IA64 RC4 update from HEAD [see commentary in HEAD for details].
authorAndy Polyakov <appro@openssl.org>
Sun, 26 Jun 2005 16:25:25 +0000 (16:25 +0000)
committerAndy Polyakov <appro@openssl.org>
Sun, 26 Jun 2005 16:25:25 +0000 (16:25 +0000)
PR: 1114

crypto/rc4/Makefile
crypto/rc4/asm/rc4-ia64.S
crypto/rc4/rc4.h
crypto/rc4/rc4_enc.c
crypto/rc4/rc4_skey.c

index 0b2f734e439c337a6f4d6cd345c8cd6e5f233b74..c1381883608b51b6ed5ad28dd5c981a631bf30ce 100644 (file)
@@ -69,7 +69,11 @@ asm/rx86unix.cpp: asm/rc4-586.pl ../perlasm/x86asm.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 > $@
+       @case `awk '/^#define RC4_INT/{print$$NF}' $(TOP)/include/openssl/opensslconf.h` in \
+       int)    set -x; $(CC) $(CFLAGS) -DSZ=4 -E asm/rc4-ia64.S > $@ ;; \
+       char)   set -x; $(CC) $(CFLAGS) -DSZ=1 -E asm/rc4-ia64.S > $@ ;; \
+       *)      exit 1 ;; \
+       esac
 
 files:
        $(PERL) $(TOP)/util/files.pl Makefile >> $(TOP)/MINFO
index b517d2e88f18f0f214212125728ec5358bca2785..a322d0c718e50f14c99e6ea666311b7d3524edd1 100644 (file)
@@ -7,7 +7,7 @@
 // disclaimed.
 // ====================================================================
 
-.ident  "rc4-ia64.S, Version 1.1"
+.ident  "rc4-ia64.S, Version 2.0"
 .ident  "IA-64 ISA artwork by Andy Polyakov <appro@fy.chalmers.se>"
 
 // What's wrong with compiler generated code? Because of the nature of
 // Legitimate "collisions" do occur within every 256^2 bytes window.
 // Fortunately there're enough free instruction slots to keep prior
 // reference to key[x+1], detect "collision" and compensate for it.
-// All this without sacrificing a single clock cycle:-)
-// Furthermore. In order to compress loop body to the minimum, I chose
-// to deploy deposit instruction, which substitutes for the whole
-// key->data+((x&255)<<log2(sizeof(key->data[0]))). This unfortunately
-// requires key->data to be aligned at sizeof(key->data) boundary.
-// This is why you'll find "RC4_INT pad[512-256-2];" addenum to RC4_KEY
-// and "d=(RC4_INT *)(((size_t)(d+255))&~(sizeof(key->data)-1));" in
-// rc4_skey.c [and rc4_enc.c, where it's retained for debugging
-// purposes]. Throughput is ~210MBps on 900MHz CPU, which is is >3x
-// faster than gcc generated code and +30% - if compared to HP-UX C.
-// Unrolling loop below should give >30% on top of that...
+// All this without sacrificing a single clock cycle:-) Throughput is
+// ~210MBps on 900MHz CPU, which is is >3x faster than gcc generated
+// code and +30% - if compared to HP-UX C. Unrolling loop below should
+// give >30% on top of that...
 
