Linux 4.18.10
[linux/fpc-iii.git] / arch / x86 / crypto / camellia-aesni-avx2-asm_64.S
blobb66bbfa62f50d7c05ddb29b57a322979f64a6999
1 /*
2  * x86_64/AVX2/AES-NI assembler implementation of Camellia
3  *
4  * Copyright © 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  */
13 #include <linux/linkage.h>
14 #include <asm/frame.h>
15 #include <asm/nospec-branch.h>
17 #define CAMELLIA_TABLE_BYTE_LEN 272
19 /* struct camellia_ctx: */
20 #define key_table 0
21 #define key_length CAMELLIA_TABLE_BYTE_LEN
23 /* register macros */
24 #define CTX %rdi
25 #define RIO %r8
27 /**********************************************************************
28   helper macros
29  **********************************************************************/
30 #define filter_8bit(x, lo_t, hi_t, mask4bit, tmp0) \
31         vpand x, mask4bit, tmp0; \
32         vpandn x, mask4bit, x; \
33         vpsrld $4, x, x; \
34         \
35         vpshufb tmp0, lo_t, tmp0; \
36         vpshufb x, hi_t, x; \
37         vpxor tmp0, x, x;
39 #define ymm0_x xmm0
40 #define ymm1_x xmm1
41 #define ymm2_x xmm2
42 #define ymm3_x xmm3
43 #define ymm4_x xmm4
44 #define ymm5_x xmm5
45 #define ymm6_x xmm6
46 #define ymm7_x xmm7
47 #define ymm8_x xmm8
48 #define ymm9_x xmm9
49 #define ymm10_x xmm10
50 #define ymm11_x xmm11
51 #define ymm12_x xmm12
52 #define ymm13_x xmm13
53 #define ymm14_x xmm14
54 #define ymm15_x xmm15
56 /**********************************************************************
57   32-way camellia
58  **********************************************************************/
61  * IN:
62  *   x0..x7: byte-sliced AB state
63  *   mem_cd: register pointer storing CD state
64  *   key: index for key material
65  * OUT:
66  *   x0..x7: new byte-sliced CD state
67  */
68 #define roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, t0, t1, t2, t3, t4, t5, t6, \
69                   t7, mem_cd, key) \
70         /* \
71          * S-function with AES subbytes \
72          */ \
73         vbroadcasti128 .Linv_shift_row, t4; \
74         vpbroadcastd .L0f0f0f0f, t7; \
75         vbroadcasti128 .Lpre_tf_lo_s1, t5; \
76         vbroadcasti128 .Lpre_tf_hi_s1, t6; \
77         vbroadcasti128 .Lpre_tf_lo_s4, t2; \
78         vbroadcasti128 .Lpre_tf_hi_s4, t3; \
79         \
80         /* AES inverse shift rows */ \
81         vpshufb t4, x0, x0; \
82         vpshufb t4, x7, x7; \
83         vpshufb t4, x3, x3; \
84         vpshufb t4, x6, x6; \
85         vpshufb t4, x2, x2; \
86         vpshufb t4, x5, x5; \
87         vpshufb t4, x1, x1; \
88         vpshufb t4, x4, x4; \
89         \
90         /* prefilter sboxes 1, 2 and 3 */ \
91         /* prefilter sbox 4 */ \
92         filter_8bit(x0, t5, t6, t7, t4); \
93         filter_8bit(x7, t5, t6, t7, t4); \
94         vextracti128 $1, x0, t0##_x; \
95         vextracti128 $1, x7, t1##_x; \
96         filter_8bit(x3, t2, t3, t7, t4); \
97         filter_8bit(x6, t2, t3, t7, t4); \
98         vextracti128 $1, x3, t3##_x; \
99         vextracti128 $1, x6, t2##_x; \
100         filter_8bit(x2, t5, t6, t7, t4); \
101         filter_8bit(x5, t5, t6, t7, t4); \
102         filter_8bit(x1, t5, t6, t7, t4); \
103         filter_8bit(x4, t5, t6, t7, t4); \
104         \
105         vpxor t4##_x, t4##_x, t4##_x; \
106         \
107         /* AES subbytes + AES shift rows */ \
108         vextracti128 $1, x2, t6##_x; \
109         vextracti128 $1, x5, t5##_x; \
110         vaesenclast t4##_x, x0##_x, x0##_x; \
111         vaesenclast t4##_x, t0##_x, t0##_x; \
112         vinserti128 $1, t0##_x, x0, x0; \
113         vaesenclast t4##_x, x7##_x, x7##_x; \
114         vaesenclast t4##_x, t1##_x, t1##_x; \
115         vinserti128 $1, t1##_x, x7, x7; \
116         vaesenclast t4##_x, x3##_x, x3##_x; \
117         vaesenclast t4##_x, t3##_x, t3##_x; \
118         vinserti128 $1, t3##_x, x3, x3; \
119         vaesenclast t4##_x, x6##_x, x6##_x; \
120         vaesenclast t4##_x, t2##_x, t2##_x; \
121         vinserti128 $1, t2##_x, x6, x6; \
122         vextracti128 $1, x1, t3##_x; \
123         vextracti128 $1, x4, t2##_x; \
124         vbroadcasti128 .Lpost_tf_lo_s1, t0; \
125         vbroadcasti128 .Lpost_tf_hi_s1, t1; \
126         vaesenclast t4##_x, x2##_x, x2##_x; \
127         vaesenclast t4##_x, t6##_x, t6##_x; \
128         vinserti128 $1, t6##_x, x2, x2; \
129         vaesenclast t4##_x, x5##_x, x5##_x; \
130         vaesenclast t4##_x, t5##_x, t5##_x; \
131         vinserti128 $1, t5##_x, x5, x5; \
132         vaesenclast t4##_x, x1##_x, x1##_x; \
133         vaesenclast t4##_x, t3##_x, t3##_x; \
134         vinserti128 $1, t3##_x, x1, x1; \
135         vaesenclast t4##_x, x4##_x, x4##_x; \
136         vaesenclast t4##_x, t2##_x, t2##_x; \
137         vinserti128 $1, t2##_x, x4, x4; \
138         \
139         /* postfilter sboxes 1 and 4 */ \
140         vbroadcasti128 .Lpost_tf_lo_s3, t2; \
141         vbroadcasti128 .Lpost_tf_hi_s3, t3; \
142         filter_8bit(x0, t0, t1, t7, t6); \
143         filter_8bit(x7, t0, t1, t7, t6); \
144         filter_8bit(x3, t0, t1, t7, t6); \
145         filter_8bit(x6, t0, t1, t7, t6); \
146         \
147         /* postfilter sbox 3 */ \
148         vbroadcasti128 .Lpost_tf_lo_s2, t4; \
149         vbroadcasti128 .Lpost_tf_hi_s2, t5; \
150         filter_8bit(x2, t2, t3, t7, t6); \
151         filter_8bit(x5, t2, t3, t7, t6); \
152         \
153         vpbroadcastq key, t0; /* higher 64-bit duplicate ignored */ \
154         \
155         /* postfilter sbox 2 */ \
156         filter_8bit(x1, t4, t5, t7, t2); \
157         filter_8bit(x4, t4, t5, t7, t2); \
158         vpxor t7, t7, t7; \
159         \
160         vpsrldq $1, t0, t1; \
161         vpsrldq $2, t0, t2; \
162         vpshufb t7, t1, t1; \
163         vpsrldq $3, t0, t3; \
164         \
165         /* P-function */ \
166         vpxor x5, x0, x0; \
167         vpxor x6, x1, x1; \
168         vpxor x7, x2, x2; \
169         vpxor x4, x3, x3; \
170         \
171         vpshufb t7, t2, t2; \
172         vpsrldq $4, t0, t4; \
173         vpshufb t7, t3, t3; \
174         vpsrldq $5, t0, t5; \
175         vpshufb t7, t4, t4; \
176         \
177         vpxor x2, x4, x4; \
178         vpxor x3, x5, x5; \
179         vpxor x0, x6, x6; \
180         vpxor x1, x7, x7; \
181         \
182         vpsrldq $6, t0, t6; \
183         vpshufb t7, t5, t5; \
