/*
 * Calculate the checksum of data that is 16 byte aligned and a multiple of
 * 16 bytes.
 *
 * The first step is to reduce it to 1024 bits. We do this in 8 parallel
 * chunks in order to mask the latency of the vpmsum instructions. If we
 * have more than 32 kB of data to checksum we repeat this step multiple
 * times, passing in the previous 1024 bits.
 *
 * The next step is to reduce the 1024 bits to 64 bits. This step adds
 * 32 bits of 0s to the end - this matches what a CRC does. We just
 * calculate constants that land the data in this 32 bits.
 *
 * We then use fixed point Barrett reduction to compute a mod n over GF(2)
 * for n = CRC using POWER8 instructions. We use x = 32.
 *
 * http://en.wikipedia.org/wiki/Barrett_reduction
 *
 * This code uses gcc vector builtins instead using assembly directly.
 *
 * Copyright (C) 2017 Rogerio Alves <rogealve@br.ibm.com>, IBM
 *
 * This program is free software; you can redistribute it and/or
 * modify it under the terms of either:
 *
 *  a) the GNU General Public License as published by the Free Software
 *     Foundation; either version 2 of the License, or (at your option)
 *     any later version, or
 *  b) the Apache License, Version 2.0
 */
#include <stddef.h>
#include <altivec.h>


#define VMX_ALIGN 16
#define VMX_ALIGN_MASK (VMX_ALIGN-1)

#ifdef REFLECT
static unsigned int crc32_align(unsigned int crc, const unsigned char *p,
          unsigned long len)
{
 while (len--)
  crc = crc_table[(crc ^ *p++) & 0xff] ^ (crc >> 8);
 return crc;
}
#else
static unsigned int crc32_align(unsigned int crc, const unsigned char *p,
    unsigned long len)
{
 while (len--)
  crc = crc_table[((crc >> 24) ^ *p++) & 0xff] ^ (crc << 8);
 return crc;
}
#endif

static unsigned int __attribute__ ((aligned (32)))
__crc32_vpmsum(unsigned int crc, const void* p, unsigned long len);


unsigned CRC32_FUNCTION(unsigned crc, const void *buffer, size_t len)
{
 unsigned int prealign;
 unsigned int tail;

 const unsigned char *p = buffer;

#ifdef CRC_XOR
 crc ^= 0xffffffff;
#endif

 if (len < VMX_ALIGN + VMX_ALIGN_MASK) {
  crc = crc32_align(crc, p, len);
  goto out;
 }

 if ((unsigned long)p & VMX_ALIGN_MASK) {
  prealign = VMX_ALIGN - ((unsigned long)p & VMX_ALIGN_MASK);
  crc = crc32_align(crc, p, prealign);
  len -= prealign;
  p += prealign;
 }

 crc = __crc32_vpmsum(crc, p, len & ~VMX_ALIGN_MASK);

 tail = len & VMX_ALIGN_MASK;
 if (tail) {
  p += len & ~VMX_ALIGN_MASK;
  crc = crc32_align(crc, p, tail);
 }

out:
#ifdef CRC_XOR
 crc ^= 0xffffffff;
#endif

 return crc;
}

#if defined (__clang__)
#include "clang_workaround.h"
#else
#define __builtin_pack_vector(a, b)  __builtin_pack_vector_int128 ((a), (b))
#define __builtin_unpack_vector_0(a) __builtin_unpack_vector_int128 ((vector __int128_t)(a), 0)
#define __builtin_unpack_vector_1(a) __builtin_unpack_vector_int128 ((vector __int128_t)(a), 1)
#endif

/* When we have a load-store in a single-dispatch group and address overlap
 * such that forward is not allowed (load-hit-store) the group must be flushed.
 * A group ending NOP prevents the flush.
 */
#define GROUP_ENDING_NOP asm("ori 2,2,0" ::: "memory")

#if defined(__BIG_ENDIAN__) && defined (REFLECT)
#define BYTESWAP_DATA
#elif defined(__LITTLE_ENDIAN__) && !defined(REFLECT)
#define BYTESWAP_DATA
#endif

