Quelle  chacha-ssse3-x86_64.S   Sprache: Sparc

/* SPDX-License-Identifier: GPL-2.0-or-later */
/*
 * ChaCha 256-bit cipher algorithm, x64 SSSE3 functions
 *
 * Copyright (C) 2015 Martin Willi
 */

#include <linux/linkage.h>
#include <asm/frame.h>

.section .rodata.cst16.ROT8, "aM", @progbits, 16
.align 16
ROT8: .octa 0x0e0d0c0f0a09080b0605040702010003
.section .rodata.cst16.ROT16, "aM", @progbits, 16
.align 16
ROT16: .octa 0x0d0c0f0e09080b0a0504070601000302
.section .rodata.cst16.CTRINC, "aM", @progbits, 16
.align 16
CTRINC: .octa 0x00000003000000020000000100000000

.text

/*
 * chacha_permute - permute one block
 *
 * Permute one 64-byte block where the state matrix is in %xmm0-%xmm3.  This
 * function performs matrix operations on four words in parallel, but requires
 * shuffling to rearrange the words after each round.  8/16-bit word rotation is
 * done with the slightly better performing SSSE3 byte shuffling, 7/12-bit word
 * rotation uses traditional shift+OR.
 *
 * The round count is given in %r8d.
 *
 * Clobbers: %r8d, %xmm4-%xmm7
 */
SYM_FUNC_START_LOCAL(chacha_permute)

 movdqa  ROT8(%rip),%xmm4
 movdqa  ROT16(%rip),%xmm5

.Ldoubleround:
 # x0 += x1, x3 = rotl32(x3 ^ x0, 16)
 paddd  %xmm1,%xmm0
 pxor  %xmm0,%xmm3
 pshufb  %xmm5,%xmm3

 # x2 += x3, x1 = rotl32(x1 ^ x2, 12)
 paddd  %xmm3,%xmm2
 pxor  %xmm2,%xmm1
 movdqa  %xmm1,%xmm6
 pslld  $12,%xmm6
 psrld  $20,%xmm1
 por  %xmm6,%xmm1

 # x0 += x1, x3 = rotl32(x3 ^ x0, 8)
 paddd  %xmm1,%xmm0
 pxor  %xmm0,%xmm3
 pshufb  %xmm4,%xmm3

 # x2 += x3, x1 = rotl32(x1 ^ x2, 7)
 paddd  %xmm3,%xmm2
 pxor  %xmm2,%xmm1
 movdqa  %xmm1,%xmm7
 pslld  $7,%xmm7
 psrld  $25,%xmm1
 por  %xmm7,%xmm1

 # x1 = shuffle32(x1, MASK(0, 3, 2, 1))
 pshufd  $0x39,%xmm1,%xmm1
 # x2 = shuffle32(x2, MASK(1, 0, 3, 2))
 pshufd  $0x4e,%xmm2,%xmm2
 # x3 = shuffle32(x3, MASK(2, 1, 0, 3))
 pshufd  $0x93,%xmm3,%xmm3

 # x0 += x1, x3 = rotl32(x3 ^ x0, 16)
 paddd  %xmm1,%xmm0
 pxor  %xmm0,%xmm3
 pshufb  %xmm5,%xmm3

 # x2 += x3, x1 = rotl32(x1 ^ x2, 12)
 paddd  %xmm3,%xmm2
 pxor  %xmm2,%xmm1
 movdqa  %xmm1,%xmm6
 pslld  $12,%xmm6
 psrld  $20,%xmm1
 por  %xmm6,%xmm1

 # x0 += x1, x3 = rotl32(x3 ^ x0, 8)
 paddd  %xmm1,%xmm0
 pxor  %xmm0,%xmm3
 pshufb  %xmm4,%xmm3

 # x2 += x3, x1 = rotl32(x1 ^ x2, 7)
 paddd  %xmm3,%xmm2
 pxor  %xmm2,%xmm1
 movdqa  %xmm1,%xmm7
 pslld  $7,%xmm7
 psrld  $25,%xmm1
 por  %xmm7,%xmm1

