kernel/arch/x86/crypto/camellia-aesni-avx2-asm_64.S

   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  */
  12
  13 #include <linux/linkage.h>
  14
  15 #define CAMELLIA_TABLE_BYTE_LEN 272
  16
  17 /* struct camellia_ctx: */
  18 #define key_table 0
  19 #define key_length CAMELLIA_TABLE_BYTE_LEN
  20
  21 /* register macros */
  22 #define CTX %rdi
  23 #define RIO %r8
  24
  25 /**********************************************************************
  26   helper macros
  27  **********************************************************************/
  28 #define filter_8bit(x, lo_t, hi_t, mask4bit, tmp0) \
  29         vpand x, mask4bit, tmp0; \
  30         vpandn x, mask4bit, x; \
  31         vpsrld $4, x, x; \
  32         \
  33         vpshufb tmp0, lo_t, tmp0; \
  34         vpshufb x, hi_t, x; \
  35         vpxor tmp0, x, x;
  36
  37 #define ymm0_x xmm0
  38 #define ymm1_x xmm1
  39 #define ymm2_x xmm2
  40 #define ymm3_x xmm3
  41 #define ymm4_x xmm4
  42 #define ymm5_x xmm5
  43 #define ymm6_x xmm6
  44 #define ymm7_x xmm7
  45 #define ymm8_x xmm8
  46 #define ymm9_x xmm9
  47 #define ymm10_x xmm10
  48 #define ymm11_x xmm11
  49 #define ymm12_x xmm12
  50 #define ymm13_x xmm13
  51 #define ymm14_x xmm14
  52 #define ymm15_x xmm15
  53
  54 /**********************************************************************
  55   32-way camellia
  56  **********************************************************************/
  57
  58 /*
  59  * IN:
  60  *   x0..x7: byte-sliced AB state
  61  *   mem_cd: register pointer storing CD state
  62  *   key: index for key material
  63  * OUT:
  64  *   x0..x7: new byte-sliced CD state
  65  */
  66 #define roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, t0, t1, t2, t3, t4, t5, t6, \
  67                   t7, mem_cd, key) \
  68         /* \
  69          * S-function with AES subbytes \
  70          */ \
  71         vbroadcasti128 .Linv_shift_row, t4; \
  72         vpbroadcastd .L0f0f0f0f, t7; \
  73         vbroadcasti128 .Lpre_tf_lo_s1, t5; \
  74         vbroadcasti128 .Lpre_tf_hi_s1, t6; \
  75         vbroadcasti128 .Lpre_tf_lo_s4, t2; \
  76         vbroadcasti128 .Lpre_tf_hi_s4, t3; \
  77         \
  78         /* AES inverse shift rows */ \
  79         vpshufb t4, x0, x0; \
  80         vpshufb t4, x7, x7; \
  81         vpshufb t4, x3, x3; \
  82         vpshufb t4, x6, x6; \
  83         vpshufb t4, x2, x2; \
  84         vpshufb t4, x5, x5; \
  85         vpshufb t4, x1, x1; \
  86         vpshufb t4, x4, x4; \
  87         \
  88         /* prefilter sboxes 1, 2 and 3 */ \
  89         /* prefilter sbox 4 */ \
  90         filter_8bit(x0, t5, t6, t7, t4); \
  91         filter_8bit(x7, t5, t6, t7, t4); \
  92         vextracti128 $1, x0, t0##_x; \
  93         vextracti128 $1, x7, t1##_x; \
  94         filter_8bit(x3, t2, t3, t7, t4); \
  95         filter_8bit(x6, t2, t3, t7, t4); \
  96         vextracti128 $1, x3, t3##_x; \
  97         vextracti128 $1, x6, t2##_x; \
  98         filter_8bit(x2, t5, t6, t7, t4); \
  99         filter_8bit(x5, t5, t6, t7, t4); \
 100         filter_8bit(x1, t5, t6, t7, t4); \
 101         filter_8bit(x4, t5, t6, t7, t4); \
 102         \
 103         vpxor t4##_x, t4##_x, t4##_x; \
 104         \
 105         /* AES subbytes + AES shift rows */ \
 106         vextracti128 $1, x2, t6##_x; \
 107         vextracti128 $1, x5, t5##_x; \
 108         vaesenclast t4##_x, x0##_x, x0##_x; \
 109         vaesenclast t4##_x, t0##_x, t0##_x; \
 110         vinserti128 $1, t0##_x, x0, x0; \
 111         vaesenclast t4##_x, x7##_x, x7##_x; \
 112         vaesenclast t4##_x, t1##_x, t1##_x; \
 113         vinserti128 $1, t1##_x, x7, x7; \
 114         vaesenclast t4##_x, x3##_x, x3##_x; \
 115         vaesenclast t4##_x, t3##_x, t3##_x; \
 116         vinserti128 $1, t3##_x, x3, x3; \
 117         vaesenclast t4##_x, x6##_x, x6##_x; \
 118         vaesenclast t4##_x, t2##_x, t2##_x; \
 119         vinserti128 $1, t2##_x, x6, x6; \
 120         vextracti128 $1, x1, t3##_x; \
 121         vextracti128 $1, x4, t2##_x; \
 122         vbroadcasti128 .Lpost_tf_lo_s1, t0; \
 123         vbroadcasti128 .Lpost_tf_hi_s1, t1; \
 124         vaesenclast t4##_x, x2##_x, x2##_x; \
 125         vaesenclast t4##_x, t6##_x, t6##_x; \
 126         vinserti128 $1, t6##_x, x2, x2; \
 127         vaesenclast t4##_x, x5##_x, x5##_x; \
 128         vaesenclast t4##_x, t5##_x, t5##_x; \
 129         vinserti128 $1, t5##_x, x5, x5; \
 130         vaesenclast t4##_x, x1##_x, x1##_x; \
 131         vaesenclast t4##_x, t3##_x, t3##_x; \
 132         vinserti128 $1, t3##_x, x1, x1; \
 133         vaesenclast t4##_x, x4##_x, x4##_x; \
 134         vaesenclast t4##_x, t2##_x, t2##_x; \
 135         vinserti128 $1, t2##_x, x4, x4; \
 136         \
 137         /* postfilter sboxes 1 and 4 */ \
 138         vbroadcasti128 .Lpost_tf_lo_s3, t2; \
 139         vbroadcasti128 .Lpost_tf_hi_s3, t3; \
 140         filter_8bit(x0, t0, t1, t7, t6); \
 141         filter_8bit(x7, t0, t1, t7, t6); \
 142         filter_8bit(x3, t0, t1, t7, t6); \
 143         filter_8bit(x6, t0, t1, t7, t6); \
 144         \
 145         /* postfilter sbox 3 */ \
 146         vbroadcasti128 .Lpost_tf_lo_s2, t4; \
 147         vbroadcasti128 .Lpost_tf_hi_s2, t5; \
 148         filter_8bit(x2, t2, t3, t7, t6); \
 149         filter_8bit(x5, t2, t3, t7, t6); \
 150         \
 151         vpbroadcastq key, t0; /* higher 64-bit duplicate ignored */ \
 152         \
 153         /* postfilter sbox 2 */ \
 154         filter_8bit(x1, t4, t5, t7, t2); \
 155         filter_8bit(x4, t4, t5, t7, t2); \
 156         vpxor t7, t7, t7; \
 157         \
 158         vpsrldq $1, t0, t1; \
 159         vpsrldq $2, t0, t2; \
 160         vpshufb t7, t1, t1; \
 161         vpsrldq $3, t0, t3; \
 162         \
 163         /* P-function */ \
 164         vpxor x5, x0, x0; \
 165         vpxor x6, x1, x1; \
 166         vpxor x7, x2, x2; \
 167         vpxor x4, x3, x3; \
 168         \
 169         vpshufb t7, t2, t2; \
 170         vpsrldq $4, t0, t4; \
 171         vpshufb t7, t3, t3; \
 172         vpsrldq $5, t0, t5; \
 173         vpshufb t7, t4, t4; \
 174         \
 175         vpxor x2, x4, x4; \
 176         vpxor x3, x5, x5; \
 177         vpxor x0, x6, x6; \
 178         vpxor x1, x7, x7; \
 179         \
 180         vpsrldq $6, t0, t6; \
 181         vpshufb t7, t5, t5; \