#ifdef BYTESWAP_DATA
#define VEC_PERM(vr, va, vb, vc) vr = vec_perm(va, vb,\
   (__vector unsigned char) vc)
#if defined(__LITTLE_ENDIAN__)
/* Byte reverse permute constant LE. */
static const __vector unsigned long long vperm_const
 __attribute__ ((aligned(16))) = { 0x08090A0B0C0D0E0FUL,
   0x0001020304050607UL };
#else
static const __vector unsigned long long vperm_const
 __attribute__ ((aligned(16))) = { 0x0F0E0D0C0B0A0908UL,
   0X0706050403020100UL };
#endif
#else
#define VEC_PERM(vr, va, vb, vc)
#endif

static unsigned int __attribute__ ((aligned (32)))
__crc32_vpmsum(unsigned int crc, const void* p, unsigned long len) {

 const __vector unsigned long long vzero = {0,0};
 const __vector unsigned long long vones = {0xffffffffffffffffUL,
  0xffffffffffffffffUL};

#ifdef REFLECT
 __vector unsigned char vsht_splat;
 const __vector unsigned long long vmask_32bit =
  (__vector unsigned long long)vec_sld((__vector unsigned char)vzero,
   (__vector unsigned char)vones, 4);
#endif

 const __vector unsigned long long vmask_64bit =
  (__vector unsigned long long)vec_sld((__vector unsigned char)vzero,
   (__vector unsigned char)vones, 8);

 __vector unsigned long long vcrc;

 __vector unsigned long long vconst1, vconst2;

 /* vdata0-vdata7 will contain our data (p). */
 __vector unsigned long long vdata0, vdata1, vdata2, vdata3, vdata4,
  vdata5, vdata6, vdata7;

 /* v0-v7 will contain our checksums */
 __vector unsigned long long v0 = {0,0};
 __vector unsigned long long v1 = {0,0};
 __vector unsigned long long v2 = {0,0};
 __vector unsigned long long v3 = {0,0};
 __vector unsigned long long v4 = {0,0};
 __vector unsigned long long v5 = {0,0};
 __vector unsigned long long v6 = {0,0};
 __vector unsigned long long v7 = {0,0};


 /* Vector auxiliary variables. */
 __vector unsigned long long va0, va1, va2, va3, va4, va5, va6, va7;

 unsigned int result = 0;
 unsigned int offset; /* Constant table offset. */

 unsigned long i; /* Counter. */
 unsigned long chunks;

 unsigned long block_size;
 int next_block = 0;

 /* Align by 128 bits. The last 128 bit block will be processed at end. */
 unsigned long length = len & 0xFFFFFFFFFFFFFF80UL;

#ifdef REFLECT
 vcrc = (__vector unsigned long long)__builtin_pack_vector(0UL, crc);
#else
 vcrc = (__vector unsigned long long)__builtin_pack_vector(crc, 0UL);

 /* Shift into top 32 bits */
 vcrc = (__vector unsigned long long)vec_sld((__vector unsigned char)vcrc,
        (__vector unsigned char)vzero, 4);
#endif

 /* Short version. */
 if (len < 256) {
  /* Calculate where in the constant table we need to start. */
  offset = 256 - len;

  vconst1 = vec_ld(offset, vcrc_short_const);
  vdata0 = vec_ld(0, (__vector unsigned long long*) p);
  VEC_PERM(vdata0, vdata0, vconst1, vperm_const);

  /* xor initial value*/
  vdata0 = vec_xor(vdata0, vcrc);

  vdata0 = (__vector unsigned long long) __builtin_crypto_vpmsumw
    ((__vector unsigned int)vdata0, (__vector unsigned int)vconst1);
  v0 = vec_xor(v0, vdata0);

  for (i = 16; i < len; i += 16) {
   vconst1 = vec_ld(offset + i, vcrc_short_const);
   vdata0 = vec_ld(i, (__vector unsigned long long*) p);
   VEC_PERM(vdata0, vdata0, vconst1, vperm_const);
   vdata0 = (__vector unsigned long long) __builtin_crypto_vpmsumw
    ((__vector unsigned int)vdata0, (__vector unsigned int)vconst1);
   v0 = vec_xor(v0, vdata0);
  }
 } else {

  /* Load initial values. */
  vdata0 = vec_ld(0, (__vector unsigned long long*) p);
  vdata1 = vec_ld(16, (__vector unsigned long long*) p);

