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

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