Quelle  popcount.asm

dnl  X86-32 and X86-64 mpn_popcount using SSE2.

dnl  Copyright 2006, 2007, 2011, 2015, 2020 Free Software Foundation, Inc.

dnl  This file is part of the GNU MP Library.
dnl
dnl  The GNU MP Library is free software; you can redistribute it and/or modify
dnl  it under the terms of either:
dnl
dnl    * the GNU Lesser General Public License as published by the Free
dnl      Software Foundation; either version 3 of the License, or (at your
dnl      option) any later version.
dnl
dnl  or
dnl
dnl    * the GNU General Public License as published by the Free Software
dnl      Foundation; either version 2 of the License, or (at your option) any
dnl      later version.
dnl
dnl  or both in parallel, as here.
dnl
dnl  The GNU MP Library is distributed in the hope that it will be useful, but
dnl  WITHOUT ANY WARRANTY; without even the implied warranty of MERCHANTABILITY
dnl  or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public License
dnl  for more details.
dnl
dnl  You should have received copies of the GNU General Public License and the
dnl  GNU Lesser General Public License along with the GNU MP Library.  If not,
dnl  see https://www.gnu.org/licenses/.


include(`../config.m4')


C 32-bit       popcount      hamdist
C       cycles/limb     cycles/limb
C P5    -
C P6 model 0-8,10-12  -
C P6 model 9  (Banias)  ?
C P6 model 13 (Dothan)  4
C P4 model 0  (Willamette) ?
C P4 model 1  (?)  ?
C P4 model 2  (Northwood) 3.9
C P4 model 3  (Prescott) ?
C P4 model 4  (Nocona)  ?
C AMD K6   -
C AMD K7   -
C AMD K8   ?

C 64-bit       popcount      hamdist
C       cycles/limb     cycles/limb
C P4 model 4 (Nocona):  8
C AMD K8,K9   7.5
C AMD K10   3.5
C Intel core2   3.68
C Intel corei   3.15
C Intel atom         10.8
C VIA nano   6.5

C TODO
C  * Make an mpn_hamdist based on this.  Alignment could either be handled by
C    using movdqu for one operand and movdqa for the other, or by painfully
C    shifting as we go.  Unfortunately, there seem to be no usable shift
C    instruction, except for one that takes an immediate count.
C  * It would probably be possible to cut a few cycles/limb using software
C    pipelining.
C  * There are 35 decode slots unused by the SSE2 instructions.  Loop control
C    needs just 2 or 3 slots, leaving around 32 slots.  This allows a parallel
C    integer based popcount.  Such a combined loop would handle 6 limbs in
C    about 30 cycles on K8.
C  * We could save a byte or two by using 32-bit operations on areg.
C  * Check if using movdqa to a temp of and then register-based pand is faster.

ifelse(GMP_LIMB_BITS,`32',
` define(`up',  `%edx')
 define(`n',   `%ecx')
 define(`areg',`%eax')
 define(`breg',`%ebx')
 define(`zero',`%xmm4')
 define(`LIMB32',` $1')
 define(`LIMB64',`dnl')
',`
 define(`up',  `%rdi')
 define(`n',   `%rsi')
 define(`areg',`%rax')
 define(`breg',`%rdx')
 define(`zero',`%xmm8')
 define(`LIMB32',`dnl')
 define(`LIMB64',` $1')
')

define(`mm01010101',`%xmm6')
define(`mm00110011',`%xmm7')
define(`mm00001111',`%xmm2')

define(`GMP_LIMB_BYTES', eval(GMP_LIMB_BITS/8))
define(`LIMBS_PER_XMM',  eval(16/GMP_LIMB_BYTES))
define(`LIMBS_PER_2XMM', eval(32/GMP_LIMB_BYTES))

undefine(`psadbw')   C override inherited m4 version

C This file is shared between 32-bit and 64-bit builds.  Only the former has
C LEAL.  Default LEAL as an alias of LEA.
ifdef(`LEAL',,`define(`LEAL', `LEA($1,$2)')')

ASM_START()

C Make cnsts global to work around Apple relocation bug.
ifdef(`DARWIN',`
 define(`cnsts', MPN(popccnsts))
 GLOBL cnsts')

 TEXT
 ALIGN(32)
PROLOGUE(mpn_popcount)

LIMB32(`mov 4(%esp), up ')
LIMB32(`mov 8(%esp), n ')
LIMB32(`push %ebx  ')

 pxor %xmm3, %xmm3  C zero grand total count
LIMB64(`pxor zero, zero ')

 LEAL( cnsts, breg)

 movdqa -48(breg), mm01010101
 movdqa -32(breg), mm00110011
 movdqa -16(breg), mm00001111

 mov up, areg
 and $-16, up  C round `up' down to 128-bit boundary
 and $12, areg  C 32:areg = 0, 4, 8, 12
     C 64:areg = 0, 8
 movdqa (up), %xmm0
 pand 64(breg,areg,4), %xmm0
 shr $m4_log2(GMP_LIMB_BYTES), %eax
 add areg, n   C compensate n for rounded down `up'

 pxor %xmm4, %xmm4
 sub $LIMBS_PER_XMM, n
 jbe L(sum)

 sub $LIMBS_PER_XMM, n
 ja L(ent)
 jmp L(lsum)