 # x1 = shuffle32(x1, MASK(2, 1, 0, 3))
 pshufd  $0x93,%xmm1,%xmm1
 # x2 = shuffle32(x2, MASK(1, 0, 3, 2))
 pshufd  $0x4e,%xmm2,%xmm2
 # x3 = shuffle32(x3, MASK(0, 3, 2, 1))
 pshufd  $0x39,%xmm3,%xmm3

 sub  $2,%r8d
 jnz  .Ldoubleround

 RET
SYM_FUNC_END(chacha_permute)

SYM_FUNC_START(chacha_block_xor_ssse3)
 # %rdi: Input state matrix, s
 # %rsi: up to 1 data block output, o
 # %rdx: up to 1 data block input, i
 # %rcx: input/output length in bytes
 # %r8d: nrounds
 FRAME_BEGIN

 # x0..3 = s0..3
 movdqu  0x00(%rdi),%xmm0
 movdqu  0x10(%rdi),%xmm1
 movdqu  0x20(%rdi),%xmm2
 movdqu  0x30(%rdi),%xmm3
 movdqa  %xmm0,%xmm8
 movdqa  %xmm1,%xmm9
 movdqa  %xmm2,%xmm10
 movdqa  %xmm3,%xmm11

 mov  %rcx,%rax
 call  chacha_permute

 # o0 = i0 ^ (x0 + s0)
 paddd  %xmm8,%xmm0
 cmp  $0x10,%rax
 jl  .Lxorpart
 movdqu  0x00(%rdx),%xmm4
 pxor  %xmm4,%xmm0
 movdqu  %xmm0,0x00(%rsi)
 # o1 = i1 ^ (x1 + s1)
 paddd  %xmm9,%xmm1
 movdqa  %xmm1,%xmm0
 cmp  $0x20,%rax
 jl  .Lxorpart
 movdqu  0x10(%rdx),%xmm0
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x10(%rsi)
 # o2 = i2 ^ (x2 + s2)
 paddd  %xmm10,%xmm2
 movdqa  %xmm2,%xmm0
 cmp  $0x30,%rax
 jl  .Lxorpart
 movdqu  0x20(%rdx),%xmm0
 pxor  %xmm2,%xmm0
 movdqu  %xmm0,0x20(%rsi)
 # o3 = i3 ^ (x3 + s3)
 paddd  %xmm11,%xmm3
 movdqa  %xmm3,%xmm0
 cmp  $0x40,%rax
 jl  .Lxorpart
 movdqu  0x30(%rdx),%xmm0
 pxor  %xmm3,%xmm0
 movdqu  %xmm0,0x30(%rsi)

.Ldone:
 FRAME_END
 RET

.Lxorpart:
 # xor remaining bytes from partial register into output
 mov  %rax,%r9
 and  $0x0f,%r9
 jz  .Ldone
 and  $~0x0f,%rax

 mov  %rsi,%r11

 lea  8(%rsp),%r10
 sub  $0x10,%rsp
 and  $~31,%rsp

 lea  (%rdx,%rax),%rsi
 mov  %rsp,%rdi
 mov  %r9,%rcx
 rep movsb

 pxor  0x00(%rsp),%xmm0
 movdqa  %xmm0,0x00(%rsp)

 mov  %rsp,%rsi
 lea  (%r11,%rax),%rdi
 mov  %r9,%rcx
 rep movsb

 lea  -8(%r10),%rsp
 jmp  .Ldone

SYM_FUNC_END(chacha_block_xor_ssse3)

SYM_FUNC_START(hchacha_block_ssse3)
 # %rdi: Input state matrix, s
 # %rsi: output (8 32-bit words)
 # %edx: nrounds
 FRAME_BEGIN

 movdqu  0x00(%rdi),%xmm0
 movdqu  0x10(%rdi),%xmm1
 movdqu  0x20(%rdi),%xmm2
 movdqu  0x30(%rdi),%xmm3

 mov  %edx,%r8d
 call  chacha_permute

 movdqu  %xmm0,0x00(%rsi)
 movdqu  %xmm3,0x10(%rsi)

 FRAME_END
 RET
SYM_FUNC_END(hchacha_block_ssse3)

SYM_FUNC_START(chacha_4block_xor_ssse3)
 # %rdi: Input state matrix, s
 # %rsi: up to 4 data blocks output, o
 # %rdx: up to 4 data blocks input, i
 # %rcx: input/output length in bytes
 # %r8d: nrounds