 182         vpshufb t7, t6, t6; \
 183         \
 184         vpxor x7, x0, x0; \
 185         vpxor x4, x1, x1; \
 186         vpxor x5, x2, x2; \
 187         vpxor x6, x3, x3; \
 188         \
 189         vpxor x3, x4, x4; \
 190         vpxor x0, x5, x5; \
 191         vpxor x1, x6, x6; \
 192         vpxor x2, x7, x7; /* note: high and low parts swapped */ \
 193         \
 194         /* Add key material and result to CD (x becomes new CD) */ \
 195         \
 196         vpxor t6, x1, x1; \
 197         vpxor 5 * 32(mem_cd), x1, x1; \
 198         \
 199         vpsrldq $7, t0, t6; \
 200         vpshufb t7, t0, t0; \
 201         vpshufb t7, t6, t7; \
 202         \
 203         vpxor t7, x0, x0; \
 204         vpxor 4 * 32(mem_cd), x0, x0; \
 205         \
 206         vpxor t5, x2, x2; \
 207         vpxor 6 * 32(mem_cd), x2, x2; \
 208         \
 209         vpxor t4, x3, x3; \
 210         vpxor 7 * 32(mem_cd), x3, x3; \
 211         \
 212         vpxor t3, x4, x4; \
 213         vpxor 0 * 32(mem_cd), x4, x4; \
 214         \
 215         vpxor t2, x5, x5; \
 216         vpxor 1 * 32(mem_cd), x5, x5; \
 217         \
 218         vpxor t1, x6, x6; \
 219         vpxor 2 * 32(mem_cd), x6, x6; \
 220         \
 221         vpxor t0, x7, x7; \
 222         vpxor 3 * 32(mem_cd), x7, x7;
 223
 224 /*
 225  * Size optimization... with inlined roundsm32 binary would be over 5 times
 226  * larger and would only marginally faster.
 227  */
 228 .align 8
 229 roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd:
 230         roundsm32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 231                   %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14, %ymm15,
 232                   %rcx, (%r9));
 233         ret;
 234 ENDPROC(roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd)
 235
 236 .align 8
 237 roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab:
 238         roundsm32(%ymm4, %ymm5, %ymm6, %ymm7, %ymm0, %ymm1, %ymm2, %ymm3,
 239                   %ymm12, %ymm13, %ymm14, %ymm15, %ymm8, %ymm9, %ymm10, %ymm11,
 240                   %rax, (%r9));
 241         ret;
 242 ENDPROC(roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab)
 243
 244 /*
 245  * IN/OUT:
 246  *  x0..x7: byte-sliced AB state preloaded
 247  *  mem_ab: byte-sliced AB state in memory
 248  *  mem_cb: byte-sliced CD state in memory
 249  */
 250 #define two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 251                       y6, y7, mem_ab, mem_cd, i, dir, store_ab) \
 252         leaq (key_table + (i) * 8)(CTX), %r9; \
 253         call roundsm32_x0_x1_x2_x3_x4_x5_x6_x7_y0_y1_y2_y3_y4_y5_y6_y7_cd; \
 254         \
 255         vmovdqu x0, 4 * 32(mem_cd); \
 256         vmovdqu x1, 5 * 32(mem_cd); \
 257         vmovdqu x2, 6 * 32(mem_cd); \
 258         vmovdqu x3, 7 * 32(mem_cd); \
 259         vmovdqu x4, 0 * 32(mem_cd); \
 260         vmovdqu x5, 1 * 32(mem_cd); \
 261         vmovdqu x6, 2 * 32(mem_cd); \
 262         vmovdqu x7, 3 * 32(mem_cd); \
 263         \
 264         leaq (key_table + ((i) + (dir)) * 8)(CTX), %r9; \
 265         call roundsm32_x4_x5_x6_x7_x0_x1_x2_x3_y4_y5_y6_y7_y0_y1_y2_y3_ab; \
 266         \
 267         store_ab(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab);
 268
 269 #define dummy_store(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) /* do nothing */
 270
 271 #define store_ab_state(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) \
 272         /* Store new AB state */ \
 273         vmovdqu x4, 4 * 32(mem_ab); \
 274         vmovdqu x5, 5 * 32(mem_ab); \
 275         vmovdqu x6, 6 * 32(mem_ab); \
 276         vmovdqu x7, 7 * 32(mem_ab); \
 277         vmovdqu x0, 0 * 32(mem_ab); \
 278         vmovdqu x1, 1 * 32(mem_ab); \
 279         vmovdqu x2, 2 * 32(mem_ab); \
 280         vmovdqu x3, 3 * 32(mem_ab);
 281
 282 #define enc_rounds32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 283                       y6, y7, mem_ab, mem_cd, i) \
 284         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 285                       y6, y7, mem_ab, mem_cd, (i) + 2, 1, store_ab_state); \
 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) + 4, 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) + 6, 1, dummy_store);
 290
 291 #define dec_rounds32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 292                       y6, y7, mem_ab, mem_cd, i) \
 293         two_roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 294                       y6, y7, mem_ab, mem_cd, (i) + 7, -1, store_ab_state); \
 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) + 5, -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) + 3, -1, dummy_store);
 299
 300 /*
 301  * IN:
 302  *  v0..3: byte-sliced 32-bit integers
 303  * OUT:
 304  *  v0..3: (IN <<< 1)
 305  */
 306 #define rol32_1_32(v0, v1, v2, v3, t0, t1, t2, zero) \
 307         vpcmpgtb v0, zero, t0; \
 308         vpaddb v0, v0, v0; \
 309         vpabsb t0, t0; \
 310         \
 311         vpcmpgtb v1, zero, t1; \
 312         vpaddb v1, v1, v1; \
 313         vpabsb t1, t1; \
 314         \
 315         vpcmpgtb v2, zero, t2; \
 316         vpaddb v2, v2, v2; \
 317         vpabsb t2, t2; \
 318         \
 319         vpor t0, v1, v1; \
 320         \
 321         vpcmpgtb v3, zero, t0; \
 322         vpaddb v3, v3, v3; \
 323         vpabsb t0, t0; \
 324         \
 325         vpor t1, v2, v2; \
 326         vpor t2, v3, v3; \
 327         vpor t0, v0, v0;
 328
 329 /*
 330  * IN:
 331  *   r: byte-sliced AB state in memory
 332  *   l: byte-sliced CD state in memory
 333  * OUT:
 334  *   x0..x7: new byte-sliced CD state
 335  */
 336 #define fls32(l, l0, l1, l2, l3, l4, l5, l6, l7, r, t0, t1, t2, t3, tt0, \
 337               tt1, tt2, tt3, kll, klr, krl, krr) \
 338         /* \
 339          * t0 = kll; \
 340          * t0 &= ll; \
 341          * lr ^= rol32(t0, 1); \
 342          */ \
 343         vpbroadcastd kll, t0; /* only lowest 32-bit used */ \
 344         vpxor tt0, tt0, tt0; \
 345         vpshufb tt0, t0, t3; \
 346         vpsrldq $1, t0, t0; \
 347         vpshufb tt0, t0, t2; \
 348         vpsrldq $1, t0, t0; \
 349         vpshufb tt0, t0, t1; \
 350         vpsrldq $1, t0, t0; \
 351         vpshufb tt0, t0, t0; \
 352         \
 353         vpand l0, t0, t0; \
 354         vpand l1, t1, t1; \
 355         vpand l2, t2, t2; \
 356         vpand l3, t3, t3; \