 .text
 .explicit
@@ -48,7 +41,9 @@
 # define ADDP  add
 #endif
 
+#ifndef SZ
 #define SZ     4       // this is set to sizeof(RC4_INT)
+#endif
 // SZ==4 seems to be optimal. At least SZ==8 is not any faster, not for
 // assembler implementation, while SZ==1 code is ~30% slower.
 #if SZ==1      // RC4_INT is unsigned char
@@ -101,45 +96,53 @@ RC4:
        ADDP    out=0,in3
        brp.loop.imp    .Ltop,.Lexit-16 };;
 { .mmi;        LDKEY   yy=[key]                        // load key->y
-       add     ksch=(255+1)*SZ,key             // as ksch will be used with
-                                               // deposit instruction only,
-                                               // I don't have to &~255...
+       add     ksch=SZ,key
        mov     ar.lc=in1               }
 { .mmi;        mov     key_y[1]=r0                     // guarantee inequality
                                                // in first iteration
        add     xx=1,xx
        mov     pr.rot=1<<16            };;
 { .mii;        nop.m   0
-       dep     key_x[1]=xx,ksch,OFF,8
+       dep     key_x[1]=xx,r0,OFF,8
        mov     ar.ec=3                 };;     // note that epilogue counter
                                                // is off by 1. I compensate
                                                // for this at exit...
 .Ltop:
-// The loop is scheduled for 3*(n+2) spin-rate on Itanium 2, which
+// The loop is scheduled for 4*(n+2) spin-rate on Itanium 2, which
 // theoretically gives asymptotic performance of clock frequency
-// divided by 3 bytes per seconds, or 500MBps on 1.5GHz CPU. Measured
-// performance however is distinctly lower than 1/4:-( The culplrit
-// seems to be *(out++)=dat, which inadvertently splits the bundle,
-// even though there is M-port available... Unrolling is due...
-// Unrolled loop should collect output with variable shift instruction
-// in order to avoid starvation for integer shifter... It should be
-// possible to get pretty close to theoretical peak...
-{ .mmi;        (p16)   LDKEY   tx[0]=[key_x[1]]                // tx=key[xx]
-       (p17)   LDKEY   ty[0]=[key_y[1]]                // ty=key[yy]   
-       (p18)   dep     rnd[1]=rnd[1],ksch,OFF,8}       // &key[(tx+ty)&255]
+// divided by 4 bytes per seconds, or 400MBps on 1.6GHz CPU. This is
+// for sizeof(RC4_INT)==4. For smaller RC4_INT STKEY inadvertently
+// splits the last bundle and you end up with 5*n spin-rate:-(
+// Originally the loop was scheduled for 3*n and relied on key
+// schedule to be aligned at 256*sizeof(RC4_INT) boundary. But
+// *(out++)=dat, which maps to st1, had same effect [inadvertent
+// bundle split] and holded the loop back. Rescheduling for 4*n
+// made it possible to eliminate dependence on specific alignment
+// and allow OpenSSH keep "abusing" our API. Reaching for 3*n would
+// require unrolling, sticking to variable shift instruction for
+// collecting output [to avoid starvation for integer shifter] and
+// copying of key schedule to controlled place in stack [so that
+// deposit instruction can serve as substitute for whole
+// key->data+((x&255)<<log2(sizeof(key->data[0])))]...
 { .mmi;        (p19)   st1     [out]=dat[3],1                  // *(out++)=dat
        (p16)   add     xx=1,xx                         // x++
-       (p16)   cmp.ne.unc p20,p21=key_x[1],key_y[1]    };;
+       (p18)   dep     rnd[1]=rnd[1],r0,OFF,8  }       // ((tx+ty)&255)<<OFF
+{ .mmi;        (p16)   add     key_x[1]=ksch,key_x[1]          // &key[xx&255]
+       (p17)   add     key_y[1]=ksch,key_y[1]  };;     // &key[yy&255] 
+{ .mmi;        (p16)   LDKEY   tx[0]=[key_x[1]]                // tx=key[xx]
+       (p17)   LDKEY   ty[0]=[key_y[1]]                // ty=key[yy]   
+       (p16)   dep     key_x[0]=xx,r0,OFF,8    }       // (xx&255)<<OFF
+{ .mmi;        (p18)   add     rnd[1]=ksch,rnd[1]              // &key[(tx+ty)&255]
+       (p16)   cmp.ne.unc p20,p21=key_x[1],key_y[1] };;
 { .mmi;        (p18)   LDKEY   rnd[1]=[rnd[1]]                 // rnd=key[(tx+ty)&255]
-       (p16)   ld1     dat[0]=[inp],1                  // dat=*(inp++)
-       (p16)   dep     key_x[0]=xx,ksch,OFF,8  }       // &key[xx&255]
+       (p16)   ld1     dat[0]=[inp],1          }       // dat=*(inp++)
 .pred.rel      "mutex",p20,p21
 { .mmi;        (p21)   add     yy=yy,tx[1]                     // (p16)
        (p20)   add     yy=yy,tx[0]                     // (p16) y+=tx
        (p21)   mov     tx[0]=tx[1]             };;     // (p16)
 { .mmi;        (p17)   STKEY   [key_y[1]]=tx[1]                // key[yy]=tx
        (p17)   STKEY   [key_x[2]]=ty[0]                // key[xx]=ty
-       (p16)   dep     key_y[0]=yy,ksch,OFF,8  }       // &key[yy&255]
+       (p16)   dep     key_y[0]=yy,r0,OFF,8    }       // &key[yy&255]
 { .mmb;        (p17)   add     rnd[0]=tx[1],ty[0]              // tx+=ty
        (p18)   xor     dat[2]=dat[2],rnd[1]            // dat^=rnd
        br.ctop.sptk    .Ltop                   };;
index dd90d9fde0956d709b4136af7f079f5bbfa4ee97..ae0cea75b8e40720e4ee7027096d1250f601464b 100644 (file)
@@ -73,10 +73,6 @@ typedef struct rc4_key_st
        {
        RC4_INT x,y;
        RC4_INT data[256];
-#if defined(__ia64) || defined(__ia64__) || defined(_M_IA64)
-       /* see crypto/rc4/asm/rc4-ia64.S for further details... */
-       RC4_INT pad[512-256-2];
-#endif
        } RC4_KEY;
 
  
index 81a97ea3b7c2f8acdbeb47701c962342fb8e35bf..d5f18a3a707040a30801dcc7344d001bb5b214fb 100644 (file)
@@ -77,10 +77,6 @@ void RC4(RC4_KEY *key, unsigned long len, const unsigned char *indata,
         x=key->x;     
         y=key->y;     
         d=key->data; 
-#if defined(__ia64) || defined(__ia64__) || defined(_M_IA64)
-       /* see crypto/rc4/asm/rc4-ia64.S for further details... */
-       d=(RC4_INT *)(((size_t)(d+255))&~(sizeof(key->data)-1));
-#endif
 
 #if defined(RC4_CHUNK)
        /*
index 0fca2e1a524adc3175b4bce0b3a490d9146a9f79..60510624fd853962acf12143daa619878479d100 100644 (file)
@@ -95,10 +95,6 @@ FIPS_NON_FIPS_VCIPHER_Init(RC4)
         unsigned int i;
         
         d= &(key->data[0]);
-#if defined(__ia64) || defined(__ia64__) || defined(_M_IA64)
-       /* see crypto/rc4/asm/rc4-ia64.S for further details... */
-       d=(RC4_INT *)(((size_t)(d+255))&~(sizeof(key->data)-1));
-#endif
 
        for (i=0; i<256; i++)
                d[i]=i;