Quelle  sha256-avx2-asm.S   Sprache: Sparc

########################################################################
# Implement fast SHA-256 with AVX2 instructions. (x86_64)
#
# Copyright (C) 2013 Intel Corporation.
#
# Authors:
#     James Guilford <james.guilford@intel.com>
#     Kirk Yap <kirk.s.yap@intel.com>
#     Tim Chen <tim.c.chen@linux.intel.com>
#
# This software is available to you under a choice of one of two
# licenses.  You may choose to be licensed under the terms of the GNU
# General Public License (GPL) Version 2, available from the file
# COPYING in the main directory of this source tree, or the
# OpenIB.org BSD license below:
#
#     Redistribution and use in source and binary forms, with or
#     without modification, are permitted provided that the following
#     conditions are met:
#
#      - Redistributions of source code must retain the above
#        copyright notice, this list of conditions and the following
#        disclaimer.
#
#      - Redistributions in binary form must reproduce the above
#        copyright notice, this list of conditions and the following
#        disclaimer in the documentation and/or other materials
#        provided with the distribution.
#
# THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND,
# EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF
# MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND
# NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS
# BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN
# ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN
# CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
# SOFTWARE.
#
########################################################################
#
# This code is described in an Intel White-Paper:
# "Fast SHA-256 Implementations on Intel Architecture Processors"
#
# To find it, surf to http://www.intel.com/p/en_US/embedded
# and search for that title.
#
########################################################################
# This code schedules 2 blocks at a time, with 4 lanes per block
########################################################################

#include <linux/linkage.h>

## assume buffers not aligned
#define VMOVDQ vmovdqu

################################ Define Macros

# addm [mem], reg
# Add reg to mem using reg-mem add and store
.macro addm p1 p2
 add \p1, \p2
 mov \p2, \p1
.endm

################################

X0 = %ymm4
X1 = %ymm5
X2 = %ymm6
X3 = %ymm7

# XMM versions of above
XWORD0 = %xmm4
XWORD1 = %xmm5
XWORD2 = %xmm6
XWORD3 = %xmm7

XTMP0 = %ymm0
XTMP1 = %ymm1
XTMP2 = %ymm2
XTMP3 = %ymm3
XTMP4 = %ymm8
XFER  = %ymm9
XTMP5 = %ymm11

SHUF_00BA = %ymm10 # shuffle xBxA -> 00BA
SHUF_DC00 = %ymm12 # shuffle xDxC -> DC00
BYTE_FLIP_MASK = %ymm13

X_BYTE_FLIP_MASK = %xmm13 # XMM version of BYTE_FLIP_MASK

NUM_BLKS = %rdx # 3rd arg
INP = %rsi  # 2nd arg
CTX = %rdi # 1st arg
c = %ecx
d = %r8d
e       = %edx # clobbers NUM_BLKS
y3 = %esi # clobbers INP

SRND = CTX # SRND is same register as CTX

a = %eax
b = %ebx
f = %r9d
g = %r10d
h = %r11d
old_h = %r11d

T1 = %r12d
y0 = %r13d
y1 = %r14d
y2 = %r15d


_XFER_SIZE = 2*64*4 # 2 blocks, 64 rounds, 4 bytes/round
_XMM_SAVE_SIZE = 0
_INP_END_SIZE = 8
_INP_SIZE = 8
_CTX_SIZE = 8

_XFER  = 0
_XMM_SAVE = _XFER     + _XFER_SIZE
_INP_END = _XMM_SAVE + _XMM_SAVE_SIZE
_INP  = _INP_END  + _INP_END_SIZE
_CTX  = _INP      + _INP_SIZE
STACK_SIZE = _CTX      + _CTX_SIZE

# rotate_Xs
# Rotate values of symbols X0...X3
.macro rotate_Xs
 X_ = X0
 X0 = X1
 X1 = X2
 X2 = X3
 X3 = X_
.endm

# ROTATE_ARGS
# Rotate values of symbols a...h
.macro ROTATE_ARGS
 old_h = h
 TMP_ = h
 h = g
 g = f
 f = e
 e = d
 d = c
 c = b
 b = a
 a = TMP_
.endm