184         vpshufb t7, t6, t6; \
185         \
186         vpxor x7, x0, x0; \
187         vpxor x4, x1, x1; \
188         vpxor x5, x2, x2; \
189         vpxor x6, x3, x3; \
190         \
191         vpxor x3, x4, x4; \
192         vpxor x0, x5, x5; \
193         vpxor x1, x6, x6; \
194         vpxor x2, x7, x7; /* note: high and low parts swapped */ \
195         \
196         /* Add key material and result to CD (x becomes new CD) */ \
197         \
198         vpxor t6, x1, x1; \
199         vpxor 5 * 32(mem_cd), x1, x1; \
200         \
201         vpsrldq $7, t0, t6; \
202         vpshufb t7, t0, t0; \
203         vpshufb t7, t6, t7; \
204         \
205         vpxor t7, x0, x0; \
206         vpxor 4 * 32(mem_cd), x0, x0; \
207         \
208         vpxor t5, x2, x2; \
209         vpxor 6 * 32(mem_cd), x2, x2; \
210         \
211         vpxor t4, x3, x3; \
212         vpxor 7 * 32(mem_cd), x3, x3; \
213         \
214         vpxor t3, x4, x4; \
215         vpxor 0 * 32(mem_cd), x4, x4; \
216         \
217         vpxor t2, x5, x5; \
218         vpxor 1 * 32(mem_cd), x5, x5; \
219         \
220         vpxor t1, x6, x6; \
221         vpxor 2 * 32(mem_cd), x6, x6; \
222         \
223         vpxor t0, x7, x7; \
224         vpxor 3 * 32(mem_cd), x7, x7;
227  * Size optimization... with inlined roundsm32 binary would be over 5 times
228  * larger and would only marginally faster.
229  */
230 .align 8
231 roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd:
232         roundsm32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
233                   %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14, %ymm15,
234                   %rcx, (%r9));
235         ret;
236 ENDPROC(roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd)
238 .align 8
239 roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab:
240         roundsm32(%ymm4, %ymm5, %ymm6, %ymm7, %ymm0, %ymm1, %ymm2, %ymm3,
241                   %ymm12, %ymm13, %ymm14, %ymm15, %ymm8, %ymm9, %ymm10, %ymm11,
242                   %rax, (%r9));
243         ret;
244 ENDPROC(roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab)
247  * IN/OUT:
248  *  x0..x7: byte-sliced AB state preloaded
249  *  mem_ab: byte-sliced AB state in memory
250  *  mem_cb: byte-sliced CD state in memory
251  */
252 #define two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
253                       y6, y7, mem_ab, mem_cd, i, dir, store_ab) \
254         leaq (key_table + (i) * 8)(CTX), %r9; \
255         call roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd; \
256         \
257         vmovdqu x0, 4 * 32(mem_cd); \
258         vmovdqu x1, 5 * 32(mem_cd); \
259         vmovdqu x2, 6 * 32(mem_cd); \
260         vmovdqu x3, 7 * 32(mem_cd); \
261         vmovdqu x4, 0 * 32(mem_cd); \
262         vmovdqu x5, 1 * 32(mem_cd); \
263         vmovdqu x6, 2 * 32(mem_cd); \
264         vmovdqu x7, 3 * 32(mem_cd); \
265         \
266         leaq (key_table + ((i) + (dir)) * 8)(CTX), %r9; \
267         call roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab; \
268         \
269         store_ab(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab);
271 #define dummy_store(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) /* do nothing */
273 #define store_ab_state(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) \
274         /* Store new AB state */ \
275         vmovdqu x4, 4 * 32(mem_ab); \
276         vmovdqu x5, 5 * 32(mem_ab); \
277         vmovdqu x6, 6 * 32(mem_ab); \
278         vmovdqu x7, 7 * 32(mem_ab); \
279         vmovdqu x0, 0 * 32(mem_ab); \
280         vmovdqu x1, 1 * 32(mem_ab); \
281         vmovdqu x2, 2 * 32(mem_ab); \
282         vmovdqu x3, 3 * 32(mem_ab);
284 #define enc_rounds32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
285                       y6, y7, mem_ab, mem_cd, i) \
286         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
287                       y6, y7, mem_ab, mem_cd, (i) + 2, 1, store_ab_state); \
288         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
289                       y6, y7, mem_ab, mem_cd, (i) + 4, 1, store_ab_state); \
290         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
291                       y6, y7, mem_ab, mem_cd, (i) + 6, 1, dummy_store);
293 #define dec_rounds32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
294                       y6, y7, mem_ab, mem_cd, i) \
295         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
296                       y6, y7, mem_ab, mem_cd, (i) + 7, -1, store_ab_state); \
297         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
298                       y6, y7, mem_ab, mem_cd, (i) + 5, -1, store_ab_state); \
299         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
300                       y6, y7, mem_ab, mem_cd, (i) + 3, -1, dummy_store);
303  * IN:
304  *  v0..3: byte-sliced 32-bit integers
305  * OUT:
306  *  v0..3: (IN <<< 1)
307  */
308 #define rol32_1_32(v0, v1, v2, v3, t0, t1, t2, zero) \
309         vpcmpgtb v0, zero, t0; \
310         vpaddb v0, v0, v0; \
311         vpabsb t0, t0; \
312         \
313         vpcmpgtb v1, zero, t1; \
314         vpaddb v1, v1, v1; \
315         vpabsb t1, t1; \
316         \
317         vpcmpgtb v2, zero, t2; \
318         vpaddb v2, v2, v2; \
319         vpabsb t2, t2; \
320         \
321         vpor t0, v1, v1; \
322         \
323         vpcmpgtb v3, zero, t0; \
324         vpaddb v3, v3, v3; \
325         vpabsb t0, t0; \
326         \
327         vpor t1, v2, v2; \
328         vpor t2, v3, v3; \
329         vpor t0, v0, v0;
332  * IN:
333  *   r: byte-sliced AB state in memory
334  *   l: byte-sliced CD state in memory
335  * OUT:
336  *   x0..x7: new byte-sliced CD state
337  */
338 #define fls32(l, l0, l1, l2, l3, l4, l5, l6, l7, r, t0, t1, t2, t3, tt0, \
339               tt1, tt2, tt3, kll, klr, krl, krr) \
340         /* \
341          * t0 = kll; \
342          * t0 &= ll; \
343          * lr ^= rol32(t0, 1); \
344          */ \
345         vpbroadcastd kll, t0; /* only lowest 32-bit used */ \
346         vpxor tt0, tt0, tt0; \
347         vpshufb tt0, t0, t3; \
348         vpsrldq $1, t0, t0; \
349         vpshufb tt0, t0, t2; \
350         vpsrldq $1, t0, t0; \
351         vpshufb tt0, t0, t1; \
352         vpsrldq $1, t0, t0; \
