask, %xmm14;
1020
1021         /* load IV and byteswap */
1022         vmovdqu (%rcx), %xmm0;
1023         vpshufb %xmm14, %xmm0, %xmm15;
1024         vmovdqu %xmm15, 15 * 16(%rax);
1025
1026         vpcmpeqd %xmm15, %xmm15, %xmm15;
1027         vpsrldq $8, %xmm15, %xmm15; /* low: -1, high: 0 */
1028
1029         /* construct IVs */
1030         inc_le128(%xmm0, %xmm15, %xmm13);
1031         vpshufb %xmm14, %xmm0, %xmm13;
1032         vmovdqu %xmm13, 14 * 16(%rax);
1033         inc_le128(%xmm0, %xmm15, %xmm13);
1034         vpshufb %xmm14, %xmm0, %xmm13;
1035         vmovdqu %xmm13, 13 * 16(%rax);
1036         inc_le128(%xmm0, %xmm15, %xmm13);
1037         vpshufb %xmm14, %xmm0, %xmm12;
1038         inc_le128(%xmm0, %xmm15, %xmm13);
1039         vpshufb %xmm14, %xmm0, %xmm11;
1040         inc_le128(%xmm0, %xmm15, %xmm13);
1041         vpshufb %xmm14, %xmm0, %xmm10;
1042         inc_le128(%xmm0, %xmm15, %xmm13);
1043         vpshufb %xmm14, %xmm0, %xmm9;
1044         inc_le128(%xmm0, %xmm15, %xmm13);
1045         vpshufb %xmm14, %xmm0, %xmm8;
1046         inc_le128(%xmm0, %xmm15, %xmm13);
1047         vpshufb %xmm14, %xmm0, %xmm7;
1048         inc_le128(%xmm0, %xmm15, %xmm13);
1049         vpshufb %xmm14, %xmm0, %xmm6;
1050         inc_le128(%xmm0, %xmm15, %xmm13);
1051         vpshufb %xmm14, %xmm0, %xmm5;
1052         inc_le128(%xmm0, %xmm15, %xmm13);
1053         vpshufb %xmm14, %xmm0, %xmm4;
1054         inc_le128(%xmm0, %xmm15, %xmm13);
1055         vpshufb %xmm14, %xmm0, %xmm3;
1056         inc_le128(%xmm0, %xmm15, %xmm13);
1057         vpshufb %xmm14, %xmm0, %xmm2;
1058         inc_le128(%xmm0, %xmm15, %xmm13);
1059         vpshufb %xmm14, %xmm0, %xmm1;
1060         inc_le128(%xmm0, %xmm15, %xmm13);
1061         vmovdqa %xmm0, %xmm13;
1062         vpshufb %xmm14, %xmm0, %xmm0;
1063         inc_le128(%xmm13, %xmm15, %xmm14);
1064         vmovdqu %xmm13, (%rcx);
1065
1066         /* inpack16_pre: */
1067         vmovq (key_table)(CTX), %xmm15;
1068         vpshufb .Lpack_bswap, %xmm15, %xmm15;
1069         vpxor %xmm0, %xmm15, %xmm0;
1070         vpxor %xmm1, %xmm15, %xmm1;
1071         vpxor %xmm2, %xmm15, %xmm2;
1072         vpxor %xmm3, %xmm15, %xmm3;
1073         vpxor %xmm4, %xmm15, %xmm4;
1074         vpxor %xmm5, %xmm15, %xmm5;
1075         vpxor %xmm6, %xmm15, %xmm6;
1076         vpxor %xmm7, %xmm15, %xmm7;
1077         vpxor %xmm8, %xmm15, %xmm8;
1078         vpxor %xmm9, %xmm15, %xmm9;
1079         vpxor %xmm10, %xmm15, %xmm10;
1080         vpxor %xmm11, %xmm15, %xmm11;
1081         vpxor %xmm12, %xmm15, %xmm12;
1082         vpxor 13 * 16(%rax), %xmm15, %xmm13;
1083         vpxor 14 * 16(%rax), %xmm15, %xmm14;
1084         vpxor 15 * 16(%rax), %xmm15, %xmm15;
1085
1086         call __camellia_enc_blk16;
1087
1088         addq $(16 * 16), %rsp;
1089
1090         vpxor 0 * 16(%rdx), %xmm7, %xmm7;
1091         vpxor 1 * 16(%rdx), %xmm6, %xmm6;
1092         vpxor 2 * 16(%rdx), %xmm5, %xmm5;
1093         vpxor 3 * 16(%rdx), %xmm4, %xmm4;
1094         vpxor 4 * 16(%rdx), %xmm3, %xmm3;
1095         vpxor 5 * 16(%rdx), %xmm2, %xmm2;
1096         vpxor 6 * 16(%rdx), %xmm1, %xmm1;
1097         vpxor 7 * 16(%rdx), %xmm0, %xmm0;
1098         vpxor 8 * 16(%rdx), %xmm15, %xmm15;
1099         vpxor 9 * 16(%rdx), %xmm14, %xmm14;
1100         vpxor 10 * 16(%rdx), %xmm13, %xmm13;
1101         vpxor 11 * 16(%rdx), %xmm12, %xmm12;
1102         vpxor 12 * 16(%rdx), %xmm11, %xmm11;
1103         vpxor 13 * 16(%rdx), %xmm10, %xmm10;
