Backport of rc4-x86_64 from HEAD.
authorAndy Polyakov <appro@openssl.org>
Wed, 4 May 2005 16:12:07 +0000 (16:12 +0000)
committerAndy Polyakov <appro@openssl.org>
Wed, 4 May 2005 16:12:07 +0000 (16:12 +0000)
Configure
TABLE
crypto/rc4/Makefile
crypto/rc4/asm/rc4-amd64.pl [deleted file]
crypto/rc4/asm/rc4-x86_64.pl

index b0a7a4b8da7a1005cf197caa481b1a57213cc903..4b2317ea65fb2447c069ca14be7c08ccafe04a2e 100755 (executable)
--- a/Configure
+++ b/Configure
@@ -177,11 +177,11 @@ my %table=(
 # actually recommend to consider using gcc shared build even with vendor
 # compiler:-)
 #                                              <appro@fy.chalmers.se>
-"solaris64-x86_64-gcc","gcc:-m64 -O3 -Wall -DL_ENDIAN -DMD32_REG_T=int::-D_REENTRANT::-lsocket -lnsl -ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK BF_PTR2 DES_INT DES_UNROLL:asm/x86_64-gcc.o::::::asm/rc4-amd64.o:::dlfcn:solaris-shared:-fPIC:-m64 -shared -static-libgcc:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
+"solaris64-x86_64-gcc","gcc:-m64 -O3 -Wall -DL_ENDIAN -DMD32_REG_T=int::-D_REENTRANT::-lsocket -lnsl -ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL:asm/x86_64-gcc.o::::::asm/rc4-x86_64.o:::dlfcn:solaris-shared:-fPIC:-m64 -shared -static-libgcc:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
 
 #### Solaris x86 with Sun C setups
 "solaris-x86-cc","cc:-fast -O -Xa::-D_REENTRANT::-lsocket -lnsl -ldl:BN_LLONG RC4_CHAR RC4_CHUNK DES_PTR DES_UNROLL BF_PTR::::::::::dlfcn:solaris-shared:-KPIC:-G -dy -z text:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
-"solaris64-x86_64-cc","cc:-fast -xarch=amd64 -xstrconst -Xa -DL_ENDIAN::-D_REENTRANT::-lsocket -lnsl -ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK BF_PTR2 DES_INT DES_UNROLL::::::::::dlfcn:solaris-shared:-KPIC:-xarch=amd64 -G -dy -z text:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
+"solaris64-x86_64-cc","cc:-fast -xarch=amd64 -xstrconst -Xa -DL_ENDIAN::-D_REENTRANT::-lsocket -lnsl -ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL::::::::::dlfcn:solaris-shared:-KPIC:-xarch=amd64 -G -dy -z text:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
 
