Quelle  serpent-avx2-asm_64.S

/* SPDX-License-Identifier: GPL-2.0-or-later */
/*
 * x86_64/AVX2 assembler optimized version of Serpent
 *
 * Copyright © 2012-2013 Jussi Kivilinna <jussi.kivilinna@mbnet.fi>
 *
 * Based on AVX assembler implementation of Serpent by:
 *  Copyright © 2012 Johannes Goetzfried
 *      <Johannes.Goetzfried@informatik.stud.uni-erlangen.de>
 */

#include <linux/linkage.h>
#include <asm/frame.h>
#include "glue_helper-asm-avx2.S"

.file "serpent-avx2-asm_64.S"

.section .rodata.cst16.bswap128_mask, "aM", @progbits, 16
.align 16
.Lbswap128_mask:
 .byte 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0

.text

#define CTX %rdi

#define RNOT %ymm0
#define tp  %ymm1

#define RA1 %ymm2
#define RA2 %ymm3
#define RB1 %ymm4
#define RB2 %ymm5
#define RC1 %ymm6
#define RC2 %ymm7
#define RD1 %ymm8
#define RD2 %ymm9
#define RE1 %ymm10
#define RE2 %ymm11

#define RK0 %ymm12
#define RK1 %ymm13
#define RK2 %ymm14
#define RK3 %ymm15

#define RK0x %xmm12
#define RK1x %xmm13
#define RK2x %xmm14
#define RK3x %xmm15

#define S0_1(x0, x1, x2, x3, x4)      \
 vpor  x0,   x3, tp; \
 vpxor  x3,   x0, x0; \
 vpxor  x2,   x3, x4; \
 vpxor  RNOT, x4, x4; \
 vpxor  x1,   tp, x3; \
 vpand  x0,   x1, x1; \
 vpxor  x4,   x1, x1; \
 vpxor  x0,   x2, x2;
#define S0_2(x0, x1, x2, x3, x4)      \
 vpxor  x3,   x0, x0; \
 vpor  x0,   x4, x4; \
 vpxor  x2,   x0, x0; \
 vpand  x1,   x2, x2; \
 vpxor  x2,   x3, x3; \
 vpxor  RNOT, x1, x1; \
 vpxor  x4,   x2, x2; \
 vpxor  x2,   x1, x1;

#define S1_1(x0, x1, x2, x3, x4)      \
 vpxor  x0,   x1, tp; \
 vpxor  x3,   x0, x0; \
 vpxor  RNOT, x3, x3; \
 vpand  tp,   x1, x4; \
 vpor  tp,   x0, x0; \
 vpxor  x2,   x3, x3; \
 vpxor  x3,   x0, x0; \
 vpxor  x3,   tp, x1;
#define S1_2(x0, x1, x2, x3, x4)      \
 vpxor  x4,   x3, x3; \
 vpor  x4,   x1, x1; \
 vpxor  x2,   x4, x4; \
 vpand  x0,   x2, x2; \
 vpxor  x1,   x2, x2; \
 vpor  x0,   x1, x1; \
 vpxor  RNOT, x0, x0; \
 vpxor  x2,   x0, x0; \
 vpxor  x1,   x4, x4;

#define S2_1(x0, x1, x2, x3, x4)      \
 vpxor  RNOT, x3, x3; \
 vpxor  x0,   x1, x1; \
 vpand  x2,   x0, tp; \
 vpxor  x3,   tp, tp; \
 vpor  x0,   x3, x3; \
 vpxor  x1,   x2, x2; \
 vpxor  x1,   x3, x3; \
 vpand  tp,   x1, x1;
#define S2_2(x0, x1, x2, x3, x4)      \
 vpxor  x2,   tp, tp; \
 vpand  x3,   x2, x2; \
 vpor  x1,   x3, x3; \
 vpxor  RNOT, tp, tp; \
 vpxor  tp,   x3, x3; \
 vpxor  tp,   x0, x4; \
 vpxor  x2,   tp, x0; \
 vpor  x2,   x1, x1;

#define S3_1(x0, x1, x2, x3, x4)      \
 vpxor  x3,   x1, tp; \
 vpor  x0,   x3, x3; \
 vpand  x0,   x1, x4; \
 vpxor  x2,   x0, x0; \
 vpxor  tp,   x2, x2; \
 vpand  x3,   tp, x1; \
 vpxor  x3,   x2, x2; \
 vpor  x4,   x0, x0; \
 vpxor  x3,   x4, x4;
#define S3_2(x0, x1, x2, x3, x4)      \
 vpxor  x0,   x1, x1; \
 vpand  x3,   x0, x0; \
 vpand  x4,   x3, x3; \
 vpxor  x2,   x3, x3; \
 vpor  x1,   x4, x4; \
 vpand  x1,   x2, x2; \
 vpxor  x3,   x4, x4; \
 vpxor  x3,   x0, x0; \
 vpxor  x2,   x3, x3;

