Quelle  com-palignr.asm

dnl  AMD64 mpn_com optimised for CPUs with fast SSE copying and SSSE3.

dnl  Copyright 2012, 2013, 2015 Free Software Foundation, Inc.

dnl  Contributed to the GNU project by Torbjorn Granlund.

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      cycles/limb     cycles/limb     cycles/limb      good
C              aligned       unaligned       best seen      for cpu?
C AMD K8,K9  2.0   illop  1.0/1.0  N
C AMD K10  0.85   illop    Y/N
C AMD bd1  1.39   ? 1.45    Y/N
C AMD bd2     0.8-1.4        0.7-1.4    Y
C AMD bd3
C AMD bd4
C AMD bobcat  1.97   ? 8.17  1.5/1.5  N
C AMD jaguar  1.02   1.02  0.91/0.91 N
C Intel P4  2.26   illop    Y/N
C Intel core  0.58   0.87  opt/0.74 Y
C Intel NHM  0.64   1.14  opt/bad  Y
C Intel SBR  0.51   0.65  opt/opt  Y
C Intel IBR  0.50   0.64  opt/0.57 Y
C Intel HWL  0.51   0.58  opt/opt  Y
C Intel BWL  0.52   0.64  opt/opt  Y
C Intel SKL  0.51   0.63  opt/opt  Y
C Intel atom  1.16   1.70  opt/opt  Y
C Intel SLM  1.02   1.52    N
C VIA nano  1.09   1.10  opt/opt  Y

C We use only 16-byte operations, except for unaligned top-most and bottom-most
C limbs.  We use the SSSE3 palignr instruction when rp - up = 8 (mod 16).  That
C instruction is better adapted to mpn_copyd's needs, we need to contort the
C code to use it here.
C
C For operands of < COM_SSE_THRESHOLD limbs, we use a plain 64-bit loop, taken
C from the x86_64 default code.

C INPUT PARAMETERS
define(`rp', `%rdi')
define(`up', `%rsi')
define(`n',  `%rdx')

C There are three instructions for loading an aligned 128-bit quantity.  We use
C movaps, since it has the shortest coding.
define(`movdqa', ``movaps'')

ifdef(`COM_SSE_THRESHOLD',`',`define(`COM_SSE_THRESHOLD', 7)')

ASM_START()
 TEXT
 ALIGN(64)
PROLOGUE(mpn_com)
 FUNC_ENTRY(3)

 cmp $COM_SSE_THRESHOLD, n
 jbe L(bc)

 pcmpeqb %xmm5, %xmm5  C set to 111...111

 test $8, R8(rp)  C is rp 16-byte aligned?
 jz L(rp_aligned)  C jump if rp aligned

 mov (up), %r8
 lea 8(up), up
 not %r8
 mov %r8, (rp)
 lea 8(rp), rp
 dec n

L(rp_aligned):
 test $8, R8(up)
 jnz L(uent)

ifelse(eval(COM_SSE_THRESHOLD >= 8),1,
` sub $8, n',
` jmp L(am)')

 ALIGN(16)
L(atop):movdqa 0(up), %xmm0
 movdqa 16(up), %xmm1
 movdqa 32(up), %xmm2
 movdqa 48(up), %xmm3
 lea 64(up), up
 pxor %xmm5, %xmm0
 pxor %xmm5, %xmm1
 pxor %xmm5, %xmm2
 pxor %xmm5, %xmm3
 movdqa %xmm0, (rp)
 movdqa %xmm1, 16(rp)
 movdqa %xmm2, 32(rp)
 movdqa %xmm3, 48(rp)
 lea 64(rp), rp
L(am): sub $8, n
 jnc L(atop)

 test $4, R8(n)
 jz 1f
 movdqa (up), %xmm0
 movdqa 16(up), %xmm1
 lea 32(up), up
 pxor %xmm5, %xmm0
 pxor %xmm5, %xmm1
 movdqa %xmm0, (rp)
 movdqa %xmm1, 16(rp)
 lea 32(rp), rp

1: test $2, R8(n)
 jz 1f
 movdqa (up), %xmm0
 lea 16(up), up
 pxor %xmm5, %xmm0
 movdqa %xmm0, (rp)
 lea 16(rp), rp

1: test $1, R8(n)
 jz 1f
 mov (up), %r8
 not %r8
 mov %r8, (rp)

1: FUNC_EXIT()
 ret

L(uent):
C Code handling up - rp = 8 (mod 16)

C FIXME: The code below only handles overlap if it is close to complete, or
C quite separate: up-rp < 5 or up-up > 15 limbs
 lea -40(up), %rax  C 40 = 5 * GMP_LIMB_BYTES
 sub rp, %rax
 cmp $80, %rax  C 80 = (15-5) * GMP_LIMB_BYTES
 jbe L(bc)   C deflect to plain loop

 sub $16, n
 jc L(uend)

 movdqa 120(up), %xmm3

 sub $16, n
 jmp L(um)