 # This function encrypts four consecutive ChaCha blocks by loading the
 # the state matrix in SSE registers four times. As we need some scratch
 # registers, we save the first four registers on the stack. The
 # algorithm performs each operation on the corresponding word of each
 # state matrix, hence requires no word shuffling. For final XORing step
 # we transpose the matrix by interleaving 32- and then 64-bit words,
 # which allows us to do XOR in SSE registers. 8/16-bit word rotation is
 # done with the slightly better performing SSSE3 byte shuffling,
 # 7/12-bit word rotation uses traditional shift+OR.

 lea  8(%rsp),%r10
 sub  $0x80,%rsp
 and  $~63,%rsp
 mov  %rcx,%rax

 # x0..15[0-3] = s0..3[0..3]
 movq  0x00(%rdi),%xmm1
 pshufd  $0x00,%xmm1,%xmm0
 pshufd  $0x55,%xmm1,%xmm1
 movq  0x08(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 movq  0x10(%rdi),%xmm5
 pshufd  $0x00,%xmm5,%xmm4
 pshufd  $0x55,%xmm5,%xmm5
 movq  0x18(%rdi),%xmm7
 pshufd  $0x00,%xmm7,%xmm6
 pshufd  $0x55,%xmm7,%xmm7
 movq  0x20(%rdi),%xmm9
 pshufd  $0x00,%xmm9,%xmm8
 pshufd  $0x55,%xmm9,%xmm9
 movq  0x28(%rdi),%xmm11
 pshufd  $0x00,%xmm11,%xmm10
 pshufd  $0x55,%xmm11,%xmm11
 movq  0x30(%rdi),%xmm13
 pshufd  $0x00,%xmm13,%xmm12
 pshufd  $0x55,%xmm13,%xmm13
 movq  0x38(%rdi),%xmm15
 pshufd  $0x00,%xmm15,%xmm14
 pshufd  $0x55,%xmm15,%xmm15
 # x0..3 on stack
 movdqa  %xmm0,0x00(%rsp)
 movdqa  %xmm1,0x10(%rsp)
 movdqa  %xmm2,0x20(%rsp)
 movdqa  %xmm3,0x30(%rsp)

 movdqa  CTRINC(%rip),%xmm1
 movdqa  ROT8(%rip),%xmm2
 movdqa  ROT16(%rip),%xmm3

 # x12 += counter values 0-3
 paddd  %xmm1,%xmm12

.Ldoubleround4:
 # x0 += x4, x12 = rotl32(x12 ^ x0, 16)
 movdqa  0x00(%rsp),%xmm0
 paddd  %xmm4,%xmm0
 movdqa  %xmm0,0x00(%rsp)
 pxor  %xmm0,%xmm12
 pshufb  %xmm3,%xmm12
 # x1 += x5, x13 = rotl32(x13 ^ x1, 16)
 movdqa  0x10(%rsp),%xmm0
 paddd  %xmm5,%xmm0
 movdqa  %xmm0,0x10(%rsp)
 pxor  %xmm0,%xmm13
 pshufb  %xmm3,%xmm13
 # x2 += x6, x14 = rotl32(x14 ^ x2, 16)
 movdqa  0x20(%rsp),%xmm0
 paddd  %xmm6,%xmm0
 movdqa  %xmm0,0x20(%rsp)
 pxor  %xmm0,%xmm14
 pshufb  %xmm3,%xmm14
 # x3 += x7, x15 = rotl32(x15 ^ x3, 16)
 movdqa  0x30(%rsp),%xmm0
 paddd  %xmm7,%xmm0
 movdqa  %xmm0,0x30(%rsp)
 pxor  %xmm0,%xmm15
 pshufb  %xmm3,%xmm15