#define S4_1(x0, x1, x2, x3, x4)      \
 vpand  x0,   x3, tp; \
 vpxor  x3,   x0, x0; \
 vpxor  x2,   tp, tp; \
 vpor  x3,   x2, x2; \
 vpxor  x1,   x0, x0; \
 vpxor  tp,   x3, x4; \
 vpor  x0,   x2, x2; \
 vpxor  x1,   x2, x2;
#define S4_2(x0, x1, x2, x3, x4)      \
 vpand  x0,   x1, x1; \
 vpxor  x4,   x1, x1; \
 vpand  x2,   x4, x4; \
 vpxor  tp,   x2, x2; \
 vpxor  x0,   x4, x4; \
 vpor  x1,   tp, x3; \
 vpxor  RNOT, x1, x1; \
 vpxor  x0,   x3, x3;

#define S5_1(x0, x1, x2, x3, x4)      \
 vpor  x0,   x1, tp; \
 vpxor  tp,   x2, x2; \
 vpxor  RNOT, x3, x3; \
 vpxor  x0,   x1, x4; \
 vpxor  x2,   x0, x0; \
 vpand  x4,   tp, x1; \
 vpor  x3,   x4, x4; \
 vpxor  x0,   x4, x4;
#define S5_2(x0, x1, x2, x3, x4)      \
 vpand  x3,   x0, x0; \
 vpxor  x3,   x1, x1; \
 vpxor  x2,   x3, x3; \
 vpxor  x1,   x0, x0; \
 vpand  x4,   x2, x2; \
 vpxor  x2,   x1, x1; \
 vpand  x0,   x2, x2; \
 vpxor  x2,   x3, x3;

#define S6_1(x0, x1, x2, x3, x4)      \
 vpxor  x0,   x3, x3; \
 vpxor  x2,   x1, tp; \
 vpxor  x0,   x2, x2; \
 vpand  x3,   x0, x0; \
 vpor  x3,   tp, tp; \
 vpxor  RNOT, x1, x4; \
 vpxor  tp,   x0, x0; \
 vpxor  x2,   tp, x1;
#define S6_2(x0, x1, x2, x3, x4)      \
 vpxor  x4,   x3, x3; \
 vpxor  x0,   x4, x4; \
 vpand  x0,   x2, x2; \
 vpxor  x1,   x4, x4; \
 vpxor  x3,   x2, x2; \
 vpand  x1,   x3, x3; \
 vpxor  x0,   x3, x3; \
 vpxor  x2,   x1, x1;

#define S7_1(x0, x1, x2, x3, x4)      \
 vpxor  RNOT, x1, tp; \
 vpxor  RNOT, x0, x0; \
 vpand  x2,   tp, x1; \
 vpxor  x3,   x1, x1; \
 vpor  tp,   x3, x3; \
 vpxor  x2,   tp, x4; \
 vpxor  x3,   x2, x2; \
 vpxor  x0,   x3, x3; \
 vpor  x1,   x0, x0;
#define S7_2(x0, x1, x2, x3, x4)      \
 vpand  x0,   x2, x2; \
 vpxor  x4,   x0, x0; \
 vpxor  x3,   x4, x4; \
 vpand  x0,   x3, x3; \
 vpxor  x1,   x4, x4; \
 vpxor  x4,   x2, x2; \
 vpxor  x1,   x3, x3; \
 vpor  x0,   x4, x4; \
 vpxor  x1,   x4, x4;

#define SI0_1(x0, x1, x2, x3, x4)     \
 vpxor  x0,   x1, x1; \
 vpor  x1,   x3, tp; \
 vpxor  x1,   x3, x4; \
 vpxor  RNOT, x0, x0; \
 vpxor  tp,   x2, x2; \
 vpxor  x0,   tp, x3; \
 vpand  x1,   x0, x0; \
 vpxor  x2,   x0, x0;
#define SI0_2(x0, x1, x2, x3, x4)     \
 vpand  x3,   x2, x2; \
 vpxor  x4,   x3, x3; \
 vpxor  x3,   x2, x2; \
 vpxor  x3,   x1, x1; \
 vpand  x0,   x3, x3; \
 vpxor  x0,   x1, x1; \
 vpxor  x2,   x0, x0; \
 vpxor  x3,   x4, x4;

#define SI1_1(x0, x1, x2, x3, x4)     \
 vpxor  x3,   x1, x1; \
 vpxor  x2,   x0, tp; \
 vpxor  RNOT, x2, x2; \
 vpor  x1,   x0, x4; \
 vpxor  x3,   x4, x4; \
 vpand  x1,   x3, x3; \
 vpxor  x2,   x1, x1; \
 vpand  x4,   x2, x2;
#define SI1_2(x0, x1, x2, x3, x4)     \
 vpxor  x1,   x4, x4; \
 vpor  x3,   x1, x1; \
 vpxor  tp,   x3, x3; \
 vpxor  tp,   x2, x2; \
 vpor  x4,   tp, x0; \
 vpxor  x4,   x2, x2; \
 vpxor  x0,   x1, x1; \
 vpxor  x1,   x4, x4;