1104         vpxor 14 * 16(%rdx), %xmm9, %xmm9;
1105         vpxor 15 * 16(%rdx), %xmm8, %xmm8;
1106         write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
1107                      %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
1108                      %xmm8, %rsi);
1109
1110         FRAME_END
1111         ret;
1112 ENDPROC(camellia_ctr_16way)
1113
1114 #define gf128mul_x_ble(iv, mask, tmp) \
1115         vpsrad $31, iv, tmp; \
1116         vpaddq iv, iv, iv; \
1117         vpshufd $0x13, tmp, tmp; \
1118         vpand mask, tmp, tmp; \
1119         vpxor tmp, iv, iv;
1120
1121 .align 8
1122 camellia_xts_crypt_16way:
1123         /* input:
1124          *      %rdi: ctx, CTX
1125          *      %rsi: dst (16 blocks)
1126          *      %rdx: src (16 blocks)
1127          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1128          *      %r8: index for input whitening key
1129          *      %r9: pointer to  __camellia_enc_blk16 or __camellia_dec_blk16
1130          */
1131         FRAME_BEGIN
1132
1133         subq $(16 * 16), %rsp;
1134         movq %rsp, %rax;
1135
1136         vmovdqa .Lxts_gf128mul_and_shl1_mask, %xmm14;
1137
1138         /* load IV */
1139         vmovdqu (%rcx), %xmm0;
1140         vpxor 0 * 16(%rdx), %xmm0, %xmm15;
1141         vmovdqu %xmm15, 15 * 16(%rax);
1142         vmovdqu %xmm0, 0 * 16(%rsi);
1143
1144         /* construct IVs */
1145         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1146         vpxor 1 * 16(%rdx), %xmm0, %xmm15;
1147         vmovdqu %xmm15, 14 * 16(%rax);
1148         vmovdqu %xmm0, 1 * 16(%rsi);
1149
1150         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1151         vpxor 2 * 16(%rdx), %xmm0, %xmm13;
1152         vmovdqu %xmm0, 2 * 16(%rsi);
1153
1154         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1155         vpxor 3 * 16(%rdx), %xmm0, %xmm12;
1156         vmovdqu %xmm0, 3 * 16(%rsi);
1157
1158         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1159         vpxor 4 * 16(%rdx), %xmm0, %xmm11;
1160         vmovdqu %xmm0, 4 * 16(%rsi);
1161
1162         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1163         vpxor 5 * 16(%rdx), %xmm0, %xmm10;
1164         vmovdqu %xmm0, 5 * 16(%rsi);
1165
1166         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1167         vpxor 6 * 16(%rdx), %xmm0, %xmm9;
1168         vmovdqu %xmm0, 6 * 16(%rsi);
1169
1170         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1171         vpxor 7 * 16(%rdx), %xmm0, %xmm8;
1172         vmovdqu %xmm0, 7 * 16(%rsi);
1173
1174         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1175         vpxor 8 * 16(%rdx), %xmm0, %xmm7;
1176         vmovdqu %xmm0, 8 * 16(%rsi);
1177
1178         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1179         vpxor 9 * 16(%rdx), %xmm0, %xmm6;
1180         vmovdqu %xmm0, 9 * 16(%rsi);
1181
1182         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1183         vpxor 10 * 16(%rdx), %xmm0, %xmm5;
1184         vmovdqu %xmm0, 10 * 16(%rsi);
1185
1186         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1187         vpxor 11 * 16(%rdx), %xmm0, %xmm4;
1188         vmovdqu %xmm0, 11 * 16(%rsi);
1189
1190         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1191         vpxor 12 * 16(%rdx), %xmm0, %xmm3;
1192         vmovdqu %xmm0, 12 * 16(%rsi);
1193
1194         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1195         vpxor 13 * 16(%rdx), %xmm0, %xmm2;