 # x8 += x12, x4 = rotl32(x4 ^ x8, 12)
 paddd  %xmm12,%xmm8
 pxor  %xmm8,%xmm4
 movdqa  %xmm4,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm4
 por  %xmm0,%xmm4
 # x9 += x13, x5 = rotl32(x5 ^ x9, 12)
 paddd  %xmm13,%xmm9
 pxor  %xmm9,%xmm5
 movdqa  %xmm5,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm5
 por  %xmm0,%xmm5
 # x10 += x14, x6 = rotl32(x6 ^ x10, 12)
 paddd  %xmm14,%xmm10
 pxor  %xmm10,%xmm6
 movdqa  %xmm6,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm6
 por  %xmm0,%xmm6
 # x11 += x15, x7 = rotl32(x7 ^ x11, 12)
 paddd  %xmm15,%xmm11
 pxor  %xmm11,%xmm7
 movdqa  %xmm7,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm7
 por  %xmm0,%xmm7

 # x0 += x4, x12 = rotl32(x12 ^ x0, 8)
 movdqa  0x00(%rsp),%xmm0
 paddd  %xmm4,%xmm0
 movdqa  %xmm0,0x00(%rsp)
 pxor  %xmm0,%xmm12
 pshufb  %xmm2,%xmm12
 # x1 += x5, x13 = rotl32(x13 ^ x1, 8)
 movdqa  0x10(%rsp),%xmm0
 paddd  %xmm5,%xmm0
 movdqa  %xmm0,0x10(%rsp)
 pxor  %xmm0,%xmm13
 pshufb  %xmm2,%xmm13
 # x2 += x6, x14 = rotl32(x14 ^ x2, 8)
 movdqa  0x20(%rsp),%xmm0
 paddd  %xmm6,%xmm0
 movdqa  %xmm0,0x20(%rsp)
 pxor  %xmm0,%xmm14
 pshufb  %xmm2,%xmm14
 # x3 += x7, x15 = rotl32(x15 ^ x3, 8)
 movdqa  0x30(%rsp),%xmm0
 paddd  %xmm7,%xmm0
 movdqa  %xmm0,0x30(%rsp)
 pxor  %xmm0,%xmm15
 pshufb  %xmm2,%xmm15

 # x8 += x12, x4 = rotl32(x4 ^ x8, 7)
 paddd  %xmm12,%xmm8
 pxor  %xmm8,%xmm4
 movdqa  %xmm4,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm4
 por  %xmm0,%xmm4
 # x9 += x13, x5 = rotl32(x5 ^ x9, 7)
 paddd  %xmm13,%xmm9
 pxor  %xmm9,%xmm5
 movdqa  %xmm5,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm5
 por  %xmm0,%xmm5
 # x10 += x14, x6 = rotl32(x6 ^ x10, 7)
 paddd  %xmm14,%xmm10
 pxor  %xmm10,%xmm6
 movdqa  %xmm6,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm6
 por  %xmm0,%xmm6
 # x11 += x15, x7 = rotl32(x7 ^ x11, 7)
 paddd  %xmm15,%xmm11
 pxor  %xmm11,%xmm7
 movdqa  %xmm7,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm7
 por  %xmm0,%xmm7

 # x0 += x5, x15 = rotl32(x15 ^ x0, 16)
 movdqa  0x00(%rsp),%xmm0
 paddd  %xmm5,%xmm0
 movdqa  %xmm0,0x00(%rsp)
 pxor  %xmm0,%xmm15
 pshufb  %xmm3,%xmm15
 # x1 += x6, x12 = rotl32(x12 ^ x1, 16)
 movdqa  0x10(%rsp),%xmm0
 paddd  %xmm6,%xmm0
 movdqa  %xmm0,0x10(%rsp)
 pxor  %xmm0,%xmm12
 pshufb  %xmm3,%xmm12
 # x2 += x7, x13 = rotl32(x13 ^ x2, 16)
 movdqa  0x20(%rsp),%xmm0
 paddd  %xmm7,%xmm0
 movdqa  %xmm0,0x20(%rsp)
 pxor  %xmm0,%xmm13
 pshufb  %xmm3,%xmm13
 # x3 += x4, x14 = rotl32(x14 ^ x3, 16)
 movdqa  0x30(%rsp),%xmm0
 paddd  %xmm4,%xmm0
 movdqa  %xmm0,0x30(%rsp)
 pxor  %xmm0,%xmm14
 pshufb  %xmm3,%xmm14