#define SI2_1(x0, x1, x2, x3, x4)     \
 vpxor  x1,   x2, x2; \
 vpxor  RNOT, x3, tp; \
 vpor  x2,   tp, tp; \
 vpxor  x3,   x2, x2; \
 vpxor  x0,   x3, x4; \
 vpxor  x1,   tp, x3; \
 vpor  x2,   x1, x1; \
 vpxor  x0,   x2, x2;
#define SI2_2(x0, x1, x2, x3, x4)     \
 vpxor  x4,   x1, x1; \
 vpor  x3,   x4, x4; \
 vpxor  x3,   x2, x2; \
 vpxor  x2,   x4, x4; \
 vpand  x1,   x2, x2; \
 vpxor  x3,   x2, x2; \
 vpxor  x4,   x3, x3; \
 vpxor  x0,   x4, x4;

#define SI3_1(x0, x1, x2, x3, x4)     \
 vpxor  x1,   x2, x2; \
 vpand  x2,   x1, tp; \
 vpxor  x0,   tp, tp; \
 vpor  x1,   x0, x0; \
 vpxor  x3,   x1, x4; \
 vpxor  x3,   x0, x0; \
 vpor  tp,   x3, x3; \
 vpxor  x2,   tp, x1;
#define SI3_2(x0, x1, x2, x3, x4)     \
 vpxor  x3,   x1, x1; \
 vpxor  x2,   x0, x0; \
 vpxor  x3,   x2, x2; \
 vpand  x1,   x3, x3; \
 vpxor  x0,   x1, x1; \
 vpand  x2,   x0, x0; \
 vpxor  x3,   x4, x4; \
 vpxor  x0,   x3, x3; \
 vpxor  x1,   x0, x0;

#define SI4_1(x0, x1, x2, x3, x4)     \
 vpxor  x3,   x2, x2; \
 vpand  x1,   x0, tp; \
 vpxor  x2,   tp, tp; \
 vpor  x3,   x2, x2; \
 vpxor  RNOT, x0, x4; \
 vpxor  tp,   x1, x1; \
 vpxor  x2,   tp, x0; \
 vpand  x4,   x2, x2;
#define SI4_2(x0, x1, x2, x3, x4)     \
 vpxor  x0,   x2, x2; \
 vpor  x4,   x0, x0; \
 vpxor  x3,   x0, x0; \
 vpand  x2,   x3, x3; \
 vpxor  x3,   x4, x4; \
 vpxor  x1,   x3, x3; \
 vpand  x0,   x1, x1; \
 vpxor  x1,   x4, x4; \
 vpxor  x3,   x0, x0;

#define SI5_1(x0, x1, x2, x3, x4)     \
 vpor  x2,   x1, tp; \
 vpxor  x1,   x2, x2; \
 vpxor  x3,   tp, tp; \
 vpand  x1,   x3, x3; \
 vpxor  x3,   x2, x2; \
 vpor  x0,   x3, x3; \
 vpxor  RNOT, x0, x0; \
 vpxor  x2,   x3, x3; \
 vpor  x0,   x2, x2;
#define SI5_2(x0, x1, x2, x3, x4)     \
 vpxor  tp,   x1, x4; \
 vpxor  x4,   x2, x2; \
 vpand  x0,   x4, x4; \
 vpxor  tp,   x0, x0; \
 vpxor  x3,   tp, x1; \
 vpand  x2,   x0, x0; \
 vpxor  x3,   x2, x2; \
 vpxor  x2,   x0, x0; \
 vpxor  x4,   x2, x2; \
 vpxor  x3,   x4, x4;

#define SI6_1(x0, x1, x2, x3, x4)     \
 vpxor  x2,   x0, x0; \
 vpand  x3,   x0, tp; \
 vpxor  x3,   x2, x2; \
 vpxor  x2,   tp, tp; \
 vpxor  x1,   x3, x3; \
 vpor  x0,   x2, x2; \
 vpxor  x3,   x2, x2; \
 vpand  tp,   x3, x3;
#define SI6_2(x0, x1, x2, x3, x4)     \
 vpxor  RNOT, tp, tp; \
 vpxor  x1,   x3, x3; \
 vpand  x2,   x1, x1; \
 vpxor  tp,   x0, x4; \
 vpxor  x4,   x3, x3; \
 vpxor  x2,   x4, x4; \
 vpxor  x1,   tp, x0; \
 vpxor  x0,   x2, x2;

#define SI7_1(x0, x1, x2, x3, x4)     \
 vpand  x0,   x3, tp; \
 vpxor  x2,   x0, x0; \
 vpor  x3,   x2, x2; \
 vpxor  x1,   x3, x4; \
 vpxor  RNOT, x0, x0; \
 vpor  tp,   x1, x1; \
 vpxor  x0,   x4, x4; \
 vpand  x2,   x0, x0; \
 vpxor  x1,   x0, x0;
#define SI7_2(x0, x1, x2, x3, x4)     \
 vpand  x2,   x1, x1; \
 vpxor  x2,   tp, x3; \
 vpxor  x3,   x4, x4; \
 vpand  x3,   x2, x2; \
 vpor  x0,   x3, x3; \
 vpxor  x4,   x1, x1; \
 vpxor  x4,   x3, x3; \
 vpand  x0,   x4, x4; \
 vpxor  x2,   x4, x4;