353         vpshufb tt0, t0, t0; \
354         \
355         vpand l0, t0, t0; \
356         vpand l1, t1, t1; \
357         vpand l2, t2, t2; \
358         vpand l3, t3, t3; \
359         \
360         rol32_1_32(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
361         \
362         vpxor l4, t0, l4; \
363         vpbroadcastd krr, t0; /* only lowest 32-bit used */ \
364         vmovdqu l4, 4 * 32(l); \
365         vpxor l5, t1, l5; \
366         vmovdqu l5, 5 * 32(l); \
367         vpxor l6, t2, l6; \
368         vmovdqu l6, 6 * 32(l); \
369         vpxor l7, t3, l7; \
370         vmovdqu l7, 7 * 32(l); \
371         \
372         /* \
373          * t2 = krr; \
374          * t2 |= rr; \
375          * rl ^= t2; \
376          */ \
377         \
378         vpshufb tt0, t0, t3; \
379         vpsrldq $1, t0, t0; \
380         vpshufb tt0, t0, t2; \
381         vpsrldq $1, t0, t0; \
382         vpshufb tt0, t0, t1; \
383         vpsrldq $1, t0, t0; \
384         vpshufb tt0, t0, t0; \
385         \
386         vpor 4 * 32(r), t0, t0; \
387         vpor 5 * 32(r), t1, t1; \
388         vpor 6 * 32(r), t2, t2; \
389         vpor 7 * 32(r), t3, t3; \
390         \
391         vpxor 0 * 32(r), t0, t0; \
392         vpxor 1 * 32(r), t1, t1; \
393         vpxor 2 * 32(r), t2, t2; \
394         vpxor 3 * 32(r), t3, t3; \
395         vmovdqu t0, 0 * 32(r); \
396         vpbroadcastd krl, t0; /* only lowest 32-bit used */ \
397         vmovdqu t1, 1 * 32(r); \
398         vmovdqu t2, 2 * 32(r); \
399         vmovdqu t3, 3 * 32(r); \
400         \
401         /* \
402          * t2 = krl; \
403          * t2 &= rl; \
404          * rr ^= rol32(t2, 1); \
405          */ \
406         vpshufb tt0, t0, t3; \
407         vpsrldq $1, t0, t0; \
408         vpshufb tt0, t0, t2; \
409         vpsrldq $1, t0, t0; \
410         vpshufb tt0, t0, t1; \
411         vpsrldq $1, t0, t0; \
412         vpshufb tt0, t0, t0; \
413         \
414         vpand 0 * 32(r), t0, t0; \
415         vpand 1 * 32(r), t1, t1; \
416         vpand 2 * 32(r), t2, t2; \
417         vpand 3 * 32(r), t3, t3; \
418         \
419         rol32_1_32(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
420         \
421         vpxor 4 * 32(r), t0, t0; \
422         vpxor 5 * 32(r), t1, t1; \
423         vpxor 6 * 32(r), t2, t2; \
424         vpxor 7 * 32(r), t3, t3; \
425         vmovdqu t0, 4 * 32(r); \
426         vpbroadcastd klr, t0; /* only lowest 32-bit used */ \
427         vmovdqu t1, 5 * 32(r); \
428         vmovdqu t2, 6 * 32(r); \
429         vmovdqu t3, 7 * 32(r); \
430         \
431         /* \
432          * t0 = klr; \
433          * t0 |= lr; \
434          * ll ^= t0; \
435          */ \
436         \
437         vpshufb tt0, t0, t3; \
438         vpsrldq $1, t0, t0; \
439         vpshufb tt0, t0, t2; \
440         vpsrldq $1, t0, t0; \
441         vpshufb tt0, t0, t1; \
442         vpsrldq $1, t0, t0; \
443         vpshufb tt0, t0, t0; \
444         \
445         vpor l4, t0, t0; \
446         vpor l5, t1, t1; \
447         vpor l6, t2, t2; \
448         vpor l7, t3, t3; \
449         \
450         vpxor l0, t0, l0; \
451         vmovdqu l0, 0 * 32(l); \
452         vpxor l1, t1, l1; \
453         vmovdqu l1, 1 * 32(l); \
454         vpxor l2, t2, l2; \
455         vmovdqu l2, 2 * 32(l); \
456         vpxor l3, t3, l3; \
457         vmovdqu l3, 3 * 32(l);
459 #define transpose_4x4(x0, x1, x2, x3, t1, t2) \
460         vpunpckhdq x1, x0, t2; \
461         vpunpckldq x1, x0, x0; \
462         \
463         vpunpckldq x3, x2, t1; \
464         vpunpckhdq x3, x2, x2; \
465         \
466         vpunpckhqdq t1, x0, x1; \
467         vpunpcklqdq t1, x0, x0; \
468         \
469         vpunpckhqdq x2, t2, x3; \
470         vpunpcklqdq x2, t2, x2;
472 #define byteslice_16x16b_fast(a0, b0, c0, d0, a1, b1, c1, d1, a2, b2, c2, d2, \
473                               a3, b3, c3, d3, st0, st1) \
474         vmovdqu d2, st0; \
475         vmovdqu d3, st1; \
476         transpose_4x4(a0, a1, a2, a3, d2, d3); \
477         transpose_4x4(b0, b1, b2, b3, d2, d3); \
478         vmovdqu st0, d2; \
479         vmovdqu st1, d3; \
480         \
481         vmovdqu a0, st0; \
482         vmovdqu a1, st1; \
483         transpose_4x4(c0, c1, c2, c3, a0, a1); \
484         transpose_4x4(d0, d1, d2, d3, a0, a1); \
485         \
486         vbroadcasti128 .Lshufb_16x16b, a0; \
487         vmovdqu st1, a1; \
488         vpshufb a0, a2, a2; \
489         vpshufb a0, a3, a3; \
490         vpshufb a0, b0, b0; \
491         vpshufb a0, b1, b1; \
492         vpshufb a0, b2, b2; \
493         vpshufb a0, b3, b3; \
494         vpshufb a0, a1, a1; \
495         vpshufb a0, c0, c0; \
496         vpshufb a0, c1, c1; \
497         vpshufb a0, c2, c2; \
498         vpshufb a0, c3, c3; \
499         vpshufb a0, d0, d0; \
500         vpshufb a0, d1, d1; \
501         vpshufb a0, d2, d2; \
502         vpshufb a0, d3, d3; \
503         vmovdqu d3, st1; \
504         vmovdqu st0, d3; \
505         vpshufb a0, d3, a0; \
506         vmovdqu d2, st0; \
507         \
508         transpose_4x4(a0, b0, c0, d0, d2, d3); \
509         transpose_4x4(a1, b1, c1, d1, d2, d3); \
510         vmovdqu st0, d2; \
511         vmovdqu st1, d3; \
512         \
513         vmovdqu b0, st0; \
514         vmovdqu b1, st1; \
515         transpose_4x4(a2, b2, c2, d2, b0, b1); \
516         transpose_4x4(a3, b3, c3, d3, b0, b1); \
517         vmovdqu st0, b0; \
518         vmovdqu st1, b1; \
519         /* does not adjust output bytes inside vectors */
521 /* load blocks to registers and apply pre-whitening */
522 #define inpack32_pre(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
523                      y6, y7, rio, key) \
524         vpbroadcastq key, x0; \
525         vpshufb .Lpack_bswap, x0, x0; \
526         \
527         vpxor 0 * 32(rio), x0, y7; \
528         vpxor 1 * 32(rio), x0, y6; \
529         vpxor 2 * 32(rio), x0, y5; \
530         vpxor 3 * 32(rio), x0, y4; \
531         vpxor 4 * 32(rio), x0, y3; \
532         vpxor 5 * 32(rio), x0, y2; \
533         vpxor 6 * 32(rio), x0, y1; \
534         vpxor 7 * 32(rio), x0, y0; \
535         vpxor 8 * 32(rio), x0, x7; \
536         vpxor 9 * 32(rio), x0, x6; \
537         vpxor 10 * 32(rio), x0, x5; \
538         vpxor 11 * 32(rio), x0, x4; \
539         vpxor 12 * 32(rio), x0, x3; \