 357         \
 358         rol32_1_32(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
 359         \
 360         vpxor l4, t0, l4; \
 361         vpbroadcastd krr, t0; /* only lowest 32-bit used */ \
 362         vmovdqu l4, 4 * 32(l); \
 363         vpxor l5, t1, l5; \
 364         vmovdqu l5, 5 * 32(l); \
 365         vpxor l6, t2, l6; \
 366         vmovdqu l6, 6 * 32(l); \
 367         vpxor l7, t3, l7; \
 368         vmovdqu l7, 7 * 32(l); \
 369         \
 370         /* \
 371          * t2 = krr; \
 372          * t2 |= rr; \
 373          * rl ^= t2; \
 374          */ \
 375         \
 376         vpshufb tt0, t0, t3; \
 377         vpsrldq $1, t0, t0; \
 378         vpshufb tt0, t0, t2; \
 379         vpsrldq $1, t0, t0; \
 380         vpshufb tt0, t0, t1; \
 381         vpsrldq $1, t0, t0; \
 382         vpshufb tt0, t0, t0; \
 383         \
 384         vpor 4 * 32(r), t0, t0; \
 385         vpor 5 * 32(r), t1, t1; \
 386         vpor 6 * 32(r), t2, t2; \
 387         vpor 7 * 32(r), t3, t3; \
 388         \
 389         vpxor 0 * 32(r), t0, t0; \
 390         vpxor 1 * 32(r), t1, t1; \
 391         vpxor 2 * 32(r), t2, t2; \
 392         vpxor 3 * 32(r), t3, t3; \
 393         vmovdqu t0, 0 * 32(r); \
 394         vpbroadcastd krl, t0; /* only lowest 32-bit used */ \
 395         vmovdqu t1, 1 * 32(r); \
 396         vmovdqu t2, 2 * 32(r); \
 397         vmovdqu t3, 3 * 32(r); \
 398         \
 399         /* \
 400          * t2 = krl; \
 401          * t2 &= rl; \
 402          * rr ^= rol32(t2, 1); \
 403          */ \
 404         vpshufb tt0, t0, t3; \
 405         vpsrldq $1, t0, t0; \
 406         vpshufb tt0, t0, t2; \
 407         vpsrldq $1, t0, t0; \
 408         vpshufb tt0, t0, t1; \
 409         vpsrldq $1, t0, t0; \
 410         vpshufb tt0, t0, t0; \
 411         \
 412         vpand 0 * 32(r), t0, t0; \
 413         vpand 1 * 32(r), t1, t1; \
 414         vpand 2 * 32(r), t2, t2; \
 415         vpand 3 * 32(r), t3, t3; \
 416         \
 417         rol32_1_32(t3, t2, t1, t0, tt1, tt2, tt3, tt0); \
 418         \
 419         vpxor 4 * 32(r), t0, t0; \
 420         vpxor 5 * 32(r), t1, t1; \
 421         vpxor 6 * 32(r), t2, t2; \
 422         vpxor 7 * 32(r), t3, t3; \
 423         vmovdqu t0, 4 * 32(r); \
 424         vpbroadcastd klr, t0; /* only lowest 32-bit used */ \
 425         vmovdqu t1, 5 * 32(r); \
 426         vmovdqu t2, 6 * 32(r); \
 427         vmovdqu t3, 7 * 32(r); \
 428         \
 429         /* \
 430          * t0 = klr; \
 431          * t0 |= lr; \
 432          * ll ^= t0; \
 433          */ \
 434         \
 435         vpshufb tt0, t0, t3; \
 436         vpsrldq $1, t0, t0; \
 437         vpshufb tt0, t0, t2; \
 438         vpsrldq $1, t0, t0; \
 439         vpshufb tt0, t0, t1; \
 440         vpsrldq $1, t0, t0; \
 441         vpshufb tt0, t0, t0; \
 442         \
 443         vpor l4, t0, t0; \
 444         vpor l5, t1, t1; \
 445         vpor l6, t2, t2; \
 446         vpor l7, t3, t3; \
 447         \
 448         vpxor l0, t0, l0; \
 449         vmovdqu l0, 0 * 32(l); \
 450         vpxor l1, t1, l1; \
 451         vmovdqu l1, 1 * 32(l); \
 452         vpxor l2, t2, l2; \
 453         vmovdqu l2, 2 * 32(l); \
 454         vpxor l3, t3, l3; \
 455         vmovdqu l3, 3 * 32(l);
 456
 457 #define transpose_4x4(x0, x1, x2, x3, t1, t2) \
 458         vpunpckhdq x1, x0, t2; \
 459         vpunpckldq x1, x0, x0; \
 460         \
 461         vpunpckldq x3, x2, t1; \
 462         vpunpckhdq x3, x2, x2; \
 463         \
 464         vpunpckhqdq t1, x0, x1; \
 465         vpunpcklqdq t1, x0, x0; \
 466         \
 467         vpunpckhqdq x2, t2, x3; \
 468         vpunpcklqdq x2, t2, x2;
 469
 470 #define byteslice_16x16b_fast(a0, b0, c0, d0, a1, b1, c1, d1, a2, b2, c2, d2, \
 471                               a3, b3, c3, d3, st0, st1) \
 472         vmovdqu d2, st0; \
 473         vmovdqu d3, st1; \
 474         transpose_4x4(a0, a1, a2, a3, d2, d3); \
 475         transpose_4x4(b0, b1, b2, b3, d2, d3); \
 476         vmovdqu st0, d2; \
 477         vmovdqu st1, d3; \
 478         \
 479         vmovdqu a0, st0; \
 480         vmovdqu a1, st1; \
 481         transpose_4x4(c0, c1, c2, c3, a0, a1); \
 482         transpose_4x4(d0, d1, d2, d3, a0, a1); \
 483         \
 484         vbroadcasti128 .Lshufb_16x16b, a0; \
 485         vmovdqu st1, a1; \
 486         vpshufb a0, a2, a2; \
 487         vpshufb a0, a3, a3; \
 488         vpshufb a0, b0, b0; \
 489         vpshufb a0, b1, b1; \
 490         vpshufb a0, b2, b2; \
 491         vpshufb a0, b3, b3; \
 492         vpshufb a0, a1, a1; \
 493         vpshufb a0, c0, c0; \
 494         vpshufb a0, c1, c1; \
 495         vpshufb a0, c2, c2; \
 496         vpshufb a0, c3, c3; \
 497         vpshufb a0, d0, d0; \
 498         vpshufb a0, d1, d1; \
 499         vpshufb a0, d2, d2; \
 500         vpshufb a0, d3, d3; \
 501         vmovdqu d3, st1; \
 502         vmovdqu st0, d3; \
 503         vpshufb a0, d3, a0; \
 504         vmovdqu d2, st0; \
 505         \
 506         transpose_4x4(a0, b0, c0, d0, d2, d3); \
 507         transpose_4x4(a1, b1, c1, d1, d2, d3); \
 508         vmovdqu st0, d2; \
 509         vmovdqu st1, d3; \
 510         \
 511         vmovdqu b0, st0; \
 512         vmovdqu b1, st1; \
 513         transpose_4x4(a2, b2, c2, d2, b0, b1); \
 514         transpose_4x4(a3, b3, c3, d3, b0, b1); \
 515         vmovdqu st0, b0; \
 516         vmovdqu st1, b1; \
 517         /* does not adjust output bytes inside vectors */
 518
 519 /* load blocks to registers and apply pre-whitening */
 520 #define inpack32_pre(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 521                      y6, y7, rio, key) \
 522         vpbroadcastq key, x0; \
 523         vpshufb .Lpack_bswap, x0, x0; \
 524         \
 525         vpxor 0 * 32(rio), x0, y7; \
 526         vpxor 1 * 32(rio), x0, y6; \
 527         vpxor 2 * 32(rio), x0, y5; \
 528         vpxor 3 * 32(rio), x0, y4; \
 529         vpxor 4 * 32(rio), x0, y3; \
 530         vpxor 5 * 32(rio), x0, y2; \
 531         vpxor 6 * 32(rio), x0, y1; \
 532         vpxor 7 * 32(rio), x0, y0; \
 533         vpxor 8 * 32(rio), x0, x7; \
 534         vpxor 9 * 32(rio), x0, x6; \
 535         vpxor 10 * 32(rio), x0, x5; \
 536         vpxor 11 * 32(rio), x0, x4; \
 537         vpxor 12 * 32(rio), x0, x3; \
 538         vpxor 13 * 32(rio), x0, x2; \