#define get_key(i,j,t) \
 vpbroadcastd (4*(i)+(j))*4(CTX), t;

#define K2(x0, x1, x2, x3, x4, i) \
 get_key(i, 0, RK0); \
 get_key(i, 1, RK1); \
 get_key(i, 2, RK2); \
 get_key(i, 3, RK3); \
 vpxor RK0, x0 ## 1, x0 ## 1; \
 vpxor RK1, x1 ## 1, x1 ## 1; \
 vpxor RK2, x2 ## 1, x2 ## 1; \
 vpxor RK3, x3 ## 1, x3 ## 1; \
  vpxor RK0, x0 ## 2, x0 ## 2; \
  vpxor RK1, x1 ## 2, x1 ## 2; \
  vpxor RK2, x2 ## 2, x2 ## 2; \
  vpxor RK3, x3 ## 2, x3 ## 2;

#define LK2(x0, x1, x2, x3, x4, i) \
 vpslld $13,  x0 ## 1, x4 ## 1;          \
 vpsrld $(32 - 13), x0 ## 1, x0 ## 1;          \
 vpor   x4 ## 1, x0 ## 1, x0 ## 1; \
 vpxor   x0 ## 1, x1 ## 1, x1 ## 1; \
 vpslld $3,  x2 ## 1, x4 ## 1;          \
 vpsrld $(32 - 3), x2 ## 1, x2 ## 1;          \
 vpor   x4 ## 1, x2 ## 1, x2 ## 1; \
 vpxor   x2 ## 1, x1 ## 1, x1 ## 1; \
  vpslld $13,  x0 ## 2, x4 ## 2;          \
  vpsrld $(32 - 13), x0 ## 2, x0 ## 2;          \
  vpor   x4 ## 2, x0 ## 2, x0 ## 2; \
  vpxor   x0 ## 2, x1 ## 2, x1 ## 2; \
  vpslld $3,  x2 ## 2, x4 ## 2;          \
  vpsrld $(32 - 3), x2 ## 2, x2 ## 2;          \
  vpor   x4 ## 2, x2 ## 2, x2 ## 2; \
  vpxor   x2 ## 2, x1 ## 2, x1 ## 2; \
 vpslld $1,  x1 ## 1, x4 ## 1;          \
 vpsrld $(32 - 1), x1 ## 1, x1 ## 1;          \
 vpor   x4 ## 1, x1 ## 1, x1 ## 1; \
 vpslld $3,  x0 ## 1, x4 ## 1;          \
 vpxor   x2 ## 1, x3 ## 1, x3 ## 1; \
 vpxor   x4 ## 1, x3 ## 1, x3 ## 1; \
 get_key(i, 1, RK1); \
  vpslld $1,  x1 ## 2, x4 ## 2;          \
  vpsrld $(32 - 1), x1 ## 2, x1 ## 2;          \
  vpor   x4 ## 2, x1 ## 2, x1 ## 2; \
  vpslld $3,  x0 ## 2, x4 ## 2;          \
  vpxor   x2 ## 2, x3 ## 2, x3 ## 2; \
  vpxor   x4 ## 2, x3 ## 2, x3 ## 2; \
  get_key(i, 3, RK3); \
 vpslld $7,  x3 ## 1, x4 ## 1;          \
 vpsrld $(32 - 7), x3 ## 1, x3 ## 1;          \
 vpor   x4 ## 1, x3 ## 1, x3 ## 1; \
 vpslld $7,  x1 ## 1, x4 ## 1;          \
 vpxor   x1 ## 1, x0 ## 1, x0 ## 1; \
 vpxor   x3 ## 1, x0 ## 1, x0 ## 1; \
 vpxor   x3 ## 1, x2 ## 1, x2 ## 1; \
 vpxor   x4 ## 1, x2 ## 1, x2 ## 1; \
 get_key(i, 0, RK0); \
  vpslld $7,  x3 ## 2, x4 ## 2;          \
  vpsrld $(32 - 7), x3 ## 2, x3 ## 2;          \
  vpor   x4 ## 2, x3 ## 2, x3 ## 2; \
  vpslld $7,  x1 ## 2, x4 ## 2;          \
  vpxor   x1 ## 2, x0 ## 2, x0 ## 2; \
  vpxor   x3 ## 2, x0 ## 2, x0 ## 2; \
  vpxor   x3 ## 2, x2 ## 2, x2 ## 2; \
  vpxor   x4 ## 2, x2 ## 2, x2 ## 2; \
  get_key(i, 2, RK2); \
 vpxor   RK1, x1 ## 1, x1 ## 1;     \
 vpxor   RK3, x3 ## 1, x3 ## 1;     \
 vpslld $5,  x0 ## 1, x4 ## 1;          \
 vpsrld $(32 - 5), x0 ## 1, x0 ## 1;          \
 vpor   x4 ## 1, x0 ## 1, x0 ## 1; \
 vpslld $22,  x2 ## 1, x4 ## 1;          \
 vpsrld $(32 - 22), x2 ## 1, x2 ## 1;          \
 vpor   x4 ## 1, x2 ## 1, x2 ## 1; \
 vpxor   RK0, x0 ## 1, x0 ## 1;     \
 vpxor   RK2, x2 ## 1, x2 ## 1;     \
  vpxor   RK1, x1 ## 2, x1 ## 2;     \
  vpxor   RK3, x3 ## 2, x3 ## 2;     \
  vpslld $5,  x0 ## 2, x4 ## 2;          \
  vpsrld $(32 - 5), x0 ## 2, x0 ## 2;          \
  vpor   x4 ## 2, x0 ## 2, x0 ## 2; \
  vpslld $22,  x2 ## 2, x4 ## 2;          \
  vpsrld $(32 - 22), x2 ## 2, x2 ## 2;          \
  vpor   x4 ## 2, x2 ## 2, x2 ## 2; \
  vpxor   RK0, x0 ## 2, x0 ## 2;     \
  vpxor   RK2, x2 ## 2, x2 ## 2;