 #### SPARC Solaris with GNU C setups
 "solaris-sparcv7-gcc","gcc:-O3 -fomit-frame-pointer -Wall -DB_ENDIAN -DBN_DIV2W::-D_REENTRANT::-lsocket -lnsl -ldl:BN_LLONG RC4_CHAR RC4_CHUNK DES_UNROLL BF_PTR::::::::::dlfcn:solaris-shared:-fPIC:-shared:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
@@ -411,8 +411,7 @@ my %table=(
 "linux-s390x", "gcc:-DB_ENDIAN -DTERMIO -DNO_ASM -O3 -fomit-frame-pointer -Wall::-D_REENTRANT::-ldl:SIXTY_FOUR_BIT_LONG::::::::::dlfcn:linux-shared:-fPIC::.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
 "linux-ia64",   "gcc:-DL_ENDIAN -DTERMIO -O3 -fomit-frame-pointer -Wall::-D_REENTRANT::-ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK:asm/ia64.o::::asm/sha1-ia64.o::asm/rc4-ia64.o:::dlfcn:linux-shared:-fPIC::.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
 "linux-ia64-ecc",   "ecc:-DL_ENDIAN -DTERMIO -O2 -Wall -no_cpprt::-D_REENTRANT::-ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK:asm/ia64.o::::asm/sha1-ia64.o::asm/rc4-ia64.o:::dlfcn:linux-shared:-fPIC::.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
-"linux-x86_64", "gcc:-m64 -DL_ENDIAN -DTERMIO -O3 -Wall -DMD32_REG_T=int::-D_REENTRANT::-ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK BF_PTR2 DES_INT DES_UNROLL:asm/x86_64-gcc.o::::::asm/rc4-amd64.o:::dlfcn:linux-shared:-fPIC:-m64:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
-"linux-em64t", "gcc:-m64 -DL_ENDIAN -DTERMIO -O3 -Wall -DMD32_REG_T=int::-D_REENTRANT::-ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL:asm/x86_64-gcc.o:::::::::dlfcn:linux-shared:-fPIC:-m64:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
+"linux-x86_64", "gcc:-m64 -DL_ENDIAN -DTERMIO -O3 -Wall -DMD32_REG_T=int::-D_REENTRANT::-ldl:SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL:asm/x86_64-gcc.o::::::asm/rc4-x86_64.o:::dlfcn:linux-shared:-fPIC:-m64:.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
 "NetBSD-sparc",        "gcc:-DTERMIOS -O3 -fomit-frame-pointer -mv8 -Wall -DB_ENDIAN::(unknown):::BN_LLONG MD2_CHAR RC4_INDEX DES_UNROLL::::::::::dlfcn:bsd-gcc-shared:-fPIC::.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
 "NetBSD-m68",  "gcc:-DTERMIOS -O3 -fomit-frame-pointer -Wall -DB_ENDIAN::(unknown):::BN_LLONG MD2_CHAR RC4_INDEX DES_UNROLL::::::::::dlfcn:bsd-gcc-shared:-fPIC::.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
 "NetBSD-x86",  "gcc:-DTERMIOS -O3 -fomit-frame-pointer -m486 -Wall::(unknown):::BN_LLONG ${x86_gcc_des} ${x86_gcc_opts}::::::::::dlfcn:bsd-gcc-shared:-fPIC::.so.\$(SHLIB_MAJOR).\$(SHLIB_MINOR)",
diff --git a/TABLE b/TABLE
index fe4a2785c17e2046cd417a86d0b764f6ddd93671..f4185bf3b14dae5daa64820474860c671e8c4c83 100644 (file)
--- a/TABLE
+++ b/TABLE
@@ -3075,31 +3075,6 @@ $shared_extension = .so.$(SHLIB_MAJOR).$(SHLIB_MINOR)
 $ranlib       = 
 $arflags      = 
 