 539         vpxor 14 * 32(rio), x0, x1; \
 540         vpxor 15 * 32(rio), x0, x0;
 541
 542 /* byteslice pre-whitened blocks and store to temporary memory */
 543 #define inpack32_post(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 544                       y6, y7, mem_ab, mem_cd) \
 545         byteslice_16x16b_fast(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, \
 546                               y4, y5, y6, y7, (mem_ab), (mem_cd)); \
 547         \
 548         vmovdqu x0, 0 * 32(mem_ab); \
 549         vmovdqu x1, 1 * 32(mem_ab); \
 550         vmovdqu x2, 2 * 32(mem_ab); \
 551         vmovdqu x3, 3 * 32(mem_ab); \
 552         vmovdqu x4, 4 * 32(mem_ab); \
 553         vmovdqu x5, 5 * 32(mem_ab); \
 554         vmovdqu x6, 6 * 32(mem_ab); \
 555         vmovdqu x7, 7 * 32(mem_ab); \
 556         vmovdqu y0, 0 * 32(mem_cd); \
 557         vmovdqu y1, 1 * 32(mem_cd); \
 558         vmovdqu y2, 2 * 32(mem_cd); \
 559         vmovdqu y3, 3 * 32(mem_cd); \
 560         vmovdqu y4, 4 * 32(mem_cd); \
 561         vmovdqu y5, 5 * 32(mem_cd); \
 562         vmovdqu y6, 6 * 32(mem_cd); \
 563         vmovdqu y7, 7 * 32(mem_cd);
 564
 565 /* de-byteslice, apply post-whitening and store blocks */
 566 #define outunpack32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
 567                     y5, y6, y7, key, stack_tmp0, stack_tmp1) \
 568         byteslice_16x16b_fast(y0, y4, x0, x4, y1, y5, x1, x5, y2, y6, x2, x6, \
 569                               y3, y7, x3, x7, stack_tmp0, stack_tmp1); \
 570         \
 571         vmovdqu x0, stack_tmp0; \
 572         \
 573         vpbroadcastq key, x0; \
 574         vpshufb .Lpack_bswap, x0, x0; \
 575         \
 576         vpxor x0, y7, y7; \
 577         vpxor x0, y6, y6; \
 578         vpxor x0, y5, y5; \
 579         vpxor x0, y4, y4; \
 580         vpxor x0, y3, y3; \
 581         vpxor x0, y2, y2; \
 582         vpxor x0, y1, y1; \
 583         vpxor x0, y0, y0; \
 584         vpxor x0, x7, x7; \
 585         vpxor x0, x6, x6; \
 586         vpxor x0, x5, x5; \
 587         vpxor x0, x4, x4; \
 588         vpxor x0, x3, x3; \
 589         vpxor x0, x2, x2; \
 590         vpxor x0, x1, x1; \
 591         vpxor stack_tmp0, x0, x0;
 592
 593 #define write_output(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
 594                      y6, y7, rio) \
 595         vmovdqu x0, 0 * 32(rio); \
 596         vmovdqu x1, 1 * 32(rio); \
 597         vmovdqu x2, 2 * 32(rio); \
 598         vmovdqu x3, 3 * 32(rio); \
 599         vmovdqu x4, 4 * 32(rio); \
 600         vmovdqu x5, 5 * 32(rio); \
 601         vmovdqu x6, 6 * 32(rio); \
 602         vmovdqu x7, 7 * 32(rio); \
 603         vmovdqu y0, 8 * 32(rio); \
 604         vmovdqu y1, 9 * 32(rio); \
 605         vmovdqu y2, 10 * 32(rio); \
 606         vmovdqu y3, 11 * 32(rio); \
 607         vmovdqu y4, 12 * 32(rio); \
 608         vmovdqu y5, 13 * 32(rio); \
 609         vmovdqu y6, 14 * 32(rio); \
 610         vmovdqu y7, 15 * 32(rio);
 611
 612 .data
 613 .align 32
 614
 615 #define SHUFB_BYTES(idx) \
 616         0 + (idx), 4 + (idx), 8 + (idx), 12 + (idx)
 617
 618 .Lshufb_16x16b:
 619         .byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3)
 620         .byte SHUFB_BYTES(0), SHUFB_BYTES(1), SHUFB_BYTES(2), SHUFB_BYTES(3)
 621
 622 .Lpack_bswap:
 623         .long 0x00010203, 0x04050607, 0x80808080, 0x80808080
 624         .long 0x00010203, 0x04050607, 0x80808080, 0x80808080
 625
 626 /* For CTR-mode IV byteswap */
 627 .Lbswap128_mask:
 628         .byte 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0
 629
 630 /* For XTS mode */
 631 .Lxts_gf128mul_and_shl1_mask_0:
 632         .byte 0x87, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0
 633 .Lxts_gf128mul_and_shl1_mask_1:
 634         .byte 0x0e, 1, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0
 635
 636 /*
 637  * pre-SubByte transform
 638  *
 639  * pre-lookup for sbox1, sbox2, sbox3:
 640  *   swap_bitendianness(
 641  *       isom_map_camellia_to_aes(
 642  *           camellia_f(
 643  *               swap_bitendianess(in)
 644  *           )
 645  *       )
 646  *   )
 647  *
 648  * (note: '⊕ 0xc5' inside camellia_f())
 649  */
 650 .Lpre_tf_lo_s1:
 651         .byte 0x45, 0xe8, 0x40, 0xed, 0x2e, 0x83, 0x2b, 0x86
 652         .byte 0x4b, 0xe6, 0x4e, 0xe3, 0x20, 0x8d, 0x25, 0x88
 653 .Lpre_tf_hi_s1:
 654         .byte 0x00, 0x51, 0xf1, 0xa0, 0x8a, 0xdb, 0x7b, 0x2a
 655         .byte 0x09, 0x58, 0xf8, 0xa9, 0x83, 0xd2, 0x72, 0x23
 656
 657 /*
 658  * pre-SubByte transform
 659  *
 660  * pre-lookup for sbox4:
 661  *   swap_bitendianness(
 662  *       isom_map_camellia_to_aes(
 663  *           camellia_f(
 664  *               swap_bitendianess(in <<< 1)
 665  *           )
 666  *       )
 667  *   )
 668  *
 669  * (note: '⊕ 0xc5' inside camellia_f())
 670  */
 671 .Lpre_tf_lo_s4:
 672         .byte 0x45, 0x40, 0x2e, 0x2b, 0x4b, 0x4e, 0x20, 0x25
 673         .byte 0x14, 0x11, 0x7f, 0x7a, 0x1a, 0x1f, 0x71, 0x74
 674 .Lpre_tf_hi_s4:
 675         .byte 0x00, 0xf1, 0x8a, 0x7b, 0x09, 0xf8, 0x83, 0x72
 676         .byte 0xad, 0x5c, 0x27, 0xd6, 0xa4, 0x55, 0x2e, 0xdf
 677
 678 /*
 679  * post-SubByte transform
 680  *
 681  * post-lookup for sbox1, sbox4:
 682  *  swap_bitendianness(
 683  *      camellia_h(
 684  *          isom_map_aes_to_camellia(
 685  *              swap_bitendianness(
 686  *                  aes_inverse_affine_transform(in)
 687  *              )
 688  *          )
 689  *      )
 690  *  )
 691  *
 692  * (note: '⊕ 0x6e' inside camellia_h())
 693  */
 694 .Lpost_tf_lo_s1:
 695         .byte 0x3c, 0xcc, 0xcf, 0x3f, 0x32, 0xc2, 0xc1, 0x31
 696         .byte 0xdc, 0x2c, 0x2f, 0xdf, 0xd2, 0x22, 0x21, 0xd1
 697 .Lpost_tf_hi_s1:
 698         .byte 0x00, 0xf9, 0x86, 0x7f, 0xd7, 0x2e, 0x51, 0xa8
 699         .byte 0xa4, 0x5d, 0x22, 0xdb, 0x73, 0x8a, 0xf5, 0x0c
 700
 701 /*
 702  * post-SubByte transform
 703  *
 704  * post-lookup for sbox2:
 705  *  swap_bitendianness(
 706  *      camellia_h(
 707  *          isom_map_aes_to_camellia(
 708  *              swap_bitendianness(
 709  *                  aes_inverse_affine_transform(in)
 710  *              )
 711  *          )
 712  *      )
 713  *  ) <<< 1
 714  *
 715  * (note: '⊕ 0x6e' inside camellia_h())
 716  */
 717 .Lpost_tf_lo_s2:
 718         .byte 0x78, 0x99, 0x9f, 0x7e, 0x64, 0x85, 0x83, 0x62
 719         .byte 0xb9, 0x58, 0x5e, 0xbf, 0xa5, 0x44, 0x42, 0xa3