.macro FOUR_ROUNDS_AND_SCHED disp
################################### RND N + 0 ############################

 mov a, y3  # y3 = a                                # MAJA
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 rorx $11, e, y1 # y1 = e >> 11    # S1B

 addl \disp(%rsp, SRND), h  # h = k + w + h         # --
 or c, y3  # y3 = a|c                              # MAJA
 vpalignr $4, X2, X3, XTMP0 # XTMP0 = W[-7]
 mov f, y2  # y2 = f                                # CH
 rorx $13, a, T1 # T1 = a >> 13    # S0B

 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 xor g, y2  # y2 = f^g                              # CH
 vpaddd X0, XTMP0, XTMP0 # XTMP0 = W[-7] + W[-16]# y1 = (e >> 6)# S1
 rorx $6, e, y1 # y1 = (e >> 6)    # S1

 and e, y2  # y2 = (f^g)&e                          # CH
 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 add h, d  # d = k + w + h + d                     # --

 and b, y3  # y3 = (a|c)&b                          # MAJA
 vpalignr $4, X0, X1, XTMP1 # XTMP1 = W[-15]
 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0
 rorx $2, a, T1 # T1 = (a >> 2)    # S0

 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH
 vpsrld $7, XTMP1, XTMP2
 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and c, T1  # T1 = a&c                              # MAJB

 add y0, y2  # y2 = S1 + CH                          # --
 vpslld $(32-7), XTMP1, XTMP3
 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ
 add y1, h  # h = k + w + h + S0                    # --

 add y2, d  # d = k + w + h + d + S1 + CH = d + t1  # --
 vpor XTMP2, XTMP3, XTMP3 # XTMP3 = W[-15] ror 7

 vpsrld $18, XTMP1, XTMP2
 add y2, h  # h = k + w + h + S0 + S1 + CH = t1 + S0# --
 add y3, h  # h = t1 + S0 + MAJ                     # --


 ROTATE_ARGS

################################### RND N + 1 ############################

 mov a, y3  # y3 = a                                # MAJA
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 rorx $11, e, y1 # y1 = e >> 11    # S1B
 offset = \disp + 1*4
 addl offset(%rsp, SRND), h # h = k + w + h         # --
 or c, y3  # y3 = a|c                              # MAJA


 vpsrld $3, XTMP1, XTMP4 # XTMP4 = W[-15] >> 3
 mov f, y2  # y2 = f                                # CH
 rorx $13, a, T1 # T1 = a >> 13    # S0B
 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 xor g, y2  # y2 = f^g                              # CH


 rorx $6, e, y1 # y1 = (e >> 6)    # S1
 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 and e, y2  # y2 = (f^g)&e                          # CH
 add h, d  # d = k + w + h + d                     # --

 vpslld $(32-18), XTMP1, XTMP1
 and b, y3  # y3 = (a|c)&b                          # MAJA
 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0

 vpxor XTMP1, XTMP3, XTMP3
 rorx $2, a, T1 # T1 = (a >> 2)    # S0
 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH

 vpxor XTMP2, XTMP3, XTMP3 # XTMP3 = W[-15] ror 7 ^ W[-15] ror 18
 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and c, T1  # T1 = a&c                              # MAJB
 add y0, y2  # y2 = S1 + CH                          # --

 vpxor XTMP4, XTMP3, XTMP1 # XTMP1 = s0
 vpshufd $0b11111010, X3, XTMP2 # XTMP2 = W[-2] {BBAA}
 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ
 add y1, h  # h = k + w + h + S0                    # --

 vpaddd XTMP1, XTMP0, XTMP0 # XTMP0 = W[-16] + W[-7] + s0
 add y2, d  # d = k + w + h + d + S1 + CH = d + t1  # --
 add y2, h  # h = k + w + h + S0 + S1 + CH = t1 + S0# --
 add y3, h  # h = t1 + S0 + MAJ                     # --

 vpsrld $10, XTMP2, XTMP4 # XTMP4 = W[-2] >> 10 {BBAA}


 ROTATE_ARGS

################################### RND N + 2 ############################

 mov a, y3  # y3 = a                                # MAJA
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 offset = \disp + 2*4
 addl offset(%rsp, SRND), h # h = k + w + h         # --