#define KL2(x0, x1, x2, x3, x4, i) \
 vpxor   RK0, x0 ## 1, x0 ## 1;     \
 vpxor   RK2, x2 ## 1, x2 ## 1;     \
 vpsrld $5,  x0 ## 1, x4 ## 1;          \
 vpslld $(32 - 5), x0 ## 1, x0 ## 1;          \
 vpor   x4 ## 1, x0 ## 1, x0 ## 1; \
 vpxor   RK3, x3 ## 1, x3 ## 1;     \
 vpxor   RK1, x1 ## 1, x1 ## 1;     \
 vpsrld $22,  x2 ## 1, x4 ## 1;          \
 vpslld $(32 - 22), x2 ## 1, x2 ## 1;          \
 vpor   x4 ## 1, x2 ## 1, x2 ## 1; \
 vpxor   x3 ## 1, x2 ## 1, x2 ## 1; \
  vpxor   RK0, x0 ## 2, x0 ## 2;     \
  vpxor   RK2, x2 ## 2, x2 ## 2;     \
  vpsrld $5,  x0 ## 2, x4 ## 2;          \
  vpslld $(32 - 5), x0 ## 2, x0 ## 2;          \
  vpor   x4 ## 2, x0 ## 2, x0 ## 2; \
  vpxor   RK3, x3 ## 2, x3 ## 2;     \
  vpxor   RK1, x1 ## 2, x1 ## 2;     \
  vpsrld $22,  x2 ## 2, x4 ## 2;          \
  vpslld $(32 - 22), x2 ## 2, x2 ## 2;          \
  vpor   x4 ## 2, x2 ## 2, x2 ## 2; \
  vpxor   x3 ## 2, x2 ## 2, x2 ## 2; \
 vpxor   x3 ## 1, x0 ## 1, x0 ## 1; \
 vpslld $7,  x1 ## 1, x4 ## 1;          \
 vpxor   x1 ## 1, x0 ## 1, x0 ## 1; \
 vpxor   x4 ## 1, x2 ## 1, x2 ## 1; \
 vpsrld $1,  x1 ## 1, x4 ## 1;          \
 vpslld $(32 - 1), x1 ## 1, x1 ## 1;          \
 vpor   x4 ## 1, x1 ## 1, x1 ## 1; \
  vpxor   x3 ## 2, x0 ## 2, x0 ## 2; \
  vpslld $7,  x1 ## 2, x4 ## 2;          \
  vpxor   x1 ## 2, x0 ## 2, x0 ## 2; \
  vpxor   x4 ## 2, x2 ## 2, x2 ## 2; \
  vpsrld $1,  x1 ## 2, x4 ## 2;          \
  vpslld $(32 - 1), x1 ## 2, x1 ## 2;          \
  vpor   x4 ## 2, x1 ## 2, x1 ## 2; \
 vpsrld $7,  x3 ## 1, x4 ## 1;          \
 vpslld $(32 - 7), x3 ## 1, x3 ## 1;          \
 vpor   x4 ## 1, x3 ## 1, x3 ## 1; \
 vpxor   x0 ## 1, x1 ## 1, x1 ## 1; \
 vpslld $3,  x0 ## 1, x4 ## 1;          \
 vpxor   x4 ## 1, x3 ## 1, x3 ## 1; \
  vpsrld $7,  x3 ## 2, x4 ## 2;          \
  vpslld $(32 - 7), x3 ## 2, x3 ## 2;          \
  vpor   x4 ## 2, x3 ## 2, x3 ## 2; \
  vpxor   x0 ## 2, x1 ## 2, x1 ## 2; \
  vpslld $3,  x0 ## 2, x4 ## 2;          \
  vpxor   x4 ## 2, x3 ## 2, x3 ## 2; \
 vpsrld $13,  x0 ## 1, x4 ## 1;          \
 vpslld $(32 - 13), x0 ## 1, x0 ## 1;          \
 vpor   x4 ## 1, x0 ## 1, x0 ## 1; \
 vpxor   x2 ## 1, x1 ## 1, x1 ## 1; \
 vpxor   x2 ## 1, x3 ## 1, x3 ## 1; \
 vpsrld $3,  x2 ## 1, x4 ## 1;          \
 vpslld $(32 - 3), x2 ## 1, x2 ## 1;          \
 vpor   x4 ## 1, x2 ## 1, x2 ## 1; \
  vpsrld $13,  x0 ## 2, x4 ## 2;          \
  vpslld $(32 - 13), x0 ## 2, x0 ## 2;          \
  vpor   x4 ## 2, x0 ## 2, x0 ## 2; \
  vpxor   x2 ## 2, x1 ## 2, x1 ## 2; \
  vpxor   x2 ## 2, x3 ## 2, x3 ## 2; \
  vpsrld $3,  x2 ## 2, x4 ## 2;          \
  vpslld $(32 - 3), x2 ## 2, x2 ## 2;          \
  vpor   x4 ## 2, x2 ## 2, x2 ## 2;