  VEC_PERM(vdata0, vdata0, vdata0, vperm_const);
  VEC_PERM(vdata1, vdata1, vdata1, vperm_const);

  vdata2 = vec_ld(32, (__vector unsigned long long*) p);
  vdata3 = vec_ld(48, (__vector unsigned long long*) p);

  VEC_PERM(vdata2, vdata2, vdata2, vperm_const);
  VEC_PERM(vdata3, vdata3, vdata3, vperm_const);

  vdata4 = vec_ld(64, (__vector unsigned long long*) p);
  vdata5 = vec_ld(80, (__vector unsigned long long*) p);

  VEC_PERM(vdata4, vdata4, vdata4, vperm_const);
  VEC_PERM(vdata5, vdata5, vdata5, vperm_const);

  vdata6 = vec_ld(96, (__vector unsigned long long*) p);
  vdata7 = vec_ld(112, (__vector unsigned long long*) p);

  VEC_PERM(vdata6, vdata6, vdata6, vperm_const);
  VEC_PERM(vdata7, vdata7, vdata7, vperm_const);

  /* xor in initial value */
  vdata0 = vec_xor(vdata0, vcrc);

  p = (char *)p + 128;

  do {
   /* Checksum in blocks of MAX_SIZE. */
   block_size = length;
   if (block_size > MAX_SIZE) {
    block_size = MAX_SIZE;
   }

   length = length - block_size;

   /*
   * Work out the offset into the constants table to start at. Each
   * constant is 16 bytes, and it is used against 128 bytes of input
   * data - 128 / 16 = 8
*/
   offset = (MAX_SIZE/8) - (block_size/8);
   /* We reduce our final 128 bytes in a separate step */
   chunks = (block_size/128)-1;

      vconst1 = vec_ld(offset, vcrc_const);

   va0 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata0,
      (__vector unsigned long long)vconst1);
   va1 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata1,
      (__vector unsigned long long)vconst1);
   va2 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata2,
      (__vector unsigned long long)vconst1);
   va3 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata3,
      (__vector unsigned long long)vconst1);
   va4 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata4,
      (__vector unsigned long long)vconst1);
   va5 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata5,
      (__vector unsigned long long)vconst1);
   va6 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata6,
      (__vector unsigned long long)vconst1);
   va7 = __builtin_crypto_vpmsumd ((__vector unsigned long long)vdata7,
      (__vector unsigned long long)vconst1);

   if (chunks > 1) {
    offset += 16;
    vconst2 = vec_ld(offset, vcrc_const);
    GROUP_ENDING_NOP;

    vdata0 = vec_ld(0, (__vector unsigned long long*) p);
    VEC_PERM(vdata0, vdata0, vdata0, vperm_const);

    vdata1 = vec_ld(16, (__vector unsigned long long*) p);
    VEC_PERM(vdata1, vdata1, vdata1, vperm_const);

    vdata2 = vec_ld(32, (__vector unsigned long long*) p);
    VEC_PERM(vdata2, vdata2, vdata2, vperm_const);

    vdata3 = vec_ld(48, (__vector unsigned long long*) p);
    VEC_PERM(vdata3, vdata3, vdata3, vperm_const);

    vdata4 = vec_ld(64, (__vector unsigned long long*) p);
    VEC_PERM(vdata4, vdata4, vdata4, vperm_const);

    vdata5 = vec_ld(80, (__vector unsigned long long*) p);
    VEC_PERM(vdata5, vdata5, vdata5, vperm_const);

    vdata6 = vec_ld(96, (__vector unsigned long long*) p);
    VEC_PERM(vdata6, vdata6, vdata6, vperm_const);

    vdata7 = vec_ld(112, (__vector unsigned long long*) p);
    VEC_PERM(vdata7, vdata7, vdata7, vperm_const);

    p = (char *)p + 128;