 vpsrlq $19, XTMP2, XTMP3 # XTMP3 = W[-2] ror 19 {xBxA}
 rorx $11, e, y1 # y1 = e >> 11    # S1B
 or c, y3  # y3 = a|c                              # MAJA
 mov f, y2  # y2 = f                                # CH
 xor g, y2  # y2 = f^g                              # CH

 rorx $13, a, T1 # T1 = a >> 13    # S0B
 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 vpsrlq $17, XTMP2, XTMP2 # XTMP2 = W[-2] ror 17 {xBxA}
 and e, y2  # y2 = (f^g)&e                          # CH

 rorx $6, e, y1 # y1 = (e >> 6)    # S1
 vpxor XTMP3, XTMP2, XTMP2
 add h, d  # d = k + w + h + d                     # --
 and b, y3  # y3 = (a|c)&b                          # MAJA

 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 vpxor XTMP2, XTMP4, XTMP4 # XTMP4 = s1 {xBxA}
 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH

 vpshufb SHUF_00BA, XTMP4, XTMP4 # XTMP4 = s1 {00BA}
 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0
 rorx $2, a ,T1 # T1 = (a >> 2)    # S0
 vpaddd XTMP4, XTMP0, XTMP0 # XTMP0 = {..., ..., W[1], W[0]}

 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and c, T1  # T1 = a&c                              # MAJB
 add y0, y2  # y2 = S1 + CH                          # --
 vpshufd $0b01010000, XTMP0, XTMP2 # XTMP2 = W[-2] {DDCC}

 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ
 add y1,h  # h = k + w + h + S0                    # --
 add y2,d  # d = k + w + h + d + S1 + CH = d + t1  # --
 add y2,h  # h = k + w + h + S0 + S1 + CH = t1 + S0# --

 add y3,h  # h = t1 + S0 + MAJ                     # --


 ROTATE_ARGS

################################### RND N + 3 ############################

 mov a, y3  # y3 = a                                # MAJA
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 rorx $11, e, y1 # y1 = e >> 11    # S1B
 offset = \disp + 3*4
 addl offset(%rsp, SRND), h # h = k + w + h         # --
 or c, y3  # y3 = a|c                              # MAJA


 vpsrld $10, XTMP2, XTMP5 # XTMP5 = W[-2] >> 10 {DDCC}
 mov f, y2  # y2 = f                                # CH
 rorx $13, a, T1 # T1 = a >> 13    # S0B
 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 xor g, y2  # y2 = f^g                              # CH


 vpsrlq $19, XTMP2, XTMP3 # XTMP3 = W[-2] ror 19 {xDxC}
 rorx $6, e, y1 # y1 = (e >> 6)    # S1
 and e, y2  # y2 = (f^g)&e                          # CH
 add h, d  # d = k + w + h + d                     # --
 and b, y3  # y3 = (a|c)&b                          # MAJA

 vpsrlq $17, XTMP2, XTMP2 # XTMP2 = W[-2] ror 17 {xDxC}
 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH

 vpxor XTMP3, XTMP2, XTMP2
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 add y0, y2  # y2 = S1 + CH                          # --

 vpxor XTMP2, XTMP5, XTMP5 # XTMP5 = s1 {xDxC}
 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0
 add y2, d  # d = k + w + h + d + S1 + CH = d + t1  # --

 rorx $2, a, T1 # T1 = (a >> 2)    # S0
 vpshufb SHUF_DC00, XTMP5, XTMP5 # XTMP5 = s1 {DC00}

 vpaddd XTMP0, XTMP5, X0 # X0 = {W[3], W[2], W[1], W[0]}
 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and c, T1  # T1 = a&c                              # MAJB
 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ

 add y1, h  # h = k + w + h + S0                    # --
 add y2, h  # h = k + w + h + S0 + S1 + CH = t1 + S0# --
 add y3, h  # h = t1 + S0 + MAJ                     # --

 ROTATE_ARGS
 rotate_Xs
.endm

.macro DO_4ROUNDS disp
################################### RND N + 0 ###########################

 mov f, y2  # y2 = f                                # CH
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 rorx $11, e, y1 # y1 = e >> 11    # S1B
 xor g, y2  # y2 = f^g                              # CH