#define S(SBOX, x0, x1, x2, x3, x4) \
 SBOX ## _1(x0 ## 1, x1 ## 1, x2 ## 1, x3 ## 1, x4 ## 1); \
 SBOX ## _2(x0 ## 1, x1 ## 1, x2 ## 1, x3 ## 1, x4 ## 1); \
 SBOX ## _1(x0 ## 2, x1 ## 2, x2 ## 2, x3 ## 2, x4 ## 2); \
 SBOX ## _2(x0 ## 2, x1 ## 2, x2 ## 2, x3 ## 2, x4 ## 2);

#define SP(SBOX, x0, x1, x2, x3, x4, i) \
 get_key(i, 0, RK0); \
 SBOX ## _1(x0 ## 1, x1 ## 1, x2 ## 1, x3 ## 1, x4 ## 1); \
 get_key(i, 2, RK2); \
 SBOX ## _2(x0 ## 1, x1 ## 1, x2 ## 1, x3 ## 1, x4 ## 1); \
 get_key(i, 3, RK3); \
 SBOX ## _1(x0 ## 2, x1 ## 2, x2 ## 2, x3 ## 2, x4 ## 2); \
 get_key(i, 1, RK1); \
 SBOX ## _2(x0 ## 2, x1 ## 2, x2 ## 2, x3 ## 2, x4 ## 2); \

#define transpose_4x4(x0, x1, x2, x3, t0, t1, t2) \
 vpunpckldq  x1, x0, t0; \
 vpunpckhdq  x1, x0, t2; \
 vpunpckldq  x3, x2, t1; \
 vpunpckhdq  x3, x2, x3; \
 \
 vpunpcklqdq  t1, t0, x0; \
 vpunpckhqdq  t1, t0, x1; \
 vpunpcklqdq  x3, t2, x2; \
 vpunpckhqdq  x3, t2, x3;

#define read_blocks(x0, x1, x2, x3, t0, t1, t2) \
 transpose_4x4(x0, x1, x2, x3, t0, t1, t2)

#define write_blocks(x0, x1, x2, x3, t0, t1, t2) \
 transpose_4x4(x0, x1, x2, x3, t0, t1, t2)

SYM_FUNC_START_LOCAL(__serpent_enc_blk16)
 /* input:
 * %rdi: ctx, CTX
 * RA1, RB1, RC1, RD1, RA2, RB2, RC2, RD2: plaintext
 * output:
 * RA1, RB1, RC1, RD1, RA2, RB2, RC2, RD2: ciphertext
 */

 vpcmpeqd RNOT, RNOT, RNOT;

 read_blocks(RA1, RB1, RC1, RD1, RK0, RK1, RK2);
 read_blocks(RA2, RB2, RC2, RD2, RK0, RK1, RK2);