    /*
     * main loop. We modulo schedule it such that it takes three
     * iterations to complete - first iteration load, second
     * iteration vpmsum, third iteration xor.
 */
    for (i = 0; i < chunks-2; i++) {
     vconst1 = vec_ld(offset, vcrc_const);
     offset += 16;
     GROUP_ENDING_NOP;

     v0 = vec_xor(v0, va0);
     va0 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata0, (__vector unsigned long long)vconst2);
     vdata0 = vec_ld(0, (__vector unsigned long long*) p);
     VEC_PERM(vdata0, vdata0, vdata0, vperm_const);
     GROUP_ENDING_NOP;

     v1 = vec_xor(v1, va1);
     va1 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata1, (__vector unsigned long long)vconst2);
     vdata1 = vec_ld(16, (__vector unsigned long long*) p);
     VEC_PERM(vdata1, vdata1, vdata1, vperm_const);
     GROUP_ENDING_NOP;

     v2 = vec_xor(v2, va2);
     va2 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata2, (__vector unsigned long long)vconst2);
     vdata2 = vec_ld(32, (__vector unsigned long long*) p);
     VEC_PERM(vdata2, vdata2, vdata2, vperm_const);
     GROUP_ENDING_NOP;

     v3 = vec_xor(v3, va3);
     va3 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata3, (__vector unsigned long long)vconst2);
     vdata3 = vec_ld(48, (__vector unsigned long long*) p);
     VEC_PERM(vdata3, vdata3, vdata3, vperm_const);

     vconst2 = vec_ld(offset, vcrc_const);
     GROUP_ENDING_NOP;

     v4 = vec_xor(v4, va4);
     va4 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata4, (__vector unsigned long long)vconst1);
     vdata4 = vec_ld(64, (__vector unsigned long long*) p);
     VEC_PERM(vdata4, vdata4, vdata4, vperm_const);
     GROUP_ENDING_NOP;

     v5 = vec_xor(v5, va5);
     va5 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata5, (__vector unsigned long long)vconst1);
     vdata5 = vec_ld(80, (__vector unsigned long long*) p);
     VEC_PERM(vdata5, vdata5, vdata5, vperm_const);
     GROUP_ENDING_NOP;

     v6 = vec_xor(v6, va6);
     va6 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata6, (__vector unsigned long long)vconst1);
     vdata6 = vec_ld(96, (__vector unsigned long long*) p);
     VEC_PERM(vdata6, vdata6, vdata6, vperm_const);
     GROUP_ENDING_NOP;

     v7 = vec_xor(v7, va7);
     va7 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata7, (__vector unsigned long long)vconst1);
     vdata7 = vec_ld(112, (__vector unsigned long long*) p);
     VEC_PERM(vdata7, vdata7, vdata7, vperm_const);

     p = (char *)p + 128;
    }

    /* First cool down*/
    vconst1 = vec_ld(offset, vcrc_const);
    offset += 16;

    v0 = vec_xor(v0, va0);
    va0 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata0, (__vector unsigned long long)vconst1);
    GROUP_ENDING_NOP;

    v1 = vec_xor(v1, va1);
    va1 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata1, (__vector unsigned long long)vconst1);
    GROUP_ENDING_NOP;

    v2 = vec_xor(v2, va2);
    va2 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata2, (__vector unsigned long long)vconst1);
    GROUP_ENDING_NOP;

    v3 = vec_xor(v3, va3);
    va3 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata3, (__vector unsigned long long)vconst1);
    GROUP_ENDING_NOP;

    v4 = vec_xor(v4, va4);
    va4 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata4, (__vector unsigned long long)vconst1);
    GROUP_ENDING_NOP;

    v5 = vec_xor(v5, va5);
    va5 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata5, (__vector unsigned long long)vconst1);
    GROUP_ENDING_NOP;

    v6 = vec_xor(v6, va6);
    va6 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata6, (__vector unsigned long long)vconst1);
    GROUP_ENDING_NOP;

    v7 = vec_xor(v7, va7);
    va7 = __builtin_crypto_vpmsumd ((__vector unsigned long
       long)vdata7, (__vector unsigned long long)vconst1);
   }/* else */

   /* Second cool down. */
   v0 = vec_xor(v0, va0);
   v1 = vec_xor(v1, va1);
   v2 = vec_xor(v2, va2);
   v3 = vec_xor(v3, va3);
   v4 = vec_xor(v4, va4);
   v5 = vec_xor(v5, va5);
   v6 = vec_xor(v6, va6);
   v7 = vec_xor(v7, va7);