 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 rorx $6, e, y1 # y1 = (e >> 6)    # S1
 and e, y2  # y2 = (f^g)&e                          # CH

 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 rorx $13, a, T1 # T1 = a >> 13    # S0B
 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 mov a, y3  # y3 = a                                # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0
 rorx $2, a, T1 # T1 = (a >> 2)    # S0
 addl \disp(%rsp, SRND), h  # h = k + w + h # --
 or c, y3  # y3 = a|c                              # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and b, y3  # y3 = (a|c)&b                          # MAJA
 and c, T1  # T1 = a&c                              # MAJB
 add y0, y2  # y2 = S1 + CH                          # --


 add h, d  # d = k + w + h + d                     # --
 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ
 add y1, h  # h = k + w + h + S0                    # --
 add y2, d  # d = k + w + h + d + S1 + CH = d + t1  # --

 ROTATE_ARGS

################################### RND N + 1 ###########################

 add y2, old_h # h = k + w + h + S0 + S1 + CH = t1 + S0# --
 mov f, y2  # y2 = f                                # CH
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 rorx $11, e, y1 # y1 = e >> 11    # S1B
 xor g, y2  # y2 = f^g                              # CH

 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 rorx $6, e, y1 # y1 = (e >> 6)    # S1
 and e, y2  # y2 = (f^g)&e                          # CH
 add y3, old_h # h = t1 + S0 + MAJ                     # --

 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 rorx $13, a, T1 # T1 = a >> 13    # S0B
 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 mov a, y3  # y3 = a                                # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0
 rorx $2, a, T1 # T1 = (a >> 2)    # S0
 offset = 4*1 + \disp
 addl offset(%rsp, SRND), h  # h = k + w + h # --
 or c, y3  # y3 = a|c                              # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and b, y3  # y3 = (a|c)&b                          # MAJA
 and c, T1  # T1 = a&c                              # MAJB
 add y0, y2  # y2 = S1 + CH                          # --


 add h, d  # d = k + w + h + d                     # --
 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ
 add y1, h  # h = k + w + h + S0                    # --

 add y2, d  # d = k + w + h + d + S1 + CH = d + t1  # --

 ROTATE_ARGS

################################### RND N + 2 ##############################

 add y2, old_h # h = k + w + h + S0 + S1 + CH = t1 + S0# --
 mov f, y2  # y2 = f                                # CH
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 rorx $11, e, y1 # y1 = e >> 11    # S1B
 xor g, y2  # y2 = f^g                              # CH

 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 rorx $6, e, y1 # y1 = (e >> 6)    # S1
 and e, y2  # y2 = (f^g)&e                          # CH
 add y3, old_h # h = t1 + S0 + MAJ                     # --

 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 rorx $13, a, T1 # T1 = a >> 13    # S0B
 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 mov a, y3  # y3 = a                                # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0
 rorx $2, a, T1 # T1 = (a >> 2)    # S0
 offset = 4*2 + \disp
 addl offset(%rsp, SRND), h  # h = k + w + h # --
 or c, y3  # y3 = a|c                              # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and b, y3  # y3 = (a|c)&b                          # MAJA
 and c, T1  # T1 = a&c                              # MAJB
 add y0, y2  # y2 = S1 + CH                          # --


 add h, d  # d = k + w + h + d                     # --
 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ
 add y1, h  # h = k + w + h + S0                    # --

 add y2, d  # d = k + w + h + d + S1 + CH = d + t1  # --

 ROTATE_ARGS

################################### RND N + 3 ###########################

 add y2, old_h # h = k + w + h + S0 + S1 + CH = t1 + S0# --
 mov f, y2  # y2 = f                                # CH
 rorx $25, e, y0 # y0 = e >> 25    # S1A
 rorx $11, e, y1 # y1 = e >> 11    # S1B
 xor g, y2  # y2 = f^g                              # CH

 xor y1, y0  # y0 = (e>>25) ^ (e>>11)  # S1
 rorx $6, e, y1 # y1 = (e >> 6)    # S1
 and e, y2  # y2 = (f^g)&e                          # CH
 add y3, old_h # h = t1 + S0 + MAJ                     # --