 # x10 += x15, x5 = rotl32(x5 ^ x10, 12)
 paddd  %xmm15,%xmm10
 pxor  %xmm10,%xmm5
 movdqa  %xmm5,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm5
 por  %xmm0,%xmm5
 # x11 += x12, x6 = rotl32(x6 ^ x11, 12)
 paddd  %xmm12,%xmm11
 pxor  %xmm11,%xmm6
 movdqa  %xmm6,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm6
 por  %xmm0,%xmm6
 # x8 += x13, x7 = rotl32(x7 ^ x8, 12)
 paddd  %xmm13,%xmm8
 pxor  %xmm8,%xmm7
 movdqa  %xmm7,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm7
 por  %xmm0,%xmm7
 # x9 += x14, x4 = rotl32(x4 ^ x9, 12)
 paddd  %xmm14,%xmm9
 pxor  %xmm9,%xmm4
 movdqa  %xmm4,%xmm0
 pslld  $12,%xmm0
 psrld  $20,%xmm4
 por  %xmm0,%xmm4

 # x0 += x5, x15 = rotl32(x15 ^ x0, 8)
 movdqa  0x00(%rsp),%xmm0
 paddd  %xmm5,%xmm0
 movdqa  %xmm0,0x00(%rsp)
 pxor  %xmm0,%xmm15
 pshufb  %xmm2,%xmm15
 # x1 += x6, x12 = rotl32(x12 ^ x1, 8)
 movdqa  0x10(%rsp),%xmm0
 paddd  %xmm6,%xmm0
 movdqa  %xmm0,0x10(%rsp)
 pxor  %xmm0,%xmm12
 pshufb  %xmm2,%xmm12
 # x2 += x7, x13 = rotl32(x13 ^ x2, 8)
 movdqa  0x20(%rsp),%xmm0
 paddd  %xmm7,%xmm0
 movdqa  %xmm0,0x20(%rsp)
 pxor  %xmm0,%xmm13
 pshufb  %xmm2,%xmm13
 # x3 += x4, x14 = rotl32(x14 ^ x3, 8)
 movdqa  0x30(%rsp),%xmm0
 paddd  %xmm4,%xmm0
 movdqa  %xmm0,0x30(%rsp)
 pxor  %xmm0,%xmm14
 pshufb  %xmm2,%xmm14

 # x10 += x15, x5 = rotl32(x5 ^ x10, 7)
 paddd  %xmm15,%xmm10
 pxor  %xmm10,%xmm5
 movdqa  %xmm5,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm5
 por  %xmm0,%xmm5
 # x11 += x12, x6 = rotl32(x6 ^ x11, 7)
 paddd  %xmm12,%xmm11
 pxor  %xmm11,%xmm6
 movdqa  %xmm6,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm6
 por  %xmm0,%xmm6
 # x8 += x13, x7 = rotl32(x7 ^ x8, 7)
 paddd  %xmm13,%xmm8
 pxor  %xmm8,%xmm7
 movdqa  %xmm7,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm7
 por  %xmm0,%xmm7
 # x9 += x14, x4 = rotl32(x4 ^ x9, 7)
 paddd  %xmm14,%xmm9
 pxor  %xmm9,%xmm4
 movdqa  %xmm4,%xmm0
 pslld  $7,%xmm0
 psrld  $25,%xmm4
 por  %xmm0,%xmm4

 sub  $2,%r8d
 jnz  .Ldoubleround4

 # x0[0-3] += s0[0]
 # x1[0-3] += s0[1]
 movq  0x00(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  0x00(%rsp),%xmm2
 movdqa  %xmm2,0x00(%rsp)
 paddd  0x10(%rsp),%xmm3
 movdqa  %xmm3,0x10(%rsp)
 # x2[0-3] += s0[2]
 # x3[0-3] += s0[3]
 movq  0x08(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  0x20(%rsp),%xmm2
 movdqa  %xmm2,0x20(%rsp)
 paddd  0x30(%rsp),%xmm3
 movdqa  %xmm3,0x30(%rsp)

 # x4[0-3] += s1[0]
 # x5[0-3] += s1[1]
 movq  0x10(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  %xmm2,%xmm4
 paddd  %xmm3,%xmm5
 # x6[0-3] += s1[2]
 # x7[0-3] += s1[3]
 movq  0x18(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  %xmm2,%xmm6
 paddd  %xmm3,%xmm7

