crypto: sha256 - Optimized sha256 x86_64 routine using AVX2's RORX instructions
authorTim Chen <tim.c.chen@linux.intel.com>
Tue, 26 Mar 2013 20:59:10 +0000 (13:59 -0700)
committerHerbert Xu <herbert@gondor.apana.org.au>
Wed, 3 Apr 2013 01:06:32 +0000 (09:06 +0800)
Provides SHA256 x86_64 assembly routine optimized with SSE, AVX and
AVX2's RORX instructions.  Speedup of 70% or more has been
measured over the generic implementation.

Signed-off-by: Tim Chen <tim.c.chen@linux.intel.com>
Signed-off-by: Herbert Xu <herbert@gondor.apana.org.au>
arch/x86/crypto/sha256-avx2-asm.S [new file with mode: 0644]

diff --git a/arch/x86/crypto/sha256-avx2-asm.S b/arch/x86/crypto/sha256-avx2-asm.S
new file mode 100644 (file)
index 0000000..9e86944
--- /dev/null
@@ -0,0 +1,772 @@
+########################################################################
+# 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
+########################################################################
+
+#ifdef CONFIG_AS_AVX2
+#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
+CTX    = %rsi  # 2nd arg
+INP    = %rdi  # 1st arg
+c      = %ecx
+d      = %r8d
+e       = %edx # clobbers NUM_BLKS
+y3     = %edi  # clobbers INP
+
+
+TBL    = %rbp
+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
+_RSP_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
+_RSP           = _CTX      + _CTX_SIZE
+STACK_SIZE     = _RSP      + _RSP_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(void *input_data, UINT32 digest[8], UINT64 num_blks)
+## arg 1 : pointer to input data
+## arg 2 : pointer to digest
+## arg 3 : Num blocks
+########################################################################
+.text
+ENTRY(sha256_transform_rorx)
+.align 32
+       pushq   %rbx
+       pushq   %rbp
+       pushq   %r12
+       pushq   %r13
+       pushq   %r14
+       pushq   %r15
+
+       mov     %rsp, %rax
+       subq    $STACK_SIZE, %rsp
+       and     $-32, %rsp      # align rsp to 32 byte boundary
+       mov     %rax, _RSP(%rsp)
+
+
+       shl     $6, NUM_BLKS    # convert to bytes
+       jz      done_hash
+       lea     -64(INP, NUM_BLKS), NUM_BLKS # pointer to last block
+       mov     NUM_BLKS, _INP_END(%rsp)
+
+       cmp     NUM_BLKS, INP
+       je      only_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)
+
+loop0:
+       lea     K256(%rip), TBL
+
+       ## 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
+
+last_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
+loop1:
+       vpaddd  0*32(TBL, SRND), X0, XFER
+       vmovdqa XFER, 0*32+_XFER(%rsp, SRND)
+       FOUR_ROUNDS_AND_SCHED   _XFER + 0*32
+
+       vpaddd  1*32(TBL, SRND), X0, XFER
+       vmovdqa XFER, 1*32+_XFER(%rsp, SRND)
+       FOUR_ROUNDS_AND_SCHED   _XFER + 1*32
+
+       vpaddd  2*32(TBL, SRND), X0, XFER
+       vmovdqa XFER, 2*32+_XFER(%rsp, SRND)
+       FOUR_ROUNDS_AND_SCHED   _XFER + 2*32
+
+       vpaddd  3*32(TBL, 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      loop1
+
+loop2:
+       ## Do last 16 rounds with no scheduling
+       vpaddd  0*32(TBL, SRND), X0, XFER
+       vmovdqa XFER, 0*32+_XFER(%rsp, SRND)
+       DO_4ROUNDS      _XFER + 0*32
+       vpaddd  1*32(TBL, 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      loop2
+
+       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      done_hash
+
+       #### Do second block using previously scheduled results
+       xor     SRND, SRND
+.align 16
+loop3:
+       DO_4ROUNDS       _XFER + 0*32 + 16
+       DO_4ROUNDS       _XFER + 1*32 + 16
+       add     $2*32, SRND
+       cmp     $4*4*32, SRND
+       jb      loop3
+
+       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      loop0
+       ja      done_hash
+
+do_last_block:
+       #### do last block
+       lea     K256(%rip), TBL
+
+       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     last_block_enter
+
+only_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     do_last_block
+
+done_hash:
+
+       mov     _RSP(%rsp), %rsp
+
+       popq    %r15
+       popq    %r14
+       popq    %r13
+       popq    %r12
+       popq    %rbp
+       popq    %rbx
+       ret
+ENDPROC(sha256_transform_rorx)
+
+.data
+.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
+
+PSHUFFLE_BYTE_FLIP_MASK:
+       .octa 0x0c0d0e0f08090a0b0405060700010203,0x0c0d0e0f08090a0b0405060700010203
+
+# shuffle xBxA -> 00BA
+_SHUF_00BA:
+       .octa 0xFFFFFFFFFFFFFFFF0b0a090803020100,0xFFFFFFFFFFFFFFFF0b0a090803020100
+
+# shuffle xDxC -> DC00
+_SHUF_DC00:
+       .octa 0x0b0a090803020100FFFFFFFFFFFFFFFF,0x0b0a090803020100FFFFFFFFFFFFFFFF
+#endif