 720 .Lpost_tf_hi_s2:
 721         .byte 0x00, 0xf3, 0x0d, 0xfe, 0xaf, 0x5c, 0xa2, 0x51
 722         .byte 0x49, 0xba, 0x44, 0xb7, 0xe6, 0x15, 0xeb, 0x18
 723
 724 /*
 725  * post-SubByte transform
 726  *
 727  * post-lookup for sbox3:
 728  *  swap_bitendianness(
 729  *      camellia_h(
 730  *          isom_map_aes_to_camellia(
 731  *              swap_bitendianness(
 732  *                  aes_inverse_affine_transform(in)
 733  *              )
 734  *          )
 735  *      )
 736  *  ) >>> 1
 737  *
 738  * (note: '⊕ 0x6e' inside camellia_h())
 739  */
 740 .Lpost_tf_lo_s3:
 741         .byte 0x1e, 0x66, 0xe7, 0x9f, 0x19, 0x61, 0xe0, 0x98
 742         .byte 0x6e, 0x16, 0x97, 0xef, 0x69, 0x11, 0x90, 0xe8
 743 .Lpost_tf_hi_s3:
 744         .byte 0x00, 0xfc, 0x43, 0xbf, 0xeb, 0x17, 0xa8, 0x54
 745         .byte 0x52, 0xae, 0x11, 0xed, 0xb9, 0x45, 0xfa, 0x06
 746
 747 /* For isolating SubBytes from AESENCLAST, inverse shift row */
 748 .Linv_shift_row:
 749         .byte 0x00, 0x0d, 0x0a, 0x07, 0x04, 0x01, 0x0e, 0x0b
 750         .byte 0x08, 0x05, 0x02, 0x0f, 0x0c, 0x09, 0x06, 0x03
 751
 752 .align 4
 753 /* 4-bit mask */
 754 .L0f0f0f0f:
 755         .long 0x0f0f0f0f
 756
 757 .text
 758
 759 .align 8
 760 __camellia_enc_blk32:
 761         /* input:
 762          *      %rdi: ctx, CTX
 763          *      %rax: temporary storage, 512 bytes
 764          *      %ymm0..%ymm15: 32 plaintext blocks
 765          * output:
 766          *      %ymm0..%ymm15: 32 encrypted blocks, order swapped:
 767          *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
 768          */
 769
 770         leaq 8 * 32(%rax), %rcx;
 771
 772         inpack32_post(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 773                       %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 774                       %ymm15, %rax, %rcx);
 775
 776         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 777                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 778                      %ymm15, %rax, %rcx, 0);
 779
 780         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 781               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 782               %ymm15,
 783               ((key_table + (8) * 8) + 0)(CTX),
 784               ((key_table + (8) * 8) + 4)(CTX),
 785               ((key_table + (8) * 8) + 8)(CTX),
 786               ((key_table + (8) * 8) + 12)(CTX));
 787
 788         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 789                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 790                      %ymm15, %rax, %rcx, 8);
 791
 792         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 793               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 794               %ymm15,
 795               ((key_table + (16) * 8) + 0)(CTX),
 796               ((key_table + (16) * 8) + 4)(CTX),
 797               ((key_table + (16) * 8) + 8)(CTX),
 798               ((key_table + (16) * 8) + 12)(CTX));
 799
 800         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 801                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 802                      %ymm15, %rax, %rcx, 16);
 803
 804         movl $24, %r8d;
 805         cmpl $16, key_length(CTX);
 806         jne .Lenc_max32;
 807
 808 .Lenc_done:
 809         /* load CD for output */
 810         vmovdqu 0 * 32(%rcx), %ymm8;
 811         vmovdqu 1 * 32(%rcx), %ymm9;
 812         vmovdqu 2 * 32(%rcx), %ymm10;
 813         vmovdqu 3 * 32(%rcx), %ymm11;
 814         vmovdqu 4 * 32(%rcx), %ymm12;
 815         vmovdqu 5 * 32(%rcx), %ymm13;
 816         vmovdqu 6 * 32(%rcx), %ymm14;
 817         vmovdqu 7 * 32(%rcx), %ymm15;
 818
 819         outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 820                     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 821                     %ymm15, (key_table)(CTX, %r8, 8), (%rax), 1 * 32(%rax));
 822
 823         ret;
 824
 825 .align 8
 826 .Lenc_max32:
 827         movl $32, %r8d;
 828
 829         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 830               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 831               %ymm15,
 832               ((key_table + (24) * 8) + 0)(CTX),
 833               ((key_table + (24) * 8) + 4)(CTX),
 834               ((key_table + (24) * 8) + 8)(CTX),
 835               ((key_table + (24) * 8) + 12)(CTX));
 836
 837         enc_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 838                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 839                      %ymm15, %rax, %rcx, 24);
 840
 841         jmp .Lenc_done;
 842 ENDPROC(__camellia_enc_blk32)
 843
 844 .align 8
 845 __camellia_dec_blk32:
 846         /* input:
 847          *      %rdi: ctx, CTX
 848          *      %rax: temporary storage, 512 bytes
 849          *      %r8d: 24 for 16 byte key, 32 for larger
 850          *      %ymm0..%ymm15: 16 encrypted blocks
 851          * output:
 852          *      %ymm0..%ymm15: 16 plaintext blocks, order swapped:
 853          *       7, 8, 6, 5, 4, 3, 2, 1, 0, 15, 14, 13, 12, 11, 10, 9, 8
 854          */
 855
 856         leaq 8 * 32(%rax), %rcx;
 857
 858         inpack32_post(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 859                       %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 860                       %ymm15, %rax, %rcx);
 861
 862         cmpl $32, %r8d;
 863         je .Ldec_max32;
 864
 865 .Ldec_max24:
 866         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 867                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 868                      %ymm15, %rax, %rcx, 16);
 869
 870         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 871               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 872               %ymm15,
 873               ((key_table + (16) * 8) + 8)(CTX),
 874               ((key_table + (16) * 8) + 12)(CTX),
 875               ((key_table + (16) * 8) + 0)(CTX),
 876               ((key_table + (16) * 8) + 4)(CTX));
 877
 878         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 879                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 880                      %ymm15, %rax, %rcx, 8);
 881
 882         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 883               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 884               %ymm15,