 # x8[0-3] += s2[0]
 # x9[0-3] += s2[1]
 movq  0x20(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  %xmm2,%xmm8
 paddd  %xmm3,%xmm9
 # x10[0-3] += s2[2]
 # x11[0-3] += s2[3]
 movq  0x28(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  %xmm2,%xmm10
 paddd  %xmm3,%xmm11

 # x12[0-3] += s3[0]
 # x13[0-3] += s3[1]
 movq  0x30(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  %xmm2,%xmm12
 paddd  %xmm3,%xmm13
 # x14[0-3] += s3[2]
 # x15[0-3] += s3[3]
 movq  0x38(%rdi),%xmm3
 pshufd  $0x00,%xmm3,%xmm2
 pshufd  $0x55,%xmm3,%xmm3
 paddd  %xmm2,%xmm14
 paddd  %xmm3,%xmm15

 # x12 += counter values 0-3
 paddd  %xmm1,%xmm12

 # interleave 32-bit words in state n, n+1
 movdqa  0x00(%rsp),%xmm0
 movdqa  0x10(%rsp),%xmm1
 movdqa  %xmm0,%xmm2
 punpckldq %xmm1,%xmm2
 punpckhdq %xmm1,%xmm0
 movdqa  %xmm2,0x00(%rsp)
 movdqa  %xmm0,0x10(%rsp)
 movdqa  0x20(%rsp),%xmm0
 movdqa  0x30(%rsp),%xmm1
 movdqa  %xmm0,%xmm2
 punpckldq %xmm1,%xmm2
 punpckhdq %xmm1,%xmm0
 movdqa  %xmm2,0x20(%rsp)
 movdqa  %xmm0,0x30(%rsp)
 movdqa  %xmm4,%xmm0
 punpckldq %xmm5,%xmm4
 punpckhdq %xmm5,%xmm0
 movdqa  %xmm0,%xmm5
 movdqa  %xmm6,%xmm0
 punpckldq %xmm7,%xmm6
 punpckhdq %xmm7,%xmm0
 movdqa  %xmm0,%xmm7
 movdqa  %xmm8,%xmm0
 punpckldq %xmm9,%xmm8
 punpckhdq %xmm9,%xmm0
 movdqa  %xmm0,%xmm9
 movdqa  %xmm10,%xmm0
 punpckldq %xmm11,%xmm10
 punpckhdq %xmm11,%xmm0
 movdqa  %xmm0,%xmm11
 movdqa  %xmm12,%xmm0
 punpckldq %xmm13,%xmm12
 punpckhdq %xmm13,%xmm0
 movdqa  %xmm0,%xmm13
 movdqa  %xmm14,%xmm0
 punpckldq %xmm15,%xmm14
 punpckhdq %xmm15,%xmm0
 movdqa  %xmm0,%xmm15

 # interleave 64-bit words in state n, n+2
 movdqa  0x00(%rsp),%xmm0
 movdqa  0x20(%rsp),%xmm1
 movdqa  %xmm0,%xmm2
 punpcklqdq %xmm1,%xmm2
 punpckhqdq %xmm1,%xmm0
 movdqa  %xmm2,0x00(%rsp)
 movdqa  %xmm0,0x20(%rsp)
 movdqa  0x10(%rsp),%xmm0
 movdqa  0x30(%rsp),%xmm1
 movdqa  %xmm0,%xmm2
 punpcklqdq %xmm1,%xmm2
 punpckhqdq %xmm1,%xmm0
 movdqa  %xmm2,0x10(%rsp)
 movdqa  %xmm0,0x30(%rsp)
 movdqa  %xmm4,%xmm0
 punpcklqdq %xmm6,%xmm4
 punpckhqdq %xmm6,%xmm0
 movdqa  %xmm0,%xmm6
 movdqa  %xmm5,%xmm0
 punpcklqdq %xmm7,%xmm5
 punpckhqdq %xmm7,%xmm0
 movdqa  %xmm0,%xmm7
 movdqa  %xmm8,%xmm0
 punpcklqdq %xmm10,%xmm8
 punpckhqdq %xmm10,%xmm0
 movdqa  %xmm0,%xmm10
 movdqa  %xmm9,%xmm0
 punpcklqdq %xmm11,%xmm9
 punpckhqdq %xmm11,%xmm0
 movdqa  %xmm0,%xmm11
 movdqa  %xmm12,%xmm0
 punpcklqdq %xmm14,%xmm12
 punpckhqdq %xmm14,%xmm0
 movdqa  %xmm0,%xmm14
 movdqa  %xmm13,%xmm0
 punpcklqdq %xmm15,%xmm13
 punpckhqdq %xmm15,%xmm0
 movdqa  %xmm0,%xmm15