#ifdef REFLECT
   /*
    * vpmsumd produces a 96 bit result in the least significant bits
    * of the register. Since we are bit reflected we have to shift it
    * left 32 bits so it occupies the least significant bits in the
    * bit reflected domain.
 */
   v0 = (__vector unsigned long long)vec_sld((__vector unsigned char)v0,
     (__vector unsigned char)vzero, 4);
   v1 = (__vector unsigned long long)vec_sld((__vector unsigned char)v1,
     (__vector unsigned char)vzero, 4);
   v2 = (__vector unsigned long long)vec_sld((__vector unsigned char)v2,
     (__vector unsigned char)vzero, 4);
   v3 = (__vector unsigned long long)vec_sld((__vector unsigned char)v3,
     (__vector unsigned char)vzero, 4);
   v4 = (__vector unsigned long long)vec_sld((__vector unsigned char)v4,
     (__vector unsigned char)vzero, 4);
   v5 = (__vector unsigned long long)vec_sld((__vector unsigned char)v5,
     (__vector unsigned char)vzero, 4);
   v6 = (__vector unsigned long long)vec_sld((__vector unsigned char)v6,
     (__vector unsigned char)vzero, 4);
   v7 = (__vector unsigned long long)vec_sld((__vector unsigned char)v7,
     (__vector unsigned char)vzero, 4);
#endif

   /* xor with the last 1024 bits. */
   va0 = vec_ld(0, (__vector unsigned long long*) p);
   VEC_PERM(va0, va0, va0, vperm_const);

   va1 = vec_ld(16, (__vector unsigned long long*) p);
   VEC_PERM(va1, va1, va1, vperm_const);

   va2 = vec_ld(32, (__vector unsigned long long*) p);
   VEC_PERM(va2, va2, va2, vperm_const);

   va3 = vec_ld(48, (__vector unsigned long long*) p);
   VEC_PERM(va3, va3, va3, vperm_const);

   va4 = vec_ld(64, (__vector unsigned long long*) p);
   VEC_PERM(va4, va4, va4, vperm_const);

   va5 = vec_ld(80, (__vector unsigned long long*) p);
   VEC_PERM(va5, va5, va5, vperm_const);

   va6 = vec_ld(96, (__vector unsigned long long*) p);
   VEC_PERM(va6, va6, va6, vperm_const);

   va7 = vec_ld(112, (__vector unsigned long long*) p);
   VEC_PERM(va7, va7, va7, vperm_const);

   p = (char *)p + 128;

   vdata0 = vec_xor(v0, va0);
   vdata1 = vec_xor(v1, va1);
   vdata2 = vec_xor(v2, va2);
   vdata3 = vec_xor(v3, va3);
   vdata4 = vec_xor(v4, va4);
   vdata5 = vec_xor(v5, va5);
   vdata6 = vec_xor(v6, va6);
   vdata7 = vec_xor(v7, va7);

   /* Check if we have more blocks to process */
   next_block = 0;
   if (length != 0) {
    next_block = 1;

       /* zero v0-v7 */
    v0 = vec_xor(v0, v0);
    v1 = vec_xor(v1, v1);
    v2 = vec_xor(v2, v2);
    v3 = vec_xor(v3, v3);
    v4 = vec_xor(v4, v4);
    v5 = vec_xor(v5, v5);
    v6 = vec_xor(v6, v6);
    v7 = vec_xor(v7, v7);
   }
   length = length + 128;

  } while (next_block);

  /* Calculate how many bytes we have left. */
  length = (len & 127);

  /* Calculate where in (short) constant table we need to start. */
  offset = 128 - length;

  v0 = vec_ld(offset, vcrc_short_const);
  v1 = vec_ld(offset + 16, vcrc_short_const);
  v2 = vec_ld(offset + 32, vcrc_short_const);
  v3 = vec_ld(offset + 48, vcrc_short_const);
  v4 = vec_ld(offset + 64, vcrc_short_const);
  v5 = vec_ld(offset + 80, vcrc_short_const);
  v6 = vec_ld(offset + 96, vcrc_short_const);
  v7 = vec_ld(offset + 112, vcrc_short_const);

  offset += 128;

  v0 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata0,(__vector unsigned int)v0);
  v1 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata1,(__vector unsigned int)v1);
  v2 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata2,(__vector unsigned int)v2);
  v3 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata3,(__vector unsigned int)v3);
  v4 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata4,(__vector unsigned int)v4);
  v5 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata5,(__vector unsigned int)v5);
  v6 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata6,(__vector unsigned int)v6);
  v7 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata7,(__vector unsigned int)v7);