-*** linux-em64t
-$cc           = gcc
-$cflags       = -m64 -DL_ENDIAN -DTERMIO -O3 -Wall -DMD32_REG_T=int
-$unistd       = 
-$thread_cflag = -D_REENTRANT
-$sys_id       = 
-$lflags       = -ldl
-$bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL
-$bn_obj       = asm/x86_64-gcc.o
-$des_obj      = 
-$bf_obj       = 
-$md5_obj      = 
-$sha1_obj     = 
-$cast_obj     = 
-$rc4_obj      = 
-$rmd160_obj   = 
-$rc5_obj      = 
-$dso_scheme   = dlfcn
-$shared_target= linux-shared
-$shared_cflag = -fPIC
-$shared_ldflag = -m64
-$shared_extension = .so.$(SHLIB_MAJOR).$(SHLIB_MINOR)
-$ranlib       = 
-$arflags      = 
-
 *** linux-ia64
 $cc           = gcc
 $cflags       = -DL_ENDIAN -DTERMIO -O3 -fomit-frame-pointer -Wall
@@ -3507,14 +3482,14 @@ $unistd       =
 $thread_cflag = -D_REENTRANT
 $sys_id       = 
 $lflags       = -ldl
-$bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK BF_PTR2 DES_INT DES_UNROLL
+$bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL
 $bn_obj       = asm/x86_64-gcc.o
 $des_obj      = 
 $bf_obj       = 
 $md5_obj      = 
 $sha1_obj     = 
 $cast_obj     = 
-$rc4_obj      = asm/rc4-amd64.o
+$rc4_obj      = asm/rc4-x86_64.o
 $rmd160_obj   = 
 $rc5_obj      = 
 $dso_scheme   = dlfcn
@@ -4182,7 +4157,7 @@ $unistd       =
 $thread_cflag = -D_REENTRANT
 $sys_id       = 
 $lflags       = -lsocket -lnsl -ldl
-$bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK BF_PTR2 DES_INT DES_UNROLL
+$bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL
 $bn_obj       = 
 $des_obj      = 
 $bf_obj       = 
@@ -4207,14 +4182,14 @@ $unistd       =
 $thread_cflag = -D_REENTRANT
 $sys_id       = 
 $lflags       = -lsocket -lnsl -ldl
-$bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK BF_PTR2 DES_INT DES_UNROLL
+$bn_ops       = SIXTY_FOUR_BIT_LONG RC4_CHUNK RC4_CHAR BF_PTR2 DES_INT DES_UNROLL
 $bn_obj       = asm/x86_64-gcc.o
 $des_obj      = 
 $bf_obj       = 
 $md5_obj      = 
 $sha1_obj     = 
 $cast_obj     = 
-$rc4_obj      = asm/rc4-amd64.o
+$rc4_obj      = asm/rc4-x86_64.o
 $rmd160_obj   = 
 $rc5_obj      = 
 $dso_scheme   = dlfcn
index b9f9f4b48843ada3ac4ac28ec712256b65761668..0b2f734e439c337a6f4d6cd345c8cd6e5f233b74 100644 (file)
@@ -66,7 +66,7 @@ asm/rx86bsdi.o: asm/rx86unix.cpp
 asm/rx86unix.cpp: asm/rc4-586.pl ../perlasm/x86asm.pl
        (cd asm; $(PERL) rc4-586.pl cpp >rx86unix.cpp)
 
-asm/rc4-amd64.s: asm/rc4-amd64.pl;     $(PERL) asm/rc4-amd64.pl $@
+asm/rc4-x86_64.s: asm/rc4-x86_64.pl;   $(PERL) asm/rc4-x86_64.pl $@
 