       K2(RA, RB, RC, RD, RE, 0);
 S(S0, RA, RB, RC, RD, RE);  LK2(RC, RB, RD, RA, RE, 1);
 S(S1, RC, RB, RD, RA, RE);  LK2(RE, RD, RA, RC, RB, 2);
 S(S2, RE, RD, RA, RC, RB);  LK2(RB, RD, RE, RC, RA, 3);
 S(S3, RB, RD, RE, RC, RA);  LK2(RC, RA, RD, RB, RE, 4);
 S(S4, RC, RA, RD, RB, RE);  LK2(RA, RD, RB, RE, RC, 5);
 S(S5, RA, RD, RB, RE, RC);  LK2(RC, RA, RD, RE, RB, 6);
 S(S6, RC, RA, RD, RE, RB);  LK2(RD, RB, RA, RE, RC, 7);
 S(S7, RD, RB, RA, RE, RC);  LK2(RC, RA, RE, RD, RB, 8);
 S(S0, RC, RA, RE, RD, RB);  LK2(RE, RA, RD, RC, RB, 9);
 S(S1, RE, RA, RD, RC, RB);  LK2(RB, RD, RC, RE, RA, 10);
 S(S2, RB, RD, RC, RE, RA);  LK2(RA, RD, RB, RE, RC, 11);
 S(S3, RA, RD, RB, RE, RC);  LK2(RE, RC, RD, RA, RB, 12);
 S(S4, RE, RC, RD, RA, RB);  LK2(RC, RD, RA, RB, RE, 13);
 S(S5, RC, RD, RA, RB, RE);  LK2(RE, RC, RD, RB, RA, 14);
 S(S6, RE, RC, RD, RB, RA);  LK2(RD, RA, RC, RB, RE, 15);
 S(S7, RD, RA, RC, RB, RE);  LK2(RE, RC, RB, RD, RA, 16);
 S(S0, RE, RC, RB, RD, RA);  LK2(RB, RC, RD, RE, RA, 17);
 S(S1, RB, RC, RD, RE, RA);  LK2(RA, RD, RE, RB, RC, 18);
 S(S2, RA, RD, RE, RB, RC);  LK2(RC, RD, RA, RB, RE, 19);
 S(S3, RC, RD, RA, RB, RE);  LK2(RB, RE, RD, RC, RA, 20);
 S(S4, RB, RE, RD, RC, RA);  LK2(RE, RD, RC, RA, RB, 21);
 S(S5, RE, RD, RC, RA, RB);  LK2(RB, RE, RD, RA, RC, 22);
 S(S6, RB, RE, RD, RA, RC);  LK2(RD, RC, RE, RA, RB, 23);
 S(S7, RD, RC, RE, RA, RB);  LK2(RB, RE, RA, RD, RC, 24);
 S(S0, RB, RE, RA, RD, RC);  LK2(RA, RE, RD, RB, RC, 25);
 S(S1, RA, RE, RD, RB, RC);  LK2(RC, RD, RB, RA, RE, 26);
 S(S2, RC, RD, RB, RA, RE);  LK2(RE, RD, RC, RA, RB, 27);
 S(S3, RE, RD, RC, RA, RB);  LK2(RA, RB, RD, RE, RC, 28);
 S(S4, RA, RB, RD, RE, RC);  LK2(RB, RD, RE, RC, RA, 29);
 S(S5, RB, RD, RE, RC, RA);  LK2(RA, RB, RD, RC, RE, 30);
 S(S6, RA, RB, RD, RC, RE);  LK2(RD, RE, RB, RC, RA, 31);
 S(S7, RD, RE, RB, RC, RA);   K2(RA, RB, RC, RD, RE, 32);

 write_blocks(RA1, RB1, RC1, RD1, RK0, RK1, RK2);
 write_blocks(RA2, RB2, RC2, RD2, RK0, RK1, RK2);

 RET;
SYM_FUNC_END(__serpent_enc_blk16)

SYM_FUNC_START_LOCAL(__serpent_dec_blk16)
 /* input:
 * %rdi: ctx, CTX
 * RA1, RB1, RC1, RD1, RA2, RB2, RC2, RD2: ciphertext
 * output:
 * RC1, RD1, RB1, RE1, RC2, RD2, RB2, RE2: plaintext
 */

 vpcmpeqd RNOT, RNOT, RNOT;

 read_blocks(RA1, RB1, RC1, RD1, RK0, RK1, RK2);
 read_blocks(RA2, RB2, RC2, RD2, RK0, RK1, RK2);