  /* Now reduce the tail (0-112 bytes). */
  for (i = 0; i < length; i+=16) {
   vdata0 = vec_ld(i,(__vector unsigned long long*)p);
   VEC_PERM(vdata0, vdata0, vdata0, vperm_const);
   va0 = vec_ld(offset + i,vcrc_short_const);
   va0 = (__vector unsigned long long)__builtin_crypto_vpmsumw (
   (__vector unsigned int)vdata0,(__vector unsigned int)va0);
   v0 = vec_xor(v0, va0);
  }

  /* xor all parallel chunks together. */
  v0 = vec_xor(v0, v1);
  v2 = vec_xor(v2, v3);
  v4 = vec_xor(v4, v5);
  v6 = vec_xor(v6, v7);

  v0 = vec_xor(v0, v2);
  v4 = vec_xor(v4, v6);

  v0 = vec_xor(v0, v4);
 }

 /* Barrett Reduction */
 vconst1 = vec_ld(0, v_Barrett_const);
 vconst2 = vec_ld(16, v_Barrett_const);

 v1 = (__vector unsigned long long)vec_sld((__vector unsigned char)v0,
   (__vector unsigned char)v0, 8);
 v0 = vec_xor(v1,v0);

#ifdef REFLECT
 /* shift left one bit */
 vsht_splat = vec_splat_u8 (1);
 v0 = (__vector unsigned long long)vec_sll ((__vector unsigned char)v0,
   vsht_splat);
#endif

 v0 = vec_and(v0, vmask_64bit);

#ifndef REFLECT

 /*
  * Now for the actual algorithm. The idea is to calculate q,
  * the multiple of our polynomial that we need to subtract. By
  * doing the computation 2x bits higher (ie 64 bits) and shifting the
  * result back down 2x bits, we round down to the nearest multiple.
 */

 /* ma */
 v1 = __builtin_crypto_vpmsumd ((__vector unsigned long long)v0,
   (__vector unsigned long long)vconst1);
 /* q = floor(ma/(2^64)) */
 v1 = (__vector unsigned long long)vec_sld ((__vector unsigned char)vzero,
   (__vector unsigned char)v1, 8);
 /* qn */
 v1 = __builtin_crypto_vpmsumd ((__vector unsigned long long)v1,
   (__vector unsigned long long)vconst2);
 /* a - qn, subtraction is xor in GF(2) */
 v0 = vec_xor (v0, v1);
 /*
  * Get the result into r3. We need to shift it left 8 bytes:
  * V0 [ 0 1 2 X ]
  * V0 [ 0 X 2 3 ]
 */
 result = __builtin_unpack_vector_1 (v0);
#else

 /*
  * The reflected version of Barrett reduction. Instead of bit
  * reflecting our data (which is expensive to do), we bit reflect our
  * constants and our algorithm, which means the intermediate data in
  * our vector registers goes from 0-63 instead of 63-0. We can reflect
  * the algorithm because we don't carry in mod 2 arithmetic.
 */

 /* bottom 32 bits of a */
 v1 = vec_and(v0, vmask_32bit);

 /* ma */
 v1 = __builtin_crypto_vpmsumd ((__vector unsigned long long)v1,
   (__vector unsigned long long)vconst1);

 /* bottom 32bits of ma */
 v1 = vec_and(v1, vmask_32bit);
 /* qn */
 v1 = __builtin_crypto_vpmsumd ((__vector unsigned long long)v1,
   (__vector unsigned long long)vconst2);
 /* a - qn, subtraction is xor in GF(2) */
 v0 = vec_xor (v0, v1);

 /*
  * Since we are bit reflected, the result (ie the low 32 bits) is in
  * the high 32 bits. We just need to shift it left 4 bytes
  * V0 [ 0 1 X 3 ]
  * V0 [ 0 X 2 3 ]
 */

 /* shift result into top 64 bits of */
 v0 = (__vector unsigned long long)vec_sld((__vector unsigned char)v0,
        (__vector unsigned char)vzero, 4);

 result = __builtin_unpack_vector_0 (v0);
#endif

 return result;
}