 xor y1, y0  # y0 = (e>>25) ^ (e>>11) ^ (e>>6) # S1
 rorx $13, a, T1 # T1 = a >> 13    # S0B
 xor g, y2  # y2 = CH = ((f^g)&e)^g                 # CH
 rorx $22, a, y1 # y1 = a >> 22    # S0A
 mov a, y3  # y3 = a                                # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13)  # S0
 rorx $2, a, T1 # T1 = (a >> 2)    # S0
 offset = 4*3 + \disp
 addl offset(%rsp, SRND), h  # h = k + w + h # --
 or c, y3  # y3 = a|c                              # MAJA

 xor T1, y1  # y1 = (a>>22) ^ (a>>13) ^ (a>>2) # S0
 mov a, T1  # T1 = a                                # MAJB
 and b, y3  # y3 = (a|c)&b                          # MAJA
 and c, T1  # T1 = a&c                              # MAJB
 add y0, y2  # y2 = S1 + CH                          # --


 add h, d  # d = k + w + h + d                     # --
 or T1, y3  # y3 = MAJ = (a|c)&b)|(a&c)             # MAJ
 add y1, h  # h = k + w + h + S0                    # --

 add y2, d  # d = k + w + h + d + S1 + CH = d + t1  # --


 add y2, h  # h = k + w + h + S0 + S1 + CH = t1 + S0# --

 add y3, h  # h = t1 + S0 + MAJ                     # --

 ROTATE_ARGS

.endm

########################################################################
## void sha256_transform_rorx(struct sha256_block_state *state,
##         const u8 *data, size_t nblocks);
########################################################################
.text
SYM_FUNC_START(sha256_transform_rorx)
 pushq %rbx
 pushq %r12
 pushq %r13
 pushq %r14
 pushq %r15

 push %rbp
 mov %rsp, %rbp

 subq $STACK_SIZE, %rsp
 and $-32, %rsp # align rsp to 32 byte boundary

 shl $6, NUM_BLKS # convert to bytes
 lea -64(INP, NUM_BLKS), NUM_BLKS # pointer to last block
 mov NUM_BLKS, _INP_END(%rsp)

 cmp NUM_BLKS, INP
 je .Lonly_one_block

 ## load initial digest
 mov (CTX), a
 mov 4*1(CTX), b
 mov 4*2(CTX), c
 mov 4*3(CTX), d
 mov 4*4(CTX), e
 mov 4*5(CTX), f
 mov 4*6(CTX), g
 mov 4*7(CTX), h

 vmovdqa  PSHUFFLE_BYTE_FLIP_MASK(%rip), BYTE_FLIP_MASK
 vmovdqa  _SHUF_00BA(%rip), SHUF_00BA
 vmovdqa  _SHUF_DC00(%rip), SHUF_DC00

 mov CTX, _CTX(%rsp)

.Lloop0:
 ## Load first 16 dwords from two blocks
 VMOVDQ 0*32(INP),XTMP0
 VMOVDQ 1*32(INP),XTMP1
 VMOVDQ 2*32(INP),XTMP2
 VMOVDQ 3*32(INP),XTMP3

 ## byte swap data
 vpshufb BYTE_FLIP_MASK, XTMP0, XTMP0
 vpshufb BYTE_FLIP_MASK, XTMP1, XTMP1
 vpshufb BYTE_FLIP_MASK, XTMP2, XTMP2
 vpshufb BYTE_FLIP_MASK, XTMP3, XTMP3

 ## transpose data into high/low halves
 vperm2i128 $0x20, XTMP2, XTMP0, X0
 vperm2i128 $0x31, XTMP2, XTMP0, X1
 vperm2i128 $0x20, XTMP3, XTMP1, X2
 vperm2i128 $0x31, XTMP3, XTMP1, X3

.Llast_block_enter:
 add $64, INP
 mov INP, _INP(%rsp)