 asm/rc4-ia64.s: asm/rc4-ia64.S
        $(CC) $(CFLAGS) -E asm/rc4-ia64.S > $@
diff --git a/crypto/rc4/asm/rc4-amd64.pl b/crypto/rc4/asm/rc4-amd64.pl
deleted file mode 100755 (executable)
index 9e0da8a..0000000
+++ /dev/null
@@ -1,227 +0,0 @@
-#!/usr/bin/env perl
-#
-# ====================================================================
-# Written by Andy Polyakov <appro@fy.chalmers.se> for the OpenSSL
-# project. Rights for redistribution and usage in source and binary
-# forms are granted according to the OpenSSL license.
-# ====================================================================
-#
-# 2.22x RC4 tune-up:-) It should be noted though that my hand [as in
-# "hand-coded assembler"] doesn't stand for the whole improvement
-# coefficient. It turned out that eliminating RC4_CHAR from config
-# line results in ~40% improvement (yes, even for C implementation).
-# Presumably it has everything to do with AMD cache architecture and
-# RAW or whatever penalties. Once again! The module *requires* config
-# line *without* RC4_CHAR! As for coding "secret," I bet on partial
-# register arithmetics. For example instead of 'inc %r8; and $255,%r8'
-# I simply 'inc %r8b'. Even though optimization manual discourages
-# to operate on partial registers, it turned out to be the best bet.
-# At least for AMD... How IA32E would perform remains to be seen...
-
-# As was shown by Marc Bevand reordering of couple of load operations
-# results in even higher performance gain of 3.3x:-) At least on
-# Opteron... For reference, 1x in this case is RC4_CHAR C-code
-# compiled with gcc 3.3.2, which performs at ~54MBps per 1GHz clock.
-# Latter means that if you want to *estimate* what to expect from
-# *your* CPU, then multiply 54 by 3.3 and clock frequency in GHz.
-
-# Intel P4 EM64T core was found to run the AMD64 code really slow...
-# The only way to achieve comparable performance on P4 is to keep
-# RC4_CHAR. Kind of ironic, huh? As it's apparently impossible to
-# compose blended code, which would perform even within 30% marginal
-# on either AMD and Intel platforms, I implement both cases. See
-# rc4_skey.c for further details... This applies to 0.9.8 and later.
-# In 0.9.7 context RC4_CHAR codepath is never engaged and ~70 bytes
-# of code remain redundant.
-
-$output=shift;
-
-$win64a=1 if ($output =~ /win64a.[s|asm]/);
-
-open STDOUT,">$output" || die "can't open $output: $!";
-
-if (defined($win64a)) {
-    $dat="%rcx";       # arg1
-    $len="%rdx";       # arg2
-    $inp="%rsi";       # r8, arg3 moves here
-    $out="%rdi";       # r9, arg4 moves here
-} else {
-    $dat="%rdi";       # arg1
-    $len="%rsi";       # arg2
-    $inp="%rdx";       # arg3
-    $out="%rcx";       # arg4
-}
-
-$XX="%r10";
-$TX="%r8";
-$YY="%r11";
-$TY="%r9";
-
-sub PTR() {
-    my $ret=shift;
-    if (defined($win64a)) {
-       $ret =~ s/\[([\S]+)\+([\S]+)\]/[$2+$1]/g;   # [%rN+%rM*4]->[%rM*4+%rN]
-       $ret =~ s/:([^\[]+)\[([^\]]+)\]/:[$2+$1]/g; # :off[ea]->:[ea+off]
-    } else {
-       $ret =~ s/[\+\*]/,/g;           # [%rN+%rM*4]->[%rN,%rM,4]
-       $ret =~ s/\[([^\]]+)\]/($1)/g;  # [%rN]->(%rN)
-    }
-    $ret;
-}
-
-$code=<<___ if (!defined($win64a));
-.text
-
-.globl RC4
-.type  RC4,\@function
-.align 16
-RC4:   or      $len,$len
-       jne     .Lentry
-       repret
-.Lentry:
-___
-$code=<<___ if (defined($win64a));
-_TEXT  SEGMENT
-PUBLIC RC4
-ALIGN  16
-RC4    PROC
-       or      $len,$len
-       jne     .Lentry
-       repret
-.Lentry:
-       push    %rdi
-       push    %rsi
-       sub     \$40,%rsp
-       mov     %r8,$inp
-       mov     %r9,$out
-___
-$code.=<<___;