 885               ((key_table + (8) * 8) + 8)(CTX),
 886               ((key_table + (8) * 8) + 12)(CTX),
 887               ((key_table + (8) * 8) + 0)(CTX),
 888               ((key_table + (8) * 8) + 4)(CTX));
 889
 890         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 891                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 892                      %ymm15, %rax, %rcx, 0);
 893
 894         /* load CD for output */
 895         vmovdqu 0 * 32(%rcx), %ymm8;
 896         vmovdqu 1 * 32(%rcx), %ymm9;
 897         vmovdqu 2 * 32(%rcx), %ymm10;
 898         vmovdqu 3 * 32(%rcx), %ymm11;
 899         vmovdqu 4 * 32(%rcx), %ymm12;
 900         vmovdqu 5 * 32(%rcx), %ymm13;
 901         vmovdqu 6 * 32(%rcx), %ymm14;
 902         vmovdqu 7 * 32(%rcx), %ymm15;
 903
 904         outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 905                     %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 906                     %ymm15, (key_table)(CTX), (%rax), 1 * 32(%rax));
 907
 908         ret;
 909
 910 .align 8
 911 .Ldec_max32:
 912         dec_rounds32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 913                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 914                      %ymm15, %rax, %rcx, 24);
 915
 916         fls32(%rax, %ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 917               %rcx, %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 918               %ymm15,
 919               ((key_table + (24) * 8) + 8)(CTX),
 920               ((key_table + (24) * 8) + 12)(CTX),
 921               ((key_table + (24) * 8) + 0)(CTX),
 922               ((key_table + (24) * 8) + 4)(CTX));
 923
 924         jmp .Ldec_max24;
 925 ENDPROC(__camellia_dec_blk32)
 926
 927 ENTRY(camellia_ecb_enc_32way)
 928         /* input:
 929          *      %rdi: ctx, CTX
 930          *      %rsi: dst (32 blocks)
 931          *      %rdx: src (32 blocks)
 932          */
 933
 934         vzeroupper;
 935
 936         inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 937                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 938                      %ymm15, %rdx, (key_table)(CTX));
 939
 940         /* now dst can be used as temporary buffer (even in src == dst case) */
 941         movq    %rsi, %rax;
 942
 943         call __camellia_enc_blk32;
 944
 945         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
 946                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
 947                      %ymm8, %rsi);
 948
 949         vzeroupper;
 950
 951         ret;
 952 ENDPROC(camellia_ecb_enc_32way)
 953
 954 ENTRY(camellia_ecb_dec_32way)
 955         /* input:
 956          *      %rdi: ctx, CTX
 957          *      %rsi: dst (32 blocks)
 958          *      %rdx: src (32 blocks)
 959          */
 960
 961         vzeroupper;
 962
 963         cmpl $16, key_length(CTX);
 964         movl $32, %r8d;
 965         movl $24, %eax;
 966         cmovel %eax, %r8d; /* max */
 967
 968         inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
 969                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
 970                      %ymm15, %rdx, (key_table)(CTX, %r8, 8));
 971
 972         /* now dst can be used as temporary buffer (even in src == dst case) */
 973         movq    %rsi, %rax;
 974
 975         call __camellia_dec_blk32;
 976
 977         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
 978                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
 979                      %ymm8, %rsi);
 980
 981         vzeroupper;
 982
 983         ret;
 984 ENDPROC(camellia_ecb_dec_32way)
 985
 986 ENTRY(camellia_cbc_dec_32way)
 987         /* input:
 988          *      %rdi: ctx, CTX
 989          *      %rsi: dst (32 blocks)
 990          *      %rdx: src (32 blocks)
 991          */
 992
 993         vzeroupper;
 994
 995         cmpl $16, key_length(CTX);
 996         movl $32, %r8d;
 997         movl $24, %eax;
 998         cmovel %eax, %r8d; /* max */
 999
1000         inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
1001                      %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
1002                      %ymm15, %rdx, (key_table)(CTX, %r8, 8));
1003
1004         movq %rsp, %r10;
1005         cmpq %rsi, %rdx;
1006         je .Lcbc_dec_use_stack;
1007
1008         /* dst can be used as temporary storage, src is not overwritten. */
1009         movq %rsi, %rax;
1010         jmp .Lcbc_dec_continue;
1011
1012 .Lcbc_dec_use_stack:
1013         /*
1014          * dst still in-use (because dst == src), so use stack for temporary
1015          * storage.
1016          */
1017         subq $(16 * 32), %rsp;
1018         movq %rsp, %rax;
1019
1020 .Lcbc_dec_continue:
1021         call __camellia_dec_blk32;
1022
1023         vmovdqu %ymm7, (%rax);
1024         vpxor %ymm7, %ymm7, %ymm7;
1025         vinserti128 $1, (%rdx), %ymm7, %ymm7;
1026         vpxor (%rax), %ymm7, %ymm7;
1027         movq %r10, %rsp;
1028         vpxor (0 * 32 + 16)(%rdx), %ymm6, %ymm6;
1029         vpxor (1 * 32 + 16)(%rdx), %ymm5, %ymm5;
1030         vpxor (2 * 32 + 16)(%rdx), %ymm4, %ymm4;
1031         vpxor (3 * 32 + 16)(%rdx), %ymm3, %ymm3;
1032         vpxor (4 * 32 + 16)(%rdx), %ymm2, %ymm2;
1033         vpxor (5 * 32 + 16)(%rdx), %ymm1, %ymm1;
1034         vpxor (6 * 32 + 16)(%rdx), %ymm0, %ymm0;
1035         vpxor (7 * 32 + 16)(%rdx), %ymm15, %ymm15;
1036         vpxor (8 * 32 + 16)(%rdx), %ymm14, %ymm14;
1037         vpxor (9 * 32 + 16)(%rdx), %ymm13, %ymm13;
1038         vpxor (10 * 32 + 16)(%rdx), %ymm12, %ymm12;
1039         vpxor (11 * 32 + 16)(%rdx), %ymm11, %ymm11;
1040         vpxor (12 * 32 + 16)(%rdx), %ymm10, %ymm10;
1041         vpxor (13 * 32 + 16)(%rdx), %ymm9, %ymm9;
1042         vpxor (14 * 32 + 16)(%rdx), %ymm8, %ymm8;
1043         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
1044                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
1045                      %ymm8, %rsi);
1046
1047         vzeroupper;
1048
1049         ret;
1050 ENDPROC(camellia_cbc_dec_32way)
1051
1052 #define inc_le128(x, minus_one, tmp) \
1053         vpcmpeqq minus_one, x, tmp; \
1054         vpsubq minus_one, x, x; \
1055         vpslldq $8, tmp, tmp; \
1056         vpsubq tmp, x, x;
1057
1058 #define add2_le128(x, minus_one, minus_two, tmp1, tmp2) \