 ## schedule 48 input dwords, by doing 3 rounds of 12 each
 xor SRND, SRND

.align 16
.Lloop1:
 leaq K256+0*32(%rip), INP  ## reuse INP as scratch reg
 vpaddd (INP, SRND), X0, XFER
 vmovdqa XFER, 0*32+_XFER(%rsp, SRND)
 FOUR_ROUNDS_AND_SCHED (_XFER + 0*32)

 leaq K256+1*32(%rip), INP
 vpaddd (INP, SRND), X0, XFER
 vmovdqa XFER, 1*32+_XFER(%rsp, SRND)
 FOUR_ROUNDS_AND_SCHED (_XFER + 1*32)

 leaq K256+2*32(%rip), INP
 vpaddd (INP, SRND), X0, XFER
 vmovdqa XFER, 2*32+_XFER(%rsp, SRND)
 FOUR_ROUNDS_AND_SCHED (_XFER + 2*32)

 leaq K256+3*32(%rip), INP
 vpaddd (INP, SRND), X0, XFER
 vmovdqa XFER, 3*32+_XFER(%rsp, SRND)
 FOUR_ROUNDS_AND_SCHED (_XFER + 3*32)

 add $4*32, SRND
 cmp $3*4*32, SRND
 jb .Lloop1

.Lloop2:
 ## Do last 16 rounds with no scheduling
 leaq K256+0*32(%rip), INP
 vpaddd (INP, SRND), X0, XFER
 vmovdqa XFER, 0*32+_XFER(%rsp, SRND)
 DO_4ROUNDS (_XFER + 0*32)

 leaq K256+1*32(%rip), INP
 vpaddd (INP, SRND), X1, XFER
 vmovdqa XFER, 1*32+_XFER(%rsp, SRND)
 DO_4ROUNDS (_XFER + 1*32)
 add $2*32, SRND

 vmovdqa X2, X0
 vmovdqa X3, X1

 cmp $4*4*32, SRND
 jb .Lloop2

 mov _CTX(%rsp), CTX
 mov _INP(%rsp), INP

 addm    (4*0)(CTX),a
 addm    (4*1)(CTX),b
 addm    (4*2)(CTX),c
 addm    (4*3)(CTX),d
 addm    (4*4)(CTX),e
 addm    (4*5)(CTX),f
 addm    (4*6)(CTX),g
 addm    (4*7)(CTX),h

 cmp _INP_END(%rsp), INP
 ja .Ldone_hash

 #### Do second block using previously scheduled results
 xor SRND, SRND
.align 16
.Lloop3:
 DO_4ROUNDS (_XFER + 0*32 + 16)
 DO_4ROUNDS (_XFER + 1*32 + 16)
 add $2*32, SRND
 cmp $4*4*32, SRND
 jb .Lloop3

 mov _CTX(%rsp), CTX
 mov _INP(%rsp), INP
 add $64, INP

 addm    (4*0)(CTX),a
 addm    (4*1)(CTX),b
 addm    (4*2)(CTX),c
 addm    (4*3)(CTX),d
 addm    (4*4)(CTX),e
 addm    (4*5)(CTX),f
 addm    (4*6)(CTX),g
 addm    (4*7)(CTX),h

 cmp _INP_END(%rsp), INP
 jb .Lloop0
 ja .Ldone_hash

.Ldo_last_block:
 VMOVDQ 0*16(INP),XWORD0
 VMOVDQ 1*16(INP),XWORD1
 VMOVDQ 2*16(INP),XWORD2
 VMOVDQ 3*16(INP),XWORD3

 vpshufb X_BYTE_FLIP_MASK, XWORD0, XWORD0
 vpshufb X_BYTE_FLIP_MASK, XWORD1, XWORD1
 vpshufb X_BYTE_FLIP_MASK, XWORD2, XWORD2
 vpshufb X_BYTE_FLIP_MASK, XWORD3, XWORD3

 jmp .Llast_block_enter

.Lonly_one_block:

 ## load initial digest
 mov (4*0)(CTX),a
 mov (4*1)(CTX),b
 mov (4*2)(CTX),c
 mov (4*3)(CTX),d
 mov (4*4)(CTX),e
 mov (4*5)(CTX),f
 mov (4*6)(CTX),g
 mov (4*7)(CTX),h

 vmovdqa PSHUFFLE_BYTE_FLIP_MASK(%rip), BYTE_FLIP_MASK
 vmovdqa _SHUF_00BA(%rip), SHUF_00BA
 vmovdqa _SHUF_DC00(%rip), SHUF_DC00

 mov CTX, _CTX(%rsp)
 jmp .Ldo_last_block

.Ldone_hash:

 mov %rbp, %rsp
 pop %rbp

 popq %r15
 popq %r14
 popq %r13
 popq %r12
 popq %rbx
 vzeroupper
 RET
SYM_FUNC_END(sha256_transform_rorx)