540         vpxor 13 * 32(rio), x0, x2; \
541         vpxor 14 * 32(rio), x0, x1; \
542         vpxor 15 * 32(rio), x0, x0;
544 /* byteslice pre-whitened blocks and store to temporary memory */
545 #define inpack32_post(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
546                       y6, y7, mem_ab, mem_cd) \
547         byteslice_16x16b_fast(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, \
548                               y4, y5, y6, y7, (mem_ab), (mem_cd)); \
549         \
550         vmovdqu x0, 0 * 32(mem_ab); \
551         vmovdqu x1, 1 * 32(mem_ab); \
552         vmovdqu x2, 2 * 32(mem_ab); \
553         vmovdqu x3, 3 * 32(mem_ab); \
554         vmovdqu x4, 4 * 32(mem_ab); \
555         vmovdqu x5, 5 * 32(mem_ab); \
556         vmovdqu x6, 6 * 32(mem_ab); \
557         vmovdqu x7, 7 * 32(mem_ab); \
558         vmovdqu y0, 0 * 32(mem_cd); \
559         vmovdqu y1, 1 * 32(mem_cd); \
560         vmovdqu y2, 2 * 32(mem_cd); \
561         vmovdqu y3, 3 * 32(mem_cd); \
562         vmovdqu y4, 4 * 32(mem_cd); \
563         vmovdqu y5, 5 * 32(mem_cd); \
564         vmovdqu y6, 6 * 32(mem_cd); \
565         vmovdqu y7, 7 * 32(mem_cd);
567 /* de-byteslice, apply post-whitening and store blocks */
568 #define outunpack32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
569                     y5, y6, y7, key, stack_tmp0, stack_tmp1) \
570         byteslice_16x16b_fast(y0, y4, x0, x4, y1, y5, x1, x5, y2, y6, x2, x6, \
571                               y3, y7, x3, x7, stack_tmp0, stack_tmp1); \
572         \
573         vmovdqu x0, stack_tmp0; \
574         \
575         vpbroadcastq key, x0; \
576         vpshufb .Lpack_bswap, x0, x0; \
577         \
578         vpxor x0, y7, y7; \
579         vpxor x0, y6, y6; \
580         vpxor x0, y5, y5; \
581         vpxor x0, y4, y4; \
582         vpxor x0, y3, y3; \
583         vpxor x0, y2, y2; \
584         vpxor x0, y1, y1; \
585         vpxor x0, y0, y0; \
586         vpxor x0, x7, x7; \
587         vpxor x0, x6, x6; \
588         vpxor x0, x5, x5; \
589         vpxor x0, x4, x4; \
590         vpxor x0, x3, x3; \
591         vpxor x0, x2, x2; \
592         vpxor x0, x1, x1; \
593         vpxor stack_tmp0, x0, x0;
595 #define write_output(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
596                      y6, y7, rio) \
597         vmovdqu x0, 0 * 32(rio); \
598         vmovdqu x1, 1 * 32(rio); \
599         vmovdqu x2, 2 * 32(rio); \
600         vmovdqu x3, 3 * 32(rio); \
601         vmovdqu x4, 4 * 32(rio); \
602         vmovdqu x5, 5 * 32(rio); \
603         vmovdqu x6, 6 * 32(rio); \
604         vmovdqu x7, 7 * 32(rio); \
605         vmovdqu y0, 8 * 32(rio); \
606         vmovdqu y1, 9 * 32(rio); \
607         vmovdqu y2, 10 * 32(rio); \
608         vmovdqu y3, 11 * 32(rio); \
609         vmovdqu y4, 12 * 32(rio); \
610         vmovdqu y5, 13 * 32(rio); \
611         vmovdqu y6, 14 * 32(rio); \
612         vmovdqu y7, 15 * 32(rio);
615 .section        .rodata.cst32.shufb_16x16b, "aM", @progbits, 32
616 .align 32
617 #define SHUFB_BYTES(idx) \
618         0 + (idx), 4 + (idx), 8 + (idx), 12 + (idx)
619 .Lshufb_16x16b:
620         .byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3)
621         .byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3)
623 .section        .rodata.cst32.pack_bswap, "aM", @progbits, 32
624 .align 32
625 .Lpack_bswap:
626         .long 0x00010203, 0x04050607, 0x80808080, 0x80808080
627         .long 0x00010203, 0x04050607, 0x80808080, 0x80808080
629 /* NB: section is mergeable, all elements must be aligned 16-byte blocks */
630 .section        .rodata.cst16, "aM", @progbits, 16
631 .align 16
633 /* For CTR-mode IV byteswap */
634 .Lbswap128_mask:
635         .byte 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0
637 /* For XTS mode */
638 .Lxts_gf128mul_and_shl1_mask_0:
639         .byte 0x87, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0
640 .Lxts_gf128mul_and_shl1_mask_1:
641         .byte 0x0e, 1, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0
644  * pre-SubByte transform
646  * pre-lookup for sbox1, sbox2, sbox3:
647  *   swap_bitendianness(
648  *       isom_map_camellia_to_aes(
649  *           camellia_f(
650  *               swap_bitendianess(in)
651  *           )
652  *       )
653  *   )
655  * (note: '⊕ 0xc5' inside camellia_f())
656  */
657 .Lpre_tf_lo_s1:
658         .byte 0x45, 0xe8, 0x40, 0xed, 0x2e, 0x83, 0x2b, 0x86
659         .byte 0x4b, 0xe6, 0x4e, 0xe3, 0x20, 0x8d, 0x25, 0x88
660 .Lpre_tf_hi_s1:
661         .byte 0x00, 0x51, 0xf1, 0xa0, 0x8a, 0xdb, 0x7b, 0x2a
662         .byte 0x09, 0x58, 0xf8, 0xa9, 0x83, 0xd2, 0x72, 0x23
665  * pre-SubByte transform
667  * pre-lookup for sbox4:
668  *   swap_bitendianness(
669  *       isom_map_camellia_to_aes(
670  *           camellia_f(
671  *               swap_bitendianess(in <<< 1)
672  *           )
673  *       )
674  *   )
676  * (note: '⊕ 0xc5' inside camellia_f())
677  */
678 .Lpre_tf_lo_s4:
679         .byte 0x45, 0x40, 0x2e, 0x2b, 0x4b, 0x4e, 0x20, 0x25
680         .byte 0x14, 0x11, 0x7f, 0x7a, 0x1a, 0x1f, 0x71, 0x74
681 .Lpre_tf_hi_s4:
682         .byte 0x00, 0xf1, 0x8a, 0x7b, 0x09, 0xf8, 0x83, 0x72
683         .byte 0xad, 0x5c, 0x27, 0xd6, 0xa4, 0x55, 0x2e, 0xdf
686  * post-SubByte transform
688  * post-lookup for sbox1, sbox4:
689  *  swap_bitendianness(
690  *      camellia_h(
691  *          isom_map_aes_to_camellia(
692  *              swap_bitendianness(
693  *                  aes_inverse_affine_transform(in)
694  *              )
695  *          )
696  *      )
697  *  )
699  * (note: '⊕ 0x6e' inside camellia_h())
700  */
701 .Lpost_tf_lo_s1:
702         .byte 0x3c, 0xcc, 0xcf, 0x3f, 0x32, 0xc2, 0xc1, 0x31
703         .byte 0xdc, 0x2c, 0x2f, 0xdf, 0xd2, 0x22, 0x21, 0xd1
704 .Lpost_tf_hi_s1:
705         .byte 0x00, 0xf9, 0x86, 0x7f, 0xd7, 0x2e, 0x51, 0xa8
706         .byte 0xa4, 0x5d, 0x22, 0xdb, 0x73, 0x8a, 0xf5, 0x0c
709  * post-SubByte transform
711  * post-lookup for sbox2:
712  *  swap_bitendianness(
713  *      camellia_h(
714  *          isom_map_aes_to_camellia(
715  *              swap_bitendianness(
716  *                  aes_inverse_affine_transform(in)
717  *              )
718  *          )
719  *      )
720  *  ) <<< 1
722  * (note: '⊕ 0x6e' inside camellia_h())
723  */
724 .Lpost_tf_lo_s2:
725         .byte 0x78, 0x99, 0x9f, 0x7e, 0x64, 0x85, 0x83, 0x62
726         .byte 0xb9, 0x58, 0x5e, 0xbf, 0xa5, 0x44, 0x42, 0xa3
727 .Lpost_tf_hi_s2:
728         .byte 0x00, 0xf3, 0x0d, 0xfe, 0xaf, 0x5c, 0xa2, 0x51
729         .byte 0x49, 0xba, 0x44, 0xb7, 0xe6, 0x15, 0xeb, 0x18
732  * post-SubByte transform
734  * post-lookup for sbox3:
735  *  swap_bitendianness(
736  *      camellia_h(
737  *          isom_map_aes_to_camellia(
738  *              swap_bitendianness(
739  *                  aes_inverse_affine_transform(in)
740  *              )
741  *          )
742  *      )
743  *  ) >>> 1
745  * (note: '⊕ 0x6e' inside camellia_h())
746  */
747 .Lpost_tf_lo_s3:
748         .byte 0x1e, 0x66, 0xe7, 0x9f, 0x19, 0x61, 0xe0, 0x98
749         .byte 0x6e, 0x16, 0x97, 0xef, 0x69, 0x11, 0x90, 0xe8
750 .Lpost_tf_hi_s3:
751         .byte 0x00, 0xfc, 0x43, 0xbf, 0xeb, 0x17, 0xa8, 0x54
752         .byte 0x52, 0xae, 0x11, 0xed, 0xb9, 0x45, 0xfa, 0x06
754 /* For isolating SubBytes from AESENCLAST, inverse shift row */
755 .Linv_shift_row:
756         .byte 0x00, 0x0d, 0x0a, 0x07, 0x04, 0x01, 0x0e, 0x0b
757         .byte 0x08, 0x05, 0x02, 0x0f, 0x0c, 0x09, 0x06, 0x03
759 .section        .rodata.cst4.L0f0f0f0f, "aM", @progbits, 4
760 .align 4
761 /* 4-bit mask */
762 .L0f0f0f0f:
763         .long 0x0f0f0f0f
765 .text
767 .align 8
768 __camellia_enc_blk32:
769         /* input:
770          *      %rdi: ctx, CTX
771          *      %rax: temporary storage, 512 bytes
772          *      %ymm0..%ymm15: 32 plaintext blocks
773          * output:
774          *      %ymm0..%ymm15: 32 encrypted blocks, order swapped:
775          *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
776          */
777         FRAME_BEGIN
779         leaq 8 * 32(%rax), %rcx;
781         inpack32_post(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
782                       %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
783                       %ymm15, %rax, %rcx);
785         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
786                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
787                      %ymm15, %rax, %rcx, 0);
789         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
790               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
791               %ymm15,
792               ((key_table + (8) * 8) + 0)(CTX),
793               ((key_table + (8) * 8) + 4)(CTX),
794               ((key_table + (8) * 8) + 8)(CTX),
795               ((key_table + (8) * 8) + 12)(CTX));
797         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
798                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
799                      %ymm15, %rax, %rcx, 8);
801         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
802               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
803               %ymm15,
804               ((key_table + (16) * 8) + 0)(CTX),
805               ((key_table + (16) * 8) + 4)(CTX),
806               ((key_table + (16) * 8) + 8)(CTX),
807               ((key_table + (16) * 8) + 12)(CTX));
809         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
810                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
811                      %ymm15, %rax, %rcx, 16);
813         movl $24, %r8d;
814         cmpl $16, key_length(CTX);
815         jne .Lenc_max32;
817 .Lenc_done:
818         /* load CD for output */
819         vmovdqu 0 * 32(%rcx), %ymm8;
820         vmovdqu 1 * 32(%rcx), %ymm9;
821         vmovdqu 2 * 32(%rcx), %ymm10;
822         vmovdqu 3 * 32(%rcx), %ymm11;
823         vmovdqu 4 * 32(%rcx), %ymm12;
824         vmovdqu 5 * 32(%rcx), %ymm13;
825         vmovdqu 6 * 32(%rcx), %ymm14;
826         vmovdqu 7 * 32(%rcx), %ymm15;
828         outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
829                     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
830                     %ymm15, (key_table)(CTX, %r8, 8), (%rax), 1 * 32(%rax));
832         FRAME_END
833         ret;
835 .align 8
836 .Lenc_max32:
837         movl $32, %r8d;
839         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
840               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
841               %ymm15,
842               ((key_table + (24) * 8) + 0)(CTX),
843               ((key_table + (24) * 8) + 4)(CTX),
844               ((key_table + (24) * 8) + 8)(CTX),
845               ((key_table + (24) * 8) + 12)(CTX));
847         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
848                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
849                      %ymm15, %rax, %rcx, 24);
851         jmp .Lenc_done;
852 ENDPROC(__camellia_enc_blk32)
854 .align 8
855 __camellia_dec_blk32:
856         /* input:
857          *      %rdi: ctx, CTX
858          *      %rax: temporary storage, 512 bytes
859          *      %r8d: 24 for 16 byte key, 32 for larger
860          *      %ymm0..%ymm15: 16 encrypted blocks
861          * output:
862          *      %ymm0..%ymm15: 16 plaintext blocks, order swapped:
863          *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
864          */
865         FRAME_BEGIN
867         leaq 8 * 32(%rax), %rcx;
869         inpack32_post(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
870                       %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
871                       %ymm15, %rax, %rcx);
873         cmpl $32, %r8d;
874         je .Ldec_max32;
876 .Ldec_max24:
877         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
878                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
879                      %ymm15, %rax, %rcx, 16);
881         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
882               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
883               %ymm15,
884               ((key_table + (16) * 8) + 8)(CTX),
885               ((key_table + (16) * 8) + 12)(CTX),
886               ((key_table + (16) * 8) + 0)(CTX),
887               ((key_table + (16) * 8) + 4)(CTX));
889         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
890                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
891                      %ymm15, %rax, %rcx, 8);
893         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