1059         vpcmpeqq minus_one, x, tmp1; \
1060         vpcmpeqq minus_two, x, tmp2; \
1061         vpsubq minus_two, x, x; \
1062         vpor tmp2, tmp1, tmp1; \
1063         vpslldq $8, tmp1, tmp1; \
1064         vpsubq tmp1, x, x;
1065
1066 ENTRY(camellia_ctr_32way)
1067         /* input:
1068          *      %rdi: ctx, CTX
1069          *      %rsi: dst (32 blocks)
1070          *      %rdx: src (32 blocks)
1071          *      %rcx: iv (little endian, 128bit)
1072          */
1073
1074         vzeroupper;
1075
1076         movq %rsp, %r10;
1077         cmpq %rsi, %rdx;
1078         je .Lctr_use_stack;
1079
1080         /* dst can be used as temporary storage, src is not overwritten. */
1081         movq %rsi, %rax;
1082         jmp .Lctr_continue;
1083
1084 .Lctr_use_stack:
1085         subq $(16 * 32), %rsp;
1086         movq %rsp, %rax;
1087
1088 .Lctr_continue:
1089         vpcmpeqd %ymm15, %ymm15, %ymm15;
1090         vpsrldq $8, %ymm15, %ymm15; /* ab: -1:0 ; cd: -1:0 */
1091         vpaddq %ymm15, %ymm15, %ymm12; /* ab: -2:0 ; cd: -2:0 */
1092
1093         /* load IV and byteswap */
1094         vmovdqu (%rcx), %xmm0;
1095         vmovdqa %xmm0, %xmm1;
1096         inc_le128(%xmm0, %xmm15, %xmm14);
1097         vbroadcasti128 .Lbswap128_mask, %ymm14;
1098         vinserti128 $1, %xmm0, %ymm1, %ymm0;
1099         vpshufb %ymm14, %ymm0, %ymm13;
1100         vmovdqu %ymm13, 15 * 32(%rax);
1101
1102         /* construct IVs */
1103         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13); /* ab:le2 ; cd:le3 */
1104         vpshufb %ymm14, %ymm0, %ymm13;
1105         vmovdqu %ymm13, 14 * 32(%rax);
1106         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1107         vpshufb %ymm14, %ymm0, %ymm13;
1108         vmovdqu %ymm13, 13 * 32(%rax);
1109         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1110         vpshufb %ymm14, %ymm0, %ymm13;
1111         vmovdqu %ymm13, 12 * 32(%rax);
1112         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1113         vpshufb %ymm14, %ymm0, %ymm13;
1114         vmovdqu %ymm13, 11 * 32(%rax);
1115         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1116         vpshufb %ymm14, %ymm0, %ymm10;
1117         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1118         vpshufb %ymm14, %ymm0, %ymm9;
1119         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1120         vpshufb %ymm14, %ymm0, %ymm8;
1121         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1122         vpshufb %ymm14, %ymm0, %ymm7;
1123         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1124         vpshufb %ymm14, %ymm0, %ymm6;
1125         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1126         vpshufb %ymm14, %ymm0, %ymm5;
1127         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1128         vpshufb %ymm14, %ymm0, %ymm4;
1129         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1130         vpshufb %ymm14, %ymm0, %ymm3;
1131         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1132         vpshufb %ymm14, %ymm0, %ymm2;
1133         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1134         vpshufb %ymm14, %ymm0, %ymm1;
1135         add2_le128(%ymm0, %ymm15, %ymm12, %ymm11, %ymm13);
1136         vextracti128 $1, %ymm0, %xmm13;
1137         vpshufb %ymm14, %ymm0, %ymm0;
1138         inc_le128(%xmm13, %xmm15, %xmm14);
1139         vmovdqu %xmm13, (%rcx);
1140
1141         /* inpack32_pre: */
1142         vpbroadcastq (key_table)(CTX), %ymm15;
1143         vpshufb .Lpack_bswap, %ymm15, %ymm15;
1144         vpxor %ymm0, %ymm15, %ymm0;
1145         vpxor %ymm1, %ymm15, %ymm1;
1146         vpxor %ymm2, %ymm15, %ymm2;
1147         vpxor %ymm3, %ymm15, %ymm3;
1148         vpxor %ymm4, %ymm15, %ymm4;
1149         vpxor %ymm5, %ymm15, %ymm5;
1150         vpxor %ymm6, %ymm15, %ymm6;
1151         vpxor %ymm7, %ymm15, %ymm7;
1152         vpxor %ymm8, %ymm15, %ymm8;
1153         vpxor %ymm9, %ymm15, %ymm9;
1154         vpxor %ymm10, %ymm15, %ymm10;
1155         vpxor 11 * 32(%rax), %ymm15, %ymm11;
1156         vpxor 12 * 32(%rax), %ymm15, %ymm12;
1157         vpxor 13 * 32(%rax), %ymm15, %ymm13;
1158         vpxor 14 * 32(%rax), %ymm15, %ymm14;
1159         vpxor 15 * 32(%rax), %ymm15, %ymm15;
1160
1161         call __camellia_enc_blk32;
1162
1163         movq %r10, %rsp;
1164
1165         vpxor 0 * 32(%rdx), %ymm7, %ymm7;
1166         vpxor 1 * 32(%rdx), %ymm6, %ymm6;
1167         vpxor 2 * 32(%rdx), %ymm5, %ymm5;
1168         vpxor 3 * 32(%rdx), %ymm4, %ymm4;
1169         vpxor 4 * 32(%rdx), %ymm3, %ymm3;
1170         vpxor 5 * 32(%rdx), %ymm2, %ymm2;
1171         vpxor 6 * 32(%rdx), %ymm1, %ymm1;
1172         vpxor 7 * 32(%rdx), %ymm0, %ymm0;
1173         vpxor 8 * 32(%rdx), %ymm15, %ymm15;
1174         vpxor 9 * 32(%rdx), %ymm14, %ymm14;
1175         vpxor 10 * 32(%rdx), %ymm13, %ymm13;
1176         vpxor 11 * 32(%rdx), %ymm12, %ymm12;
1177         vpxor 12 * 32(%rdx), %ymm11, %ymm11;
1178         vpxor 13 * 32(%rdx), %ymm10, %ymm10;
1179         vpxor 14 * 32(%rdx), %ymm9, %ymm9;
1180         vpxor 15 * 32(%rdx), %ymm8, %ymm8;
1181         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
1182                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
1183                      %ymm8, %rsi);
1184
1185         vzeroupper;
1186
1187         ret;
1188 ENDPROC(camellia_ctr_32way)
1189
1190 #define gf128mul_x_ble(iv, mask, tmp) \
1191         vpsrad $31, iv, tmp; \
1192         vpaddq iv, iv, iv; \
1193         vpshufd $0x13, tmp, tmp; \
1194         vpand mask, tmp, tmp; \
1195         vpxor tmp, iv, iv;
1196
1197 #define gf128mul_x2_ble(iv, mask1, mask2, tmp0, tmp1) \
1198         vpsrad $31, iv, tmp0; \
1199         vpaddq iv, iv, tmp1; \
1200         vpsllq $2, iv, iv; \
1201         vpshufd $0x13, tmp0, tmp0; \
1202         vpsrad $31, tmp1, tmp1; \
1203         vpand mask2, tmp0, tmp0; \
1204         vpshufd $0x13, tmp1, tmp1; \
1205         vpxor tmp0, iv, iv; \
1206         vpand mask1, tmp1, tmp1; \
1207         vpxor tmp1, iv, iv;
1208
1209 .align 8
1210 camellia_xts_crypt_32way:
1211         /* input:
1212          *      %rdi: ctx, CTX
1213          *      %rsi: dst (32 blocks)
1214          *      %rdx: src (32 blocks)
1215          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1216          *      %r8: index for input whitening key
1217          *      %r9: pointer to  __camellia_enc_blk32 or __camellia_dec_blk32