       K2(RA, RB, RC, RD, RE, 32);
 SP(SI7, RA, RB, RC, RD, RE, 31); KL2(RB, RD, RA, RE, RC, 31);
 SP(SI6, RB, RD, RA, RE, RC, 30); KL2(RA, RC, RE, RB, RD, 30);
 SP(SI5, RA, RC, RE, RB, RD, 29); KL2(RC, RD, RA, RE, RB, 29);
 SP(SI4, RC, RD, RA, RE, RB, 28); KL2(RC, RA, RB, RE, RD, 28);
 SP(SI3, RC, RA, RB, RE, RD, 27); KL2(RB, RC, RD, RE, RA, 27);
 SP(SI2, RB, RC, RD, RE, RA, 26); KL2(RC, RA, RE, RD, RB, 26);
 SP(SI1, RC, RA, RE, RD, RB, 25); KL2(RB, RA, RE, RD, RC, 25);
 SP(SI0, RB, RA, RE, RD, RC, 24); KL2(RE, RC, RA, RB, RD, 24);
 SP(SI7, RE, RC, RA, RB, RD, 23); KL2(RC, RB, RE, RD, RA, 23);
 SP(SI6, RC, RB, RE, RD, RA, 22); KL2(RE, RA, RD, RC, RB, 22);
 SP(SI5, RE, RA, RD, RC, RB, 21); KL2(RA, RB, RE, RD, RC, 21);
 SP(SI4, RA, RB, RE, RD, RC, 20); KL2(RA, RE, RC, RD, RB, 20);
 SP(SI3, RA, RE, RC, RD, RB, 19); KL2(RC, RA, RB, RD, RE, 19);
 SP(SI2, RC, RA, RB, RD, RE, 18); KL2(RA, RE, RD, RB, RC, 18);
 SP(SI1, RA, RE, RD, RB, RC, 17); KL2(RC, RE, RD, RB, RA, 17);
 SP(SI0, RC, RE, RD, RB, RA, 16); KL2(RD, RA, RE, RC, RB, 16);
 SP(SI7, RD, RA, RE, RC, RB, 15); KL2(RA, RC, RD, RB, RE, 15);
 SP(SI6, RA, RC, RD, RB, RE, 14); KL2(RD, RE, RB, RA, RC, 14);
 SP(SI5, RD, RE, RB, RA, RC, 13); KL2(RE, RC, RD, RB, RA, 13);
 SP(SI4, RE, RC, RD, RB, RA, 12); KL2(RE, RD, RA, RB, RC, 12);
 SP(SI3, RE, RD, RA, RB, RC, 11); KL2(RA, RE, RC, RB, RD, 11);
 SP(SI2, RA, RE, RC, RB, RD, 10); KL2(RE, RD, RB, RC, RA, 10);
 SP(SI1, RE, RD, RB, RC, RA, 9);  KL2(RA, RD, RB, RC, RE, 9);
 SP(SI0, RA, RD, RB, RC, RE, 8);  KL2(RB, RE, RD, RA, RC, 8);
 SP(SI7, RB, RE, RD, RA, RC, 7);  KL2(RE, RA, RB, RC, RD, 7);
 SP(SI6, RE, RA, RB, RC, RD, 6);  KL2(RB, RD, RC, RE, RA, 6);
 SP(SI5, RB, RD, RC, RE, RA, 5);  KL2(RD, RA, RB, RC, RE, 5);
 SP(SI4, RD, RA, RB, RC, RE, 4);  KL2(RD, RB, RE, RC, RA, 4);
 SP(SI3, RD, RB, RE, RC, RA, 3);  KL2(RE, RD, RA, RC, RB, 3);
 SP(SI2, RE, RD, RA, RC, RB, 2);  KL2(RD, RB, RC, RA, RE, 2);
 SP(SI1, RD, RB, RC, RA, RE, 1);  KL2(RE, RB, RC, RA, RD, 1);
 S(SI0, RE, RB, RC, RA, RD);   K2(RC, RD, RB, RE, RA, 0);

 write_blocks(RC1, RD1, RB1, RE1, RK0, RK1, RK2);
 write_blocks(RC2, RD2, RB2, RE2, RK0, RK1, RK2);

 RET;
SYM_FUNC_END(__serpent_dec_blk16)

SYM_FUNC_START(serpent_ecb_enc_16way)
 /* input:
 * %rdi: ctx, CTX
 * %rsi: dst
 * %rdx: src
 */
 FRAME_BEGIN

 vzeroupper;

 load_16way(%rdx, RA1, RB1, RC1, RD1, RA2, RB2, RC2, RD2);

 call __serpent_enc_blk16;

 store_16way(%rsi, RA1, RB1, RC1, RD1, RA2, RB2, RC2, RD2);

 vzeroupper;

 FRAME_END
 RET;
SYM_FUNC_END(serpent_ecb_enc_16way)

SYM_FUNC_START(serpent_ecb_dec_16way)
 /* input:
 * %rdi: ctx, CTX
 * %rsi: dst
 * %rdx: src
 */
 FRAME_BEGIN

 vzeroupper;

 load_16way(%rdx, RA1, RB1, RC1, RD1, RA2, RB2, RC2, RD2);

 call __serpent_dec_blk16;

 store_16way(%rsi, RC1, RD1, RB1, RE1, RC2, RD2, RB2, RE2);

 vzeroupper;

 FRAME_END
 RET;
SYM_FUNC_END(serpent_ecb_dec_16way)

SYM_FUNC_START(serpent_cbc_dec_16way)
 /* input:
 * %rdi: ctx, CTX
 * %rsi: dst
 * %rdx: src
 */
 FRAME_BEGIN

 vzeroupper;

 load_16way(%rdx, RA1, RB1, RC1, RD1, RA2, RB2, RC2, RD2);

 call __serpent_dec_blk16;

 store_cbc_16way(%rdx, %rsi, RC1, RD1, RB1, RE1, RC2, RD2, RB2, RE2,
   RK0);

 vzeroupper;

 FRAME_END
 RET;
SYM_FUNC_END(serpent_cbc_dec_16way)