894               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
895               %ymm15,
896               ((key_table + (8) * 8) + 8)(CTX),
897               ((key_table + (8) * 8) + 12)(CTX),
898               ((key_table + (8) * 8) + 0)(CTX),
899               ((key_table + (8) * 8) + 4)(CTX));
901         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
902                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
903                      %ymm15, %rax, %rcx, 0);
905         /* load CD for output */
906         vmovdqu 0 * 32(%rcx), %ymm8;
907         vmovdqu 1 * 32(%rcx), %ymm9;
908         vmovdqu 2 * 32(%rcx), %ymm10;
909         vmovdqu 3 * 32(%rcx), %ymm11;
910         vmovdqu 4 * 32(%rcx), %ymm12;
911         vmovdqu 5 * 32(%rcx), %ymm13;
912         vmovdqu 6 * 32(%rcx), %ymm14;
913         vmovdqu 7 * 32(%rcx), %ymm15;
915         outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
916                     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
917                     %ymm15, (key_table)(CTX), (%rax), 1 * 32(%rax));
919         FRAME_END
920         ret;
922 .align 8
923 .Ldec_max32:
924         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
925                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
926                      %ymm15, %rax, %rcx, 24);
928         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
929               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
930               %ymm15,
931               ((key_table + (24) * 8) + 8)(CTX),
932               ((key_table + (24) * 8) + 12)(CTX),
933               ((key_table + (24) * 8) + 0)(CTX),
934               ((key_table + (24) * 8) + 4)(CTX));
936         jmp .Ldec_max24;
937 ENDPROC(__camellia_dec_blk32)
939 ENTRY(camellia_ecb_enc_32way)
940         /* input:
941          *      %rdi: ctx, CTX
942          *      %rsi: dst (32 blocks)
943          *      %rdx: src (32 blocks)
944          */
945         FRAME_BEGIN
947         vzeroupper;
949         inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
950                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
951                      %ymm15, %rdx, (key_table)(CTX));
953         /* now dst can be used as temporary buffer (even in src == dst case) */
954         movq    %rsi, %rax;
956         call __camellia_enc_blk32;
958         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
959                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
960                      %ymm8, %rsi);
962         vzeroupper;
964         FRAME_END
965         ret;
966 ENDPROC(camellia_ecb_enc_32way)
968 ENTRY(camellia_ecb_dec_32way)
969         /* input:
970          *      %rdi: ctx, CTX
971          *      %rsi: dst (32 blocks)
972          *      %rdx: src (32 blocks)
973          */
974         FRAME_BEGIN
976         vzeroupper;
978         cmpl $16, key_length(CTX);
979         movl $32, %r8d;
980         movl $24, %eax;
981         cmovel %eax, %r8d; /* max */
983         inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
984                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
985                      %ymm15, %rdx, (key_table)(CTX, %r8, 8));
987         /* now dst can be used as temporary buffer (even in src == dst case) */
988         movq    %rsi, %rax;
990         call __camellia_dec_blk32;
992         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
993                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
994                      %ymm8, %rsi);
996         vzeroupper;
998         FRAME_END
999         ret;
1000 ENDPROC(camellia_ecb_dec_32way)
1002 ENTRY(camellia_cbc_dec_32way)
1003         /* input:
1004          *      %rdi: ctx, CTX
1005          *      %rsi: dst (32 blocks)
1006          *      %rdx: src (32 blocks)
1007          */
1008         FRAME_BEGIN
1010         vzeroupper;
1012         cmpl $16, key_length(CTX);
1013         movl $32, %r8d;
1014         movl $24, %eax;
1015         cmovel %eax, %r8d; /* max */
1017         inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
1018                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
1019                      %ymm15, %rdx, (key_table)(CTX, %r8, 8));
1021         movq %rsp, %r10;
1022         cmpq %rsi, %rdx;
1023         je .Lcbc_dec_use_stack;
1025         /* dst can be used as temporary storage, src is not overwritten. */
1026         movq %rsi, %rax;
1027         jmp .Lcbc_dec_continue;
1029 .Lcbc_dec_use_stack:
1030         /*
1031          * dst still in-use (because dst == src), so use stack for temporary
1032          * storage.
1033          */
1034         subq $(16 * 32), %rsp;
1035         movq %rsp, %rax;
1037 .Lcbc_dec_continue:
1038         call __camellia_dec_blk32;
1040         vmovdqu %ymm7, (%rax);
1041         vpxor %ymm7, %ymm7, %ymm7;
1042         vinserti128 $1, (%rdx), %ymm7, %ymm7;
1043         vpxor (%rax), %ymm7, %ymm7;
1044         movq %r10, %rsp;
1045         vpxor (0 * 32 + 16)(%rdx), %ymm6, %ymm6;
1046         vpxor (1 * 32 + 16)(%rdx), %ymm5, %ymm5;
1047         vpxor (2 * 32 + 16)(%rdx), %ymm4, %ymm4;
1048         vpxor (3 * 32 + 16)(%rdx), %ymm3, %ymm3;
1049         vpxor (4 * 32 + 16)(%rdx), %ymm2, %ymm2;
1050         vpxor (5 * 32 + 16)(%rdx), %ymm1, %ymm1;
1051         vpxor (6 * 32 + 16)(%rdx), %ymm0, %ymm0;
1052         vpxor (7 * 32 + 16)(%rdx), %ymm15, %ymm15;
1053         vpxor (8 * 32 + 16)(%rdx), %ymm14, %ymm14;
1054         vpxor (9 * 32 + 16)(%rdx), %ymm13, %ymm13;
1055         vpxor (10 * 32 + 16)(%rdx), %ymm12, %ymm12;
1056         vpxor (11 * 32 + 16)(%rdx), %ymm11, %ymm11;
1057         vpxor (12 * 32 + 16)(%rdx), %ymm10, %ymm10;
1058         vpxor (13 * 32 + 16)(%rdx), %ymm9, %ymm9;
1059         vpxor (14 * 32 + 16)(%rdx), %ymm8, %ymm8;
1060         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
1061                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
1062                      %ymm8, %rsi);
1064         vzeroupper;
1066         FRAME_END
1067         ret;
1068 ENDPROC(camellia_cbc_dec_32way)
1070 #define inc_le128(x, minus_one, tmp) \
1071         vpcmpeqq minus_one, x, tmp; \
1072         vpsubq minus_one, x, x; \
1073         vpslldq $8, tmp, tmp; \
1074         vpsubq tmp, x, x;
1076 #define add2_le128(x, minus_one, minus_two, tmp1, tmp2) \