.section .rodata.cst512.K256, "aM", @progbits, 512
.align 64
K256:
 .long 0x428a2f98,0x71374491,0xb5c0fbcf,0xe9b5dba5
 .long 0x428a2f98,0x71374491,0xb5c0fbcf,0xe9b5dba5
 .long 0x3956c25b,0x59f111f1,0x923f82a4,0xab1c5ed5
 .long 0x3956c25b,0x59f111f1,0x923f82a4,0xab1c5ed5
 .long 0xd807aa98,0x12835b01,0x243185be,0x550c7dc3
 .long 0xd807aa98,0x12835b01,0x243185be,0x550c7dc3
 .long 0x72be5d74,0x80deb1fe,0x9bdc06a7,0xc19bf174
 .long 0x72be5d74,0x80deb1fe,0x9bdc06a7,0xc19bf174
 .long 0xe49b69c1,0xefbe4786,0x0fc19dc6,0x240ca1cc
 .long 0xe49b69c1,0xefbe4786,0x0fc19dc6,0x240ca1cc
 .long 0x2de92c6f,0x4a7484aa,0x5cb0a9dc,0x76f988da
 .long 0x2de92c6f,0x4a7484aa,0x5cb0a9dc,0x76f988da
 .long 0x983e5152,0xa831c66d,0xb00327c8,0xbf597fc7
 .long 0x983e5152,0xa831c66d,0xb00327c8,0xbf597fc7
 .long 0xc6e00bf3,0xd5a79147,0x06ca6351,0x14292967
 .long 0xc6e00bf3,0xd5a79147,0x06ca6351,0x14292967
 .long 0x27b70a85,0x2e1b2138,0x4d2c6dfc,0x53380d13
 .long 0x27b70a85,0x2e1b2138,0x4d2c6dfc,0x53380d13
 .long 0x650a7354,0x766a0abb,0x81c2c92e,0x92722c85
 .long 0x650a7354,0x766a0abb,0x81c2c92e,0x92722c85
 .long 0xa2bfe8a1,0xa81a664b,0xc24b8b70,0xc76c51a3
 .long 0xa2bfe8a1,0xa81a664b,0xc24b8b70,0xc76c51a3
 .long 0xd192e819,0xd6990624,0xf40e3585,0x106aa070
 .long 0xd192e819,0xd6990624,0xf40e3585,0x106aa070
 .long 0x19a4c116,0x1e376c08,0x2748774c,0x34b0bcb5
 .long 0x19a4c116,0x1e376c08,0x2748774c,0x34b0bcb5
 .long 0x391c0cb3,0x4ed8aa4a,0x5b9cca4f,0x682e6ff3
 .long 0x391c0cb3,0x4ed8aa4a,0x5b9cca4f,0x682e6ff3
 .long 0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208
 .long 0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208
 .long 0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2
 .long 0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2

.section .rodata.cst32.PSHUFFLE_BYTE_FLIP_MASK, "aM", @progbits, 32
.align 32
PSHUFFLE_BYTE_FLIP_MASK:
 .octa 0x0c0d0e0f08090a0b0405060700010203,0x0c0d0e0f08090a0b0405060700010203

# shuffle xBxA -> 00BA
.section .rodata.cst32._SHUF_00BA, "aM", @progbits, 32
.align 32
_SHUF_00BA:
 .octa 0xFFFFFFFFFFFFFFFF0b0a090803020100,0xFFFFFFFFFFFFFFFF0b0a090803020100

# shuffle xDxC -> DC00
.section .rodata.cst32._SHUF_DC00, "aM", @progbits, 32
.align 32
_SHUF_DC00:
 .octa 0x0b0a090803020100FFFFFFFFFFFFFFFF,0x0b0a090803020100FFFFFFFFFFFFFFFF