 # xor with corresponding input, write to output
 movdqa  0x00(%rsp),%xmm0
 cmp  $0x10,%rax
 jl  .Lxorpart4
 movdqu  0x00(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x00(%rsi)

 movdqu  %xmm4,%xmm0
 cmp  $0x20,%rax
 jl  .Lxorpart4
 movdqu  0x10(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x10(%rsi)

 movdqu  %xmm8,%xmm0
 cmp  $0x30,%rax
 jl  .Lxorpart4
 movdqu  0x20(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x20(%rsi)

 movdqu  %xmm12,%xmm0
 cmp  $0x40,%rax
 jl  .Lxorpart4
 movdqu  0x30(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x30(%rsi)

 movdqa  0x20(%rsp),%xmm0
 cmp  $0x50,%rax
 jl  .Lxorpart4
 movdqu  0x40(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x40(%rsi)

 movdqu  %xmm6,%xmm0
 cmp  $0x60,%rax
 jl  .Lxorpart4
 movdqu  0x50(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x50(%rsi)

 movdqu  %xmm10,%xmm0
 cmp  $0x70,%rax
 jl  .Lxorpart4
 movdqu  0x60(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x60(%rsi)

 movdqu  %xmm14,%xmm0
 cmp  $0x80,%rax
 jl  .Lxorpart4
 movdqu  0x70(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x70(%rsi)

 movdqa  0x10(%rsp),%xmm0
 cmp  $0x90,%rax
 jl  .Lxorpart4
 movdqu  0x80(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x80(%rsi)

 movdqu  %xmm5,%xmm0
 cmp  $0xa0,%rax
 jl  .Lxorpart4
 movdqu  0x90(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0x90(%rsi)

 movdqu  %xmm9,%xmm0
 cmp  $0xb0,%rax
 jl  .Lxorpart4
 movdqu  0xa0(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0xa0(%rsi)

 movdqu  %xmm13,%xmm0
 cmp  $0xc0,%rax
 jl  .Lxorpart4
 movdqu  0xb0(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0xb0(%rsi)

 movdqa  0x30(%rsp),%xmm0
 cmp  $0xd0,%rax
 jl  .Lxorpart4
 movdqu  0xc0(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0xc0(%rsi)

 movdqu  %xmm7,%xmm0
 cmp  $0xe0,%rax
 jl  .Lxorpart4
 movdqu  0xd0(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0xd0(%rsi)

 movdqu  %xmm11,%xmm0
 cmp  $0xf0,%rax
 jl  .Lxorpart4
 movdqu  0xe0(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0xe0(%rsi)

 movdqu  %xmm15,%xmm0
 cmp  $0x100,%rax
 jl  .Lxorpart4
 movdqu  0xf0(%rdx),%xmm1
 pxor  %xmm1,%xmm0
 movdqu  %xmm0,0xf0(%rsi)

.Ldone4:
 lea  -8(%r10),%rsp
 RET

.Lxorpart4:
 # xor remaining bytes from partial register into output
 mov  %rax,%r9
 and  $0x0f,%r9
 jz  .Ldone4
 and  $~0x0f,%rax

 mov  %rsi,%r11

 lea  (%rdx,%rax),%rsi
 mov  %rsp,%rdi
 mov  %r9,%rcx
 rep movsb

 pxor  0x00(%rsp),%xmm0
 movdqa  %xmm0,0x00(%rsp)

 mov  %rsp,%rsi
 lea  (%r11,%rax),%rdi
 mov  %r9,%rcx
 rep movsb

 jmp  .Ldone4

SYM_FUNC_END(chacha_4block_xor_ssse3)