1196         vmovdqu %xmm0, 13 * 16(%rsi);
1197
1198         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1199         vpxor 14 * 16(%rdx), %xmm0, %xmm1;
1200         vmovdqu %xmm0, 14 * 16(%rsi);
1201
1202         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1203         vpxor 15 * 16(%rdx), %xmm0, %xmm15;
1204         vmovdqu %xmm15, 0 * 16(%rax);
1205         vmovdqu %xmm0, 15 * 16(%rsi);
1206
1207         gf128mul_x_ble(%xmm0, %xmm14, %xmm15);
1208         vmovdqu %xmm0, (%rcx);
1209
1210         /* inpack16_pre: */
1211         vmovq (key_table)(CTX, %r8, 8), %xmm15;
1212         vpshufb .Lpack_bswap, %xmm15, %xmm15;
1213         vpxor 0 * 16(%rax), %xmm15, %xmm0;
1214         vpxor %xmm1, %xmm15, %xmm1;
1215         vpxor %xmm2, %xmm15, %xmm2;
1216         vpxor %xmm3, %xmm15, %xmm3;
1217         vpxor %xmm4, %xmm15, %xmm4;
1218         vpxor %xmm5, %xmm15, %xmm5;
1219         vpxor %xmm6, %xmm15, %xmm6;
1220         vpxor %xmm7, %xmm15, %xmm7;
1221         vpxor %xmm8, %xmm15, %xmm8;
1222         vpxor %xmm9, %xmm15, %xmm9;
1223         vpxor %xmm10, %xmm15, %xmm10;
1224         vpxor %xmm11, %xmm15, %xmm11;
1225         vpxor %xmm12, %xmm15, %xmm12;
1226         vpxor %xmm13, %xmm15, %xmm13;
1227         vpxor 14 * 16(%rax), %xmm15, %xmm14;
1228         vpxor 15 * 16(%rax), %xmm15, %xmm15;
1229
1230         call *%r9;
1231
1232         addq $(16 * 16), %rsp;
1233
1234         vpxor 0 * 16(%rsi), %xmm7, %xmm7;
1235         vpxor 1 * 16(%rsi), %xmm6, %xmm6;
1236         vpxor 2 * 16(%rsi), %xmm5, %xmm5;
1237         vpxor 3 * 16(%rsi), %xmm4, %xmm4;
1238         vpxor 4 * 16(%rsi), %xmm3, %xmm3;
1239         vpxor 5 * 16(%rsi), %xmm2, %xmm2;
1240         vpxor 6 * 16(%rsi), %xmm1, %xmm1;
1241         vpxor 7 * 16(%rsi), %xmm0, %xmm0;
1242         vpxor 8 * 16(%rsi), %xmm15, %xmm15;
1243         vpxor 9 * 16(%rsi), %xmm14, %xmm14;
1244         vpxor 10 * 16(%rsi), %xmm13, %xmm13;
1245         vpxor 11 * 16(%rsi), %xmm12, %xmm12;
1246         vpxor 12 * 16(%rsi), %xmm11, %xmm11;
1247         vpxor 13 * 16(%rsi), %xmm10, %xmm10;
1248         vpxor 14 * 16(%rsi), %xmm9, %xmm9;
1249         vpxor 15 * 16(%rsi), %xmm8, %xmm8;
1250         write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
1251                      %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
1252                      %xmm8, %rsi);
1253
1254         FRAME_END
1255         ret;
1256 ENDPROC(camellia_xts_crypt_16way)
1257
1258 ENTRY(camellia_xts_enc_16way)
1259         /* input:
1260          *      %rdi: ctx, CTX
1261          *      %rsi: dst (16 blocks)
1262          *      %rdx: src (16 blocks)
1263          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1264          */
1265         xorl %r8d, %r8d; /* input whitening key, 0 for enc */
1266
1267         leaq __camellia_enc_blk16, %r9;
1268
1269         jmp camellia_xts_crypt_16way;
1270 ENDPROC(camellia_xts_enc_16way)
1271
1272 ENTRY(camellia_xts_dec_16way)
1273         /* input:
1274          *      %rdi: ctx, CTX
1275          *      %rsi: dst (16 blocks)
1276          *      %rdx: src (16 blocks)
1277          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1278          */
1279
1280         cmpl $16, key_length(CTX);
1281         movl $32, %r8d;
1282         movl $24, %eax;
1283         cmovel %eax, %r8d;  /* input whitening key, last for dec */
1284
1285         leaq __camellia_dec_blk16, %r9;
1286
1287         jmp camellia_xts_crypt_16way;
1288 ENDPROC(camellia_xts_dec_16way)