1077         vpcmpeqq minus_one, x, tmp1; \
1078         vpcmpeqq minus_two, x, tmp2; \
1079         vpsubq minus_two, x, x; \
1080         vpor tmp2, tmp1, tmp1; \
1081         vpslldq $8, tmp1, tmp1; \
1082         vpsubq tmp1, x, x;
1084 ENTRY(camellia_ctr_32way)
1085         /* input:
1086          *      %rdi: ctx, CTX
1087          *      %rsi: dst (32 blocks)
1088          *      %rdx: src (32 blocks)
1089          *      %rcx: iv (little endian, 128bit)
1090          */
1091         FRAME_BEGIN
1093         vzeroupper;
1095         movq %rsp, %r10;
1096         cmpq %rsi, %rdx;
1097         je .Lctr_use_stack;
1099         /* dst can be used as temporary storage, src is not overwritten. */
1100         movq %rsi, %rax;
1101         jmp .Lctr_continue;
1103 .Lctr_use_stack:
1104         subq $(16 * 32), %rsp;
1105         movq %rsp, %rax;
1107 .Lctr_continue:
1108         vpcmpeqd %ymm15, %ymm15, %ymm15;
1109         vpsrldq $8, %ymm15, %ymm15; /* ab: -1:0 ; cd: -1:0 */
1110         vpaddq %ymm15, %ymm15, %ymm12; /* ab: -2:0 ; cd: -2:0 */
1112         /* load IV and byteswap */
1113         vmovdqu (%rcx), %xmm0;
1114         vmovdqa %xmm0, %xmm1;
1115         inc_le128(%xmm0, %xmm15, %xmm14);
1116         vbroadcasti128 .Lbswap128_mask, %ymm14;
1117         vinserti128 $1, %xmm0, %ymm1, %ymm0;
1118         vpshufb %ymm14, %ymm0, %ymm13;
1119         vmovdqu %ymm13, 15 * 32(%rax);
1121         /* construct IVs */
1122         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13); /* ab:le2 ; cd:le3 */
1123         vpshufb %ymm14, %ymm0, %ymm13;
1124         vmovdqu %ymm13, 14 * 32(%rax);
1125         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1126         vpshufb %ymm14, %ymm0, %ymm13;
1127         vmovdqu %ymm13, 13 * 32(%rax);
1128         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1129         vpshufb %ymm14, %ymm0, %ymm13;
1130         vmovdqu %ymm13, 12 * 32(%rax);
1131         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1132         vpshufb %ymm14, %ymm0, %ymm13;
1133         vmovdqu %ymm13, 11 * 32(%rax);
1134         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1135         vpshufb %ymm14, %ymm0, %ymm10;
1136         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1137         vpshufb %ymm14, %ymm0, %ymm9;
1138         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1139         vpshufb %ymm14, %ymm0, %ymm8;
1140         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1141         vpshufb %ymm14, %ymm0, %ymm7;
1142         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1143         vpshufb %ymm14, %ymm0, %ymm6;
1144         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1145         vpshufb %ymm14, %ymm0, %ymm5;
1146         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1147         vpshufb %ymm14, %ymm0, %ymm4;
1148         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1149         vpshufb %ymm14, %ymm0, %ymm3;
1150         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1151         vpshufb %ymm14, %ymm0, %ymm2;
1152         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1153         vpshufb %ymm14, %ymm0, %ymm1;
1154         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1155         vextracti128 $1, %ymm0, %xmm13;
1156         vpshufb %ymm14, %ymm0, %ymm0;
1157         inc_le128(%xmm13, %xmm15, %xmm14);
1158         vmovdqu %xmm13, (%rcx);
1160         /* inpack32_pre: */
1161         vpbroadcastq (key_table)(CTX), %ymm15;
1162         vpshufb .Lpack_bswap, %ymm15, %ymm15;
1163         vpxor %ymm0, %ymm15, %ymm0;
1164         vpxor %ymm1, %ymm15, %ymm1;
1165         vpxor %ymm2, %ymm15, %ymm2;
1166         vpxor %ymm3, %ymm15, %ymm3;
1167         vpxor %ymm4, %ymm15, %ymm4;
1168         vpxor %ymm5, %ymm15, %ymm5;
1169         vpxor %ymm6, %ymm15, %ymm6;
1170         vpxor %ymm7, %ymm15, %ymm7;
1171         vpxor %ymm8, %ymm15, %ymm8;
1172         vpxor %ymm9, %ymm15, %ymm9;
1173         vpxor %ymm10, %ymm15, %ymm10;
1174         vpxor 11 * 32(%rax), %ymm15, %ymm11;
1175         vpxor 12 * 32(%rax), %ymm15, %ymm12;
1176         vpxor 13 * 32(%rax), %ymm15, %ymm13;
1177         vpxor 14 * 32(%rax), %ymm15, %ymm14;
1178         vpxor 15 * 32(%rax), %ymm15, %ymm15;
1180         call __camellia_enc_blk32;
1182         movq %r10, %rsp;
1184         vpxor 0 * 32(%rdx), %ymm7, %ymm7;
1185         vpxor 1 * 32(%rdx), %ymm6, %ymm6;
1186         vpxor 2 * 32(%rdx), %ymm5, %ymm5;
1187         vpxor 3 * 32(%rdx), %ymm4, %ymm4;
1188         vpxor 4 * 32(%rdx), %ymm3, %ymm3;
1189         vpxor 5 * 32(%rdx), %ymm2, %ymm2;
1190         vpxor 6 * 32(%rdx), %ymm1, %ymm1;
1191         vpxor 7 * 32(%rdx), %ymm0, %ymm0;
1192         vpxor 8 * 32(%rdx), %ymm15, %ymm15;
1193         vpxor 9 * 32(%rdx), %ymm14, %ymm14;
1194         vpxor 10 * 32(%rdx), %ymm13, %ymm13;
1195         vpxor 11 * 32(%rdx), %ymm12, %ymm12;
1196         vpxor 12 * 32(%rdx), %ymm11, %ymm11;
1197         vpxor 13 * 32(%rdx), %ymm10, %ymm10;
1198         vpxor 14 * 32(%rdx), %ymm9, %ymm9;
1199         vpxor 15 * 32(%rdx), %ymm8, %ymm8;
1200         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
1201                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
1202                      %ymm8, %rsi);
1204         vzeroupper;
1206         FRAME_END
1207         ret;
1208 ENDPROC(camellia_ctr_32way)
1210 #define gf128mul_x_ble(iv, mask, tmp) \
1211         vpsrad $31, iv, tmp; \
1212         vpaddq iv, iv, iv; \
1213         vpshufd $0x13, tmp, tmp; \
1214         vpand mask, tmp, tmp; \
1215         vpxor tmp, iv, iv;
1217 #define gf128mul_x2_ble(iv, mask1, mask2, tmp0, tmp1) \
1218         vpsrad $31, iv, tmp0; \
1219         vpaddq iv, iv, tmp1; \
1220         vpsllq $2, iv, iv; \
1221         vpshufd $0x13, tmp0, tmp0; \
1222         vpsrad $31, tmp1, tmp1; \
1223         vpand mask2, tmp0, tmp0; \
1224         vpshufd $0x13, tmp1, tmp1; \
1225         vpxor tmp0, iv, iv; \
1226         vpand mask1, tmp1, tmp1; \
1227         vpxor tmp1, iv, iv;
1229 .align 8
1230 camellia_xts_crypt_32way:
1231         /* input:
1232          *      %rdi: ctx, CTX
1233          *      %rsi: dst (32 blocks)
1234          *      %rdx: src (32 blocks)
1235          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1236          *      %r8: index for input whitening key