-       add     \$8,$dat
-       movl    `&PTR("DWORD:-8[$dat]")`,$XX#d
-       movl    `&PTR("DWORD:-4[$dat]")`,$YY#d
-       cmpl    \$-1,`&PTR("DWORD:256[$dat]")`
-       je      .LRC4_CHAR
-       test    \$-8,$len
-       jz      .Lloop1
-.align 16
-.Lloop8:
-       inc     $XX#b
-       movl    `&PTR("DWORD:[$dat+$XX*4]")`,$TX#d
-       add     $TX#b,$YY#b
-       movl    `&PTR("DWORD:[$dat+$YY*4]")`,$TY#d
-       movl    $TX#d,`&PTR("DWORD:[$dat+$YY*4]")`
-       movl    $TY#d,`&PTR("DWORD:[$dat+$XX*4]")`
-       add     $TX#b,$TY#b
-       inc     $XX#b
-       movl    `&PTR("DWORD:[$dat+$XX*4]")`,$TX#d
-       movb    `&PTR("BYTE:[$dat+$TY*4]")`,%al
-___
-for ($i=1;$i<=6;$i++) {
-$code.=<<___;
-       add     $TX#b,$YY#b
-       ror     \$8,%rax
-       movl    `&PTR("DWORD:[$dat+$YY*4]")`,$TY#d
-       movl    $TX#d,`&PTR("DWORD:[$dat+$YY*4]")`
-       movl    $TY#d,`&PTR("DWORD:[$dat+$XX*4]")`
-       add     $TX#b,$TY#b
-       inc     $XX#b
-       movl    `&PTR("DWORD:[$dat+$XX*4]")`,$TX#d
-       movb    `&PTR("BYTE:[$dat+$TY*4]")`,%al
-___
-}
-$code.=<<___;
-       add     $TX#b,$YY#b
-       ror     \$8,%rax
-       movl    `&PTR("DWORD:[$dat+$YY*4]")`,$TY#d
-       movl    $TX#d,`&PTR("DWORD:[$dat+$YY*4]")`
-       movl    $TY#d,`&PTR("DWORD:[$dat+$XX*4]")`
-       sub     \$8,$len
-       add     $TY#b,$TX#b
-       movb    `&PTR("BYTE:[$dat+$TX*4]")`,%al
-       ror     \$8,%rax
-       add     \$8,$inp
-       add     \$8,$out
-
-       xor     `&PTR("QWORD:-8[$inp]")`,%rax
-       mov     %rax,`&PTR("QWORD:-8[$out]")`
-
-       test    \$-8,$len
-       jnz     .Lloop8
-       cmp     \$0,$len
-       jne     .Lloop1
-.Lexit:
-       movl    $XX#d,`&PTR("DWORD:-8[$dat]")`
-       movl    $YY#d,`&PTR("DWORD:-4[$dat]")`
-___
-$code.=<<___ if (defined($win64a));
-       add     \$40,%rsp
-       pop     %rsi
-       pop     %rdi
-___
-$code.=<<___;
-       repret
-.align 16
-.Lloop1:
-       movzb   `&PTR("BYTE:[$inp]")`,%eax
-       inc     $XX#b
-       movl    `&PTR("DWORD:[$dat+$XX*4]")`,$TX#d
-       add     $TX#b,$YY#b
-       movl    `&PTR("DWORD:[$dat+$YY*4]")`,$TY#d
-       movl    $TX#d,`&PTR("DWORD:[$dat+$YY*4]")`
-       movl    $TY#d,`&PTR("DWORD:[$dat+$XX*4]")`
-       add     $TY#b,$TX#b
-       movl    `&PTR("DWORD:[$dat+$TX*4]")`,$TY#d
-       xor     $TY,%rax
-       inc     $inp
-       movb    %al,`&PTR("BYTE:[$out]")`
-       inc     $out
-       dec     $len
-       jnz     .Lloop1
-       jmp     .Lexit
-
-.align 16
-.LRC4_CHAR:
-       inc     $XX#b
-       movzb   `&PTR("BYTE:[$dat+$XX]")`,$TX#d
-       add     $TX#b,$YY#b
-       movzb   `&PTR("BYTE:[$dat+$YY]")`,$TY#d
-       movb    $TX#b,`&PTR("BYTE:[$dat+$YY]")`
-       movb    $TY#b,`&PTR("BYTE:[$dat+$XX]")`
-       add     $TX#b,$TY#b
-       movzb   `&PTR("BYTE:[$dat+$TY]")`,$TY#d
-       xorb    `&PTR("BYTE:[$inp]")`,$TY#b
-       movb    $TY#b,`&PTR("BYTE:[$out]")`
-       inc     $inp
-       inc     $out
-       dec     $len
-       jnz     .LRC4_CHAR
-       jmp     .Lexit
-___
-$code.=<<___ if (defined($win64a));
-RC4    ENDP
-_TEXT  ENDS
-END
-___
-$code.=<<___ if (!defined($win64a));
-.size  RC4,.-RC4
-___
-
-$code =~ s/#([bwd])/$1/gm;
-$code =~ s/\`([^\`]*)\`/eval $1/gem;
-
-if (defined($win64a)) {
-    $code =~ s/\.align/ALIGN/gm;
-    $code =~ s/[\$%]//gm;
-    $code =~ s/\.L/\$L/gm;
-    $code =~ s/([\w]+)([\s]+)([\S]+),([\S]+)/$1$2$4,$3/gm;
-    $code =~ s/([QD]*WORD|BYTE):/$1 PTR/gm;
-    $code =~ s/mov[bwlq]/mov/gm;
-    $code =~ s/movzb/movzx/gm;
-    $code =~ s/repret/DB\t0F3h,0C3h/gm;
-    $code =~ s/cmpl/cmp/gm;
-    $code =~ s/xorb/xor/gm;