1218          */
1219
1220         vzeroupper;
1221
1222         subq $(16 * 32), %rsp;
1223         movq %rsp, %rax;
1224
1225         vbroadcasti128 .Lxts_gf128mul_and_shl1_mask_0, %ymm12;
1226
1227         /* load IV and construct second IV */
1228         vmovdqu (%rcx), %xmm0;
1229         vmovdqa %xmm0, %xmm15;
1230         gf128mul_x_ble(%xmm0, %xmm12, %xmm13);
1231         vbroadcasti128 .Lxts_gf128mul_and_shl1_mask_1, %ymm13;
1232         vinserti128 $1, %xmm0, %ymm15, %ymm0;
1233         vpxor 0 * 32(%rdx), %ymm0, %ymm15;
1234         vmovdqu %ymm15, 15 * 32(%rax);
1235         vmovdqu %ymm0, 0 * 32(%rsi);
1236
1237         /* construct IVs */
1238         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1239         vpxor 1 * 32(%rdx), %ymm0, %ymm15;
1240         vmovdqu %ymm15, 14 * 32(%rax);
1241         vmovdqu %ymm0, 1 * 32(%rsi);
1242
1243         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1244         vpxor 2 * 32(%rdx), %ymm0, %ymm15;
1245         vmovdqu %ymm15, 13 * 32(%rax);
1246         vmovdqu %ymm0, 2 * 32(%rsi);
1247
1248         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1249         vpxor 3 * 32(%rdx), %ymm0, %ymm15;
1250         vmovdqu %ymm15, 12 * 32(%rax);
1251         vmovdqu %ymm0, 3 * 32(%rsi);
1252
1253         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1254         vpxor 4 * 32(%rdx), %ymm0, %ymm11;
1255         vmovdqu %ymm0, 4 * 32(%rsi);
1256
1257         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1258         vpxor 5 * 32(%rdx), %ymm0, %ymm10;
1259         vmovdqu %ymm0, 5 * 32(%rsi);
1260
1261         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1262         vpxor 6 * 32(%rdx), %ymm0, %ymm9;
1263         vmovdqu %ymm0, 6 * 32(%rsi);
1264
1265         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1266         vpxor 7 * 32(%rdx), %ymm0, %ymm8;
1267         vmovdqu %ymm0, 7 * 32(%rsi);
1268
1269         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1270         vpxor 8 * 32(%rdx), %ymm0, %ymm7;
1271         vmovdqu %ymm0, 8 * 32(%rsi);
1272
1273         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1274         vpxor 9 * 32(%rdx), %ymm0, %ymm6;
1275         vmovdqu %ymm0, 9 * 32(%rsi);
1276
1277         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1278         vpxor 10 * 32(%rdx), %ymm0, %ymm5;
1279         vmovdqu %ymm0, 10 * 32(%rsi);
1280
1281         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1282         vpxor 11 * 32(%rdx), %ymm0, %ymm4;
1283         vmovdqu %ymm0, 11 * 32(%rsi);
1284
1285         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1286         vpxor 12 * 32(%rdx), %ymm0, %ymm3;
1287         vmovdqu %ymm0, 12 * 32(%rsi);
1288
1289         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1290         vpxor 13 * 32(%rdx), %ymm0, %ymm2;
1291         vmovdqu %ymm0, 13 * 32(%rsi);
1292
1293         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1294         vpxor 14 * 32(%rdx), %ymm0, %ymm1;
1295         vmovdqu %ymm0, 14 * 32(%rsi);
1296
1297         gf128mul_x2_ble(%ymm0, %ymm12, %ymm13, %ymm14, %ymm15);
1298         vpxor 15 * 32(%rdx), %ymm0, %ymm15;
1299         vmovdqu %ymm15, 0 * 32(%rax);
1300         vmovdqu %ymm0, 15 * 32(%rsi);
1301
1302         vextracti128 $1, %ymm0, %xmm0;
1303         gf128mul_x_ble(%xmm0, %xmm12, %xmm15);
1304         vmovdqu %xmm0, (%rcx);
1305
1306         /* inpack32_pre: */
1307         vpbroadcastq (key_table)(CTX, %r8, 8), %ymm15;
1308         vpshufb .Lpack_bswap, %ymm15, %ymm15;
1309         vpxor 0 * 32(%rax), %ymm15, %ymm0;
1310         vpxor %ymm1, %ymm15, %ymm1;
1311         vpxor %ymm2, %ymm15, %ymm2;
1312         vpxor %ymm3, %ymm15, %ymm3;
1313         vpxor %ymm4, %ymm15, %ymm4;
1314         vpxor %ymm5, %ymm15, %ymm5;
1315         vpxor %ymm6, %ymm15, %ymm6;
1316         vpxor %ymm7, %ymm15, %ymm7;
1317         vpxor %ymm8, %ymm15, %ymm8;
1318         vpxor %ymm9, %ymm15, %ymm9;
1319         vpxor %ymm10, %ymm15, %ymm10;
1320         vpxor %ymm11, %ymm15, %ymm11;
1321         vpxor 12 * 32(%rax), %ymm15, %ymm12;
1322         vpxor 13 * 32(%rax), %ymm15, %ymm13;
1323         vpxor 14 * 32(%rax), %ymm15, %ymm14;
1324         vpxor 15 * 32(%rax), %ymm15, %ymm15;
1325
1326         call *%r9;
1327
1328         addq $(16 * 32), %rsp;
1329
1330         vpxor 0 * 32(%rsi), %ymm7, %ymm7;
1331         vpxor 1 * 32(%rsi), %ymm6, %ymm6;
1332         vpxor 2 * 32(%rsi), %ymm5, %ymm5;
1333         vpxor 3 * 32(%rsi), %ymm4, %ymm4;
1334         vpxor 4 * 32(%rsi), %ymm3, %ymm3;
1335         vpxor 5 * 32(%rsi), %ymm2, %ymm2;
1336         vpxor 6 * 32(%rsi), %ymm1, %ymm1;
1337         vpxor 7 * 32(%rsi), %ymm0, %ymm0;
1338         vpxor 8 * 32(%rsi), %ymm15, %ymm15;
1339         vpxor 9 * 32(%rsi), %ymm14, %ymm14;
1340         vpxor 10 * 32(%rsi), %ymm13, %ymm13;
1341         vpxor 11 * 32(%rsi), %ymm12, %ymm12;
1342         vpxor 12 * 32(%rsi), %ymm11, %ymm11;
1343         vpxor 13 * 32(%rsi), %ymm10, %ymm10;
1344         vpxor 14 * 32(%rsi), %ymm9, %ymm9;
1345         vpxor 15 * 32(%rsi), %ymm8, %ymm8;
1346         write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
1347                      %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
1348                      %ymm8, %rsi);
1349
1350         vzeroupper;
1351
1352         ret;
1353 ENDPROC(camellia_xts_crypt_32way)
1354
1355 ENTRY(camellia_xts_enc_32way)
1356         /* input:
1357          *      %rdi: ctx, CTX
1358          *      %rsi: dst (32 blocks)
1359          *      %rdx: src (32 blocks)
1360          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1361          */
1362
1363         xorl %r8d, %r8d; /* input whitening key, 0 for enc */
1364
1365         leaq __camellia_enc_blk32, %r9;
1366
1367         jmp camellia_xts_crypt_32way;
1368 ENDPROC(camellia_xts_enc_32way)
1369
1370 ENTRY(camellia_xts_dec_32way)
1371         /* input:
1372          *      %rdi: ctx, CTX
1373          *      %rsi: dst (32 blocks)
1374          *      %rdx: src (32 blocks)
1375          *      %rcx: iv (t ⊕ αⁿ ∈ GF(2¹²⁸))
1376          */
1377
1378         cmpl $16, key_length(CTX);
1379         movl $32, %r8d;
1380         movl $24, %eax;
1381         cmovel %eax, %r8d;  /* input whitening key, last for dec */
1382
1383         leaq __camellia_dec_blk32, %r9;
1384
1385         jmp camellia_xts_crypt_32way;
1386 ENDPROC(camellia_xts_dec_32way)