 ALIGN(16)
L(top): movdqa (up), %xmm0
L(ent): movdqa 16(up), %xmm4

 movdqa %xmm0, %xmm1
 movdqa %xmm4, %xmm5
 psrld $1, %xmm0
 psrld $1, %xmm4
 pand mm01010101, %xmm0
 pand mm01010101, %xmm4
 psubd %xmm0, %xmm1
 psubd %xmm4, %xmm5

 movdqa %xmm1, %xmm0
 movdqa %xmm5, %xmm4
 psrlq $2, %xmm1
 psrlq $2, %xmm5
 pand mm00110011, %xmm0
 pand mm00110011, %xmm4
 pand mm00110011, %xmm1
 pand mm00110011, %xmm5
 paddq %xmm0, %xmm1
 paddq %xmm4, %xmm5

LIMB32(`pxor zero, zero ')

 add $32, up
 sub $LIMBS_PER_2XMM, n

 paddq %xmm5, %xmm1
 movdqa %xmm1, %xmm0
 psrlq $4, %xmm1
 pand mm00001111, %xmm0
 pand mm00001111, %xmm1
 paddq %xmm0, %xmm1

 psadbw zero, %xmm1
 paddq %xmm1, %xmm3  C add to grand total

 jnc L(top)
L(end):
 add $LIMBS_PER_2XMM, n
 jz L(rt)
 movdqa (up), %xmm0
 pxor %xmm4, %xmm4
 sub $LIMBS_PER_XMM, n
 jbe L(sum)
L(lsum):
 movdqa %xmm0, %xmm4
 movdqa 16(up), %xmm0
L(sum):
 shl $m4_log2(GMP_LIMB_BYTES), n
 and $12, n
 pand (breg,n,4), %xmm0

 movdqa %xmm0, %xmm1
 movdqa %xmm4, %xmm5
 psrld $1, %xmm0
 psrld $1, %xmm4
 pand mm01010101, %xmm0
 pand mm01010101, %xmm4
 psubd %xmm0, %xmm1
 psubd %xmm4, %xmm5

 movdqa %xmm1, %xmm0
 movdqa %xmm5, %xmm4
 psrlq $2, %xmm1
 psrlq $2, %xmm5
 pand mm00110011, %xmm0
 pand mm00110011, %xmm4
 pand mm00110011, %xmm1
 pand mm00110011, %xmm5
 paddq %xmm0, %xmm1
 paddq %xmm4, %xmm5

LIMB32(`pxor zero, zero ')

 paddq %xmm5, %xmm1
 movdqa %xmm1, %xmm0
 psrlq $4, %xmm1
 pand mm00001111, %xmm0
 pand mm00001111, %xmm1
 paddq %xmm0, %xmm1

 psadbw zero, %xmm1
 paddq %xmm1, %xmm3  C add to grand total


C Add the two 64-bit halves of the grand total counter
L(rt): movdqa %xmm3, %xmm0
 psrldq $8, %xmm3
 paddq %xmm3, %xmm0
 movd %xmm0, areg  C movq avoided due to gas bug

LIMB32(`pop %ebx  ')
 ret

EPILOGUE()
DEF_OBJECT(dummy,16)
C Three magic constants used for masking out bits
 .byte 0x55,0x55,0x55,0x55,0x55,0x55,0x55,0x55
 .byte 0x55,0x55,0x55,0x55,0x55,0x55,0x55,0x55

 .byte 0x33,0x33,0x33,0x33,0x33,0x33,0x33,0x33
 .byte 0x33,0x33,0x33,0x33,0x33,0x33,0x33,0x33

 .byte 0x0f,0x0f,0x0f,0x0f,0x0f,0x0f,0x0f,0x0f
 .byte 0x0f,0x0f,0x0f,0x0f,0x0f,0x0f,0x0f,0x0f
cnsts:
C Masks for high end of number
 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff
 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff

 .byte 0xff,0xff,0xff,0xff,0x00,0x00,0x00,0x00
 .byte 0x00,0x00,0x00,0x00,0x00,0x00,0x00,0x00

 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff
 .byte 0x00,0x00,0x00,0x00,0x00,0x00,0x00,0x00

 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff
 .byte 0xff,0xff,0xff,0xff,0x00,0x00,0x00,0x00
C Masks for low end of number
 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff
 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff

 .byte 0x00,0x00,0x00,0x00,0xff,0xff,0xff,0xff
 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff

 .byte 0x00,0x00,0x00,0x00,0x00,0x00,0x00,0x00
 .byte 0xff,0xff,0xff,0xff,0xff,0xff,0xff,0xff

 .byte 0x00,0x00,0x00,0x00,0x00,0x00,0x00,0x00
 .byte 0x00,0x00,0x00,0x00,0xff,0xff,0xff,0xff
END_OBJECT(dummy)
ASM_END()