-} else {
-    $code =~ s/([QD]*WORD|BYTE)://gm;
-    $code =~ s/repret/.byte\t0xF3,0xC3/gm;
-}
-print $code;
index 4b990cba077e21ac5233724af0e1f1d9d1045dcf..b628daca7053b2b5b94d0b6ef182e628c97d89e5 100755 (executable)
@@ -6,51 +6,25 @@
 # forms are granted according to the OpenSSL license.
 # ====================================================================
 #
-# 2.22x RC4 tune-up:-) It should be noted though that my hand [as in
-# "hand-coded assembler"] doesn't stand for the whole improvement
-# coefficient. It turned out that eliminating RC4_CHAR from config
-# line results in ~40% improvement (yes, even for C implementation).
-# Presumably it has everything to do with AMD cache architecture and
-# RAW or whatever penalties. Once again! The module *requires* config
-# line *without* RC4_CHAR! As for coding "secret," I bet on partial
-# register arithmetics. For example instead of 'inc %r8; and $255,%r8'
-# I simply 'inc %r8b'. Even though optimization manual discourages
-# to operate on partial registers, it turned out to be the best bet.
-# At least for AMD... How IA32E would perform remains to be seen...
-
-# As was shown by Marc Bevand reordering of couple of load operations
-# results in even higher performance gain of 3.3x:-) At least on
-# Opteron... For reference, 1x in this case is RC4_CHAR C-code
-# compiled with gcc 3.3.2, which performs at ~54MBps per 1GHz clock.
-# Latter means that if you want to *estimate* what to expect from
-# *your* Opteron, then multiply 54 by 3.3 and clock frequency in GHz.
-
-# Intel P4 EM64T core was found to run the AMD64 code really slow...
-# The only way to achieve comparable performance on P4 was to keep
-# RC4_CHAR. Kind of ironic, huh? As it's apparently impossible to
-# compose blended code, which would perform even within 30% marginal
-# on either AMD and Intel platforms, I implement both cases. See
-# rc4_skey.c for further details...
-
-# P4 EM64T core appears to be "allergic" to 64-bit inc/dec. Replacing 
-# those with add/sub results in 50% performance improvement of folded
-# loop...
-
-# As was shown by Zou Nanhai loop unrolling can improve Intel EM64T
-# performance by >30% [unlike P4 32-bit case that is]. But this is
-# provided that loads are reordered even more aggressively! Both code
-# pathes, AMD64 and EM64T, reorder loads in essentially same manner
-# as my IA-64 implementation. On Opteron this resulted in modest 5%
-# improvement [I had to test it], while final Intel P4 performance
-# achieves respectful 432MBps on 2.8GHz processor now. For reference.
-# If executed on Xeon, current RC4_CHAR code-path is 2.7x faster than
-# RC4_INT code-path. While if executed on Opteron, it's only 25%
-# slower than the RC4_INT one [meaning that if CPU ยต-arch detection
-# is not implemented, then this final RC4_CHAR code-path should be
-# preferred, as it provides better *all-round* performance].
+# Unlike 0.9.7f this code expects RC4_CHAR back in config line! See
+# commentary section in corresponding script in development branch
+# for background information about this option carousel. For those
+# who don't have energy to figure out these gory details, here is
+# basis in form of performance matrix relative to the original
+# 0.9.7e C code-base:
+#
+#              0.9.7e  0.9.7f  this
+# AMD64                1x      3.3x    2.4x
+# EM64T                1x      0.8x    1.5x
+#
+# In other words idea is to trade -25% AMD64 performance to compensate
+# for deterioration and gain +90% on EM64T core. Development branch
+# maintains best performance for either target, i.e. 3.3x for AMD64
+# and 1.5x for EM64T.
 