1237          *      %r9: pointer to  __camellia_enc_blk32 or __camellia_dec_blk32
1238          */
1239         FRAME_BEGIN
1241         vzeroupper;
1243         subq $(16 * 32), %rsp;
1244         movq %rsp, %rax;
1246         vbroadcasti128 .Lxts_gf128mul_and_shl1_mask_0, %ymm12;
1248         /* load IV and construct second IV */
1249         vmovdqu (%rcx), %xmm0;
1250         vmovdqa %xmm0, %xmm15;
1251         gf128mul_x_ble(%xmm0, %xmm12, %xmm13);
1252         vbroadcasti128 .Lxts_gf128mul_and_shl1_mask_1, %ymm13;
1253         vinserti128 $1, %xmm0, %ymm15, %ymm0;
1254         vpxor 0 * 32(%rdx), %ymm0, %ymm15;
1255         vmovdqu %ymm15, 15 * 32(%rax);
1256         vmovdqu %ymm0, 0 * 32(%rsi);
1258         /* construct IVs */
1259         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1260         vpxor 1 * 32(%rdx), %ymm0, %ymm15;
1261         vmovdqu %ymm15, 14 * 32(%rax);
1262         vmovdqu %ymm0, 1 * 32(%rsi);
1264         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1265         vpxor 2 * 32(%rdx), %ymm0, %ymm15;
1266         vmovdqu %ymm15, 13 * 32(%rax);
1267         vmovdqu %ymm0, 2 * 32(%rsi);
1269         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1270         vpxor 3 * 32(%rdx), %ymm0, %ymm15;
1271         vmovdqu %ymm15, 12 * 32(%rax);
1272         vmovdqu %ymm0, 3 * 32(%rsi);
1274         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1275         vpxor 4 * 32(%rdx), %ymm0, %ymm11;
1276         vmovdqu %ymm0, 4 * 32(%rsi);
1278         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1279         vpxor 5 * 32(%rdx), %ymm0, %ymm10;
1280         vmovdqu %ymm0, 5 * 32(%rsi);
1282         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1283         vpxor 6 * 32(%rdx), %ymm0, %ymm9;
1284         vmovdqu %ymm0, 6 * 32(%rsi);
1286         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1287         vpxor 7 * 32(%rdx), %ymm0, %ymm8;
1288         vmovdqu %ymm0, 7 * 32(%rsi);
1290         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1291         vpxor 8 * 32(%rdx), %ymm0, %ymm7;
1292         vmovdqu %ymm0, 8 * 32(%rsi);
1294         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1295         vpxor 9 * 32(%rdx), %ymm0, %ymm6;
1296         vmovdqu %ymm0, 9 * 32(%rsi);
1298         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1299         vpxor 10 * 32(%rdx), %ymm0, %ymm5;
1300         vmovdqu %ymm0, 10 * 32(%rsi);
1302         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1303         vpxor 11 * 32(%rdx), %ymm0, %ymm4;
1304         vmovdqu %ymm0, 11 * 32(%rsi);
1306         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1307         vpxor 12 * 32(%rdx), %ymm0, %ymm3;
1308         vmovdqu %ymm0, 12 * 32(%rsi);
1310         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1311         vpxor 13 * 32(%rdx), %ymm0, %ymm2;
1312         vmovdqu %ymm0, 13 * 32(%rsi);
1314         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1315         vpxor 14 * 32(%rdx), %ymm0, %ymm1;
1316         vmovdqu %ymm0, 14 * 32(%rsi);
1318         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1319         vpxor 15 * 32(%rdx), %ymm0, %ymm15;
1320         vmovdqu %ymm15, 0 * 32(%rax);
1321         vmovdqu %ymm0, 15 * 32(%rsi);
1323         vextracti128 $1, %ymm0, %xmm0;
1324         gf128mul_x_ble(%xmm0, %xmm12, %xmm15);
1325         vmovdqu %xmm0, (%rcx);
1327         /* inpack32_pre: */
1328         vpbroadcastq (key_table)(CTX, %r8, 8), %ymm15;
1329         vpshufb .Lpack_bswap, %ymm15, %ymm15;
1330         vpxor 0 * 32(%rax), %ymm15, %ymm0;
1331         vpxor %ymm1, %ymm15, %ymm1;
1332         vpxor %ymm2, %ymm15, %ymm2;
1333         vpxor %ymm3, %ymm15, %ymm3;
1334         vpxor %ymm4, %ymm15, %ymm4;
1335         vpxor %ymm5, %ymm15, %ymm5;
1336         vpxor %ymm6, %ymm15, %ymm6;
1337         vpxor %ymm7, %ymm15, %ymm7;
1338         vpxor %ymm8, %ymm15, %ymm8;
1339         vpxor %ymm9, %ymm15, %ymm9;
1340         vpxor %ymm10, %ymm15, %ymm10;
1341         vpxor %ymm11, %ymm15, %ymm11;
1342         vpxor 12 * 32(%rax), %ymm15, %ymm12;
1343         vpxor 13 * 32(%rax), %ymm15, %ymm13;
1344         vpxor 14 * 32(%rax), %ymm15, %ymm14;
1345         vpxor 15 * 32(%rax), %ymm15, %ymm15;
1347         CALL_NOSPEC %r9;
1349         addq $(16 * 32), %rsp;
1351         vpxor 0 * 32(%rsi), %ymm7, %ymm7;
1352         vpxor 1 * 32(%rsi), %ymm6, %ymm6;
1353         vpxor 2 * 32(%rsi), %ymm5, %ymm5;
1354         vpxor 3 * 32(%rsi), %ymm4, %ymm4;
1355         vpxor 4 * 32(%rsi), %ymm3, %ymm3;
1356         vpxor 5 * 32(%rsi), %ymm2, %ymm2;
1357         vpxor 6 * 32(%rsi), %ymm1, %ymm1;
1358         vpxor 7 * 32(%rsi), %ymm0, %ymm0;
1359         vpxor 8 * 32(%rsi), %ymm15, %ymm15;
1360         vpxor 9 * 32(%rsi), %ymm14, %ymm14;
1361         vpxor 10 * 32(%rsi), %ymm13, %ymm13;
1362         vpxor 11 * 32(%rsi), %ymm12, %ymm12;
1363         vpxor 12 * 32(%rsi), %ymm11, %ymm11;
1364         vpxor 13 * 32(%rsi), %ymm10, %ymm10;
1365         vpxor 14 * 32(%rsi), %ymm9, %ymm9;
1366         vpxor 15 * 32(%rsi), %ymm8, %ymm8;
1367         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
1368                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
1369                      %ymm8, %rsi);
1371         vzeroupper;
1373         FRAME_END
1374         ret;
1375 ENDPROC(camellia_xts_crypt_32way)
1377 ENTRY(camellia_xts_enc_32way)
1378         /* input:
1379          *      %rdi: ctx, CTX
1380          *      %rsi: dst (32 blocks)
1381          *      %rdx: src (32 blocks)
1382          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1383          */
1385         xorl %r8d, %r8d; /* input whitening key, 0 for enc */
1387         leaq __camellia_enc_blk32, %r9;
1389         jmp camellia_xts_crypt_32way;
1390 ENDPROC(camellia_xts_enc_32way)
1392 ENTRY(camellia_xts_dec_32way)
1393         /* input:
1394          *      %rdi: ctx, CTX
1395          *      %rsi: dst (32 blocks)
1396          *      %rdx: src (32 blocks)
1397          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1398          */
1400         cmpl $16, key_length(CTX);
1401         movl $32, %r8d;
1402         movl $24, %eax;
1403         cmovel %eax, %r8d;  /* input whitening key, last for dec */
1405         leaq __camellia_dec_blk32, %r9;
1407         jmp camellia_xts_crypt_32way;
1408 ENDPROC(camellia_xts_dec_32way)