 ALIGN(16)
L(utop):movdqa 120(up), %xmm3
 pxor %xmm5, %xmm0
 movdqa %xmm0, -128(rp)
 sub $16, n
L(um): movdqa 104(up), %xmm2
 palignr($8, %xmm2, %xmm3)
 movdqa 88(up), %xmm1
 pxor %xmm5, %xmm3
 movdqa %xmm3, 112(rp)
 palignr($8, %xmm1, %xmm2)
 movdqa 72(up), %xmm0
 pxor %xmm5, %xmm2
 movdqa %xmm2, 96(rp)
 palignr($8, %xmm0, %xmm1)
 movdqa 56(up), %xmm3
 pxor %xmm5, %xmm1
 movdqa %xmm1, 80(rp)
 palignr($8, %xmm3, %xmm0)
 movdqa 40(up), %xmm2
 pxor %xmm5, %xmm0
 movdqa %xmm0, 64(rp)
 palignr($8, %xmm2, %xmm3)
 movdqa 24(up), %xmm1
 pxor %xmm5, %xmm3
 movdqa %xmm3, 48(rp)
 palignr($8, %xmm1, %xmm2)
 movdqa 8(up), %xmm0
 pxor %xmm5, %xmm2
 movdqa %xmm2, 32(rp)
 palignr($8, %xmm0, %xmm1)
 movdqa -8(up), %xmm3
 pxor %xmm5, %xmm1
 movdqa %xmm1, 16(rp)
 palignr($8, %xmm3, %xmm0)
 lea 128(up), up
 lea 128(rp), rp
 jnc L(utop)

 pxor %xmm5, %xmm0
 movdqa %xmm0, -128(rp)

L(uend):test $8, R8(n)
 jz 1f
 movdqa 56(up), %xmm3
 movdqa 40(up), %xmm2
 palignr($8, %xmm2, %xmm3)
 movdqa 24(up), %xmm1
 pxor %xmm5, %xmm3
 movdqa %xmm3, 48(rp)
 palignr($8, %xmm1, %xmm2)
 movdqa 8(up), %xmm0
 pxor %xmm5, %xmm2
 movdqa %xmm2, 32(rp)
 palignr($8, %xmm0, %xmm1)
 movdqa -8(up), %xmm3
 pxor %xmm5, %xmm1
 movdqa %xmm1, 16(rp)
 palignr($8, %xmm3, %xmm0)
 lea 64(up), up
 pxor %xmm5, %xmm0
 movdqa %xmm0, (rp)
 lea 64(rp), rp

1: test $4, R8(n)
 jz 1f
 movdqa 24(up), %xmm1
 movdqa 8(up), %xmm0
 palignr($8, %xmm0, %xmm1)
 movdqa -8(up), %xmm3
 pxor %xmm5, %xmm1
 movdqa %xmm1, 16(rp)
 palignr($8, %xmm3, %xmm0)
 lea 32(up), up
 pxor %xmm5, %xmm0
 movdqa %xmm0, (rp)
 lea 32(rp), rp

1: test $2, R8(n)
 jz 1f
 movdqa 8(up), %xmm0
 movdqa -8(up), %xmm3
 palignr($8, %xmm3, %xmm0)
 lea 16(up), up
 pxor %xmm5, %xmm0
 movdqa %xmm0, (rp)
 lea 16(rp), rp

1: test $1, R8(n)
 jz 1f
 mov (up), %r8
 not %r8
 mov %r8, (rp)

1: FUNC_EXIT()
 ret

C Basecase code.  Needed for good small operands speed, not for
C correctness as the above code is currently written.

L(bc): lea -8(rp), rp
 sub $4, R32(n)
 jc L(end)

ifelse(eval(1 || COM_SSE_THRESHOLD >= 8),1,
` ALIGN(16)')
L(top): mov (up), %r8
 mov 8(up), %r9
 lea 32(rp), rp
 mov 16(up), %r10
 mov 24(up), %r11
 lea 32(up), up
 not %r8
 not %r9
 not %r10
 not %r11
 mov %r8, -24(rp)
 mov %r9, -16(rp)
ifelse(eval(1 || COM_SSE_THRESHOLD >= 8),1,
` sub $4, R32(n)')
 mov %r10, -8(rp)
 mov %r11, (rp)
ifelse(eval(1 || COM_SSE_THRESHOLD >= 8),1,
` jnc L(top)')

L(end): test $1, R8(n)
 jz 1f
 mov (up), %r8
 not %r8
 mov %r8, 8(rp)
 lea 8(rp), rp
 lea 8(up), up
1: test $2, R8(n)
 jz 1f
 mov (up), %r8
 mov 8(up), %r9
 not %r8
 not %r9
 mov %r8, 8(rp)
 mov %r9, 16(rp)
1: FUNC_EXIT()
 ret
EPILOGUE()