 $output=shift;
-open STDOUT,"| $^X ../perlasm/x86_64-xlate.pl $output";
+
+open STDOUT,">$output" || die "can't open $output: $!";
 
 $dat="%rdi";       # arg1
 $len="%rsi";       # arg2
@@ -62,99 +36,29 @@ $out="%rcx";            # arg4
 $YY="%r12";
 $TY="%r13";
 
-$code=<<___;
+$code=<<___;;
 .text
 
 .globl RC4
-.type  RC4,\@function,4
+.type  RC4,\@function
 .align 16
 RC4:   or      $len,$len
        jne     .Lentry
-       ret
+       repret
 .Lentry:
        push    %r12
        push    %r13
 
-       add     \$8,$dat
-       movl    -8($dat),$XX[0]#d
-       movl    -4($dat),$YY#d
-       cmpl    \$-1,256($dat)
-       je      .LRC4_CHAR
-       inc     $XX[0]#b
-       movl    ($dat,$XX[0],4),$TX[0]#d
-       test    \$-8,$len
-       jz      .Lloop1
-       jmp     .Lloop8
-.align 16
-.Lloop8:
-___
-for ($i=0;$i<8;$i++) {
-$code.=<<___;
-       add     $TX[0]#b,$YY#b
-       mov     $XX[0],$XX[1]
-       movl    ($dat,$YY,4),$TY#d
-       ror     \$8,%rax                        # ror is redundant when $i=0
-       inc     $XX[1]#b
-       movl    ($dat,$XX[1],4),$TX[1]#d
-       cmp     $XX[1],$YY
-       movl    $TX[0]#d,($dat,$YY,4)
-       cmove   $TX[0],$TX[1]
-       movl    $TY#d,($dat,$XX[0],4)
-       add     $TX[0]#b,$TY#b
-       movb    ($dat,$TY,4),%al
-___
-push(@TX,shift(@TX)); push(@XX,shift(@XX));    # "rotate" registers
-}
-$code.=<<___;
-       ror     \$8,%rax
-       sub     \$8,$len
-
-       xor     ($inp),%rax
-       add     \$8,$inp
-       mov     %rax,($out)
-       add     \$8,$out
+       add     \$2,$dat
+       movzb   -2($dat),$XX[0]#d
+       movzb   -1($dat),$YY#d
 
-       test    \$-8,$len
-       jnz     .Lloop8
-       cmp     \$0,$len
-       jne     .Lloop1
-___
-$code.=<<___;
-.Lexit:
-       sub     \$1,$XX[0]#b
-       movl    $XX[0]#d,-8($dat)
-       movl    $YY#d,-4($dat)
-
-       pop     %r13
-       pop     %r12
-       ret
-.align 16
-.Lloop1:
-       add     $TX[0]#b,$YY#b
-       movl    ($dat,$YY,4),$TY#d
-       movl    $TX[0]#d,($dat,$YY,4)
-       movl    $TY#d,($dat,$XX[0],4)
-       add     $TY#b,$TX[0]#b
-       inc     $XX[0]#b
-       movl    ($dat,$TX[0],4),$TY#d
-       movl    ($dat,$XX[0],4),$TX[0]#d
-       xorb    ($inp),$TY#b
-       inc     $inp
-       movb    $TY#b,($out)
-       inc     $out
-       dec     $len
-       jnz     .Lloop1
-       jmp     .Lexit
-
-.align 16
-.LRC4_CHAR:
        add     \$1,$XX[0]#b
        movzb   ($dat,$XX[0]),$TX[0]#d
        test    \$-8,$len
        jz      .Lcloop1
        push    %rbx
-       jmp     .Lcloop8
-.align 16
+.align 16      # incidentally aligned already
 .Lcloop8:
        mov     ($inp),%eax
        mov     4($inp),%ebx
@@ -210,9 +114,15 @@ $code.=<<___;
        pop     %rbx
        cmp     \$0,$len
        jne     .Lcloop1
-       jmp     .Lexit
-___
-$code.=<<___;
+.Lexit:
+       sub     \$1,$XX[0]#b
+       movb    $XX[0]#b,-2($dat)
+       movb    $YY#b,-1($dat)
+
+       pop     %r13
+       pop     %r12
+       repret
+
 .align 16
 .Lcloop1:
        add     $TX[0]#b,$YY#b
@@ -235,6 +145,6 @@ ___
 
 $code =~ s/#([bwd])/$1/gm;
 
-print $code;
+$code =~ s/repret/.byte\t0xF3,0xC3/gm;
 
-close STDOUT;
+print $code;