]> git.ozlabs.org Git - ccan/blobdiff - ccan/crypto/sha256/benchmarks/sha256_avx1.asm
crypto/sha256: include Intel ASM versions in benchmarks.
[ccan] / ccan / crypto / sha256 / benchmarks / sha256_avx1.asm
diff --git a/ccan/crypto/sha256/benchmarks/sha256_avx1.asm b/ccan/crypto/sha256/benchmarks/sha256_avx1.asm
new file mode 100644 (file)
index 0000000..8a69451
--- /dev/null
@@ -0,0 +1,586 @@
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+; Copyright (c) 2012, Intel Corporation
+;
+; All rights reserved.
+;
+; Redistribution and use in source and binary forms, with or without
+; modification, are permitted provided that the following conditions are
+; met:
+;
+; * Redistributions of source code must retain the above copyright
+;   notice, this list of conditions and the following disclaimer.
+;
+; * Redistributions in binary form must reproduce the above copyright
+;   notice, this list of conditions and the following disclaimer in the
+;   documentation and/or other materials provided with the
+;   distribution.
+;
+; * Neither the name of the Intel Corporation nor the names of its
+;   contributors may be used to endorse or promote products derived from
+;   this software without specific prior written permission.
+;
+;
+; THIS SOFTWARE IS PROVIDED BY INTEL CORPORATION "AS IS" AND ANY
+; EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE
+; IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR
+; PURPOSE ARE DISCLAIMED. IN NO EVENT SHALL INTEL CORPORATION OR
+; CONTRIBUTORS BE LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL,
+; EXEMPLARY, OR CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO,
+; PROCUREMENT OF SUBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR
+; PROFITS; OR BUSINESS INTERRUPTION) HOWEVER CAUSED AND ON ANY THEORY OF
+; LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY, OR TORT (INCLUDING
+; NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE USE OF THIS
+; SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;
+; Example YASM command lines:
+; Windows:  yasm -Xvc -f x64 -rnasm -pnasm -o sha256_avx1.obj -g cv8 sha256_avx1.asm
+; Linux:    yasm -f x64 -f elf64 -X gnu -g dwarf2 -D LINUX -o sha256_avx1.o sha256_avx1.asm
+;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;
+; This code is described in an Intel White-Paper:
+; "Fast SHA-256 Implementations on Intel Architecture Processors"
+;
+; To find it, surf to http://www.intel.com/p/en_US/embedded
+; and search for that title.
+; The paper is expected to be released roughly at the end of April, 2012
+;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+; This code schedules 1 blocks at a time, with 4 lanes per block
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%define        VMOVDQ vmovdqu ;; assume buffers not aligned
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; Define Macros
+
+; addm [mem], reg
+; Add reg to mem using reg-mem add and store
+%macro addm 2
+       add     %2, %1
+       mov     %1, %2
+%endm
+
+%macro MY_ROR 2
+       shld    %1,%1,(32-(%2))
+%endm
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+; COPY_XMM_AND_BSWAP xmm, [mem], byte_flip_mask
+; Load xmm with mem and byte swap each dword
+%macro COPY_XMM_AND_BSWAP 3
+       VMOVDQ %1, %2
+       vpshufb %1, %1, %3
+%endmacro
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%define X0 xmm4
+%define X1 xmm5
+%define X2 xmm6
+%define X3 xmm7
+
+%define XTMP0 xmm0
+%define XTMP1 xmm1
+%define XTMP2 xmm2
+%define XTMP3 xmm3
+%define XTMP4 xmm8
+%define XFER  xmm9
+%define XTMP5 xmm11
+
+%define SHUF_00BA      xmm10 ; shuffle xBxA -> 00BA
+%define SHUF_DC00      xmm12 ; shuffle xDxC -> DC00
+%define BYTE_FLIP_MASK xmm13
+
+%ifdef LINUX
+%define NUM_BLKS rdx   ; 3rd arg
+%define CTX    rsi     ; 2nd arg
+%define INP    rdi     ; 1st arg
+
+%define SRND   rdi     ; clobbers INP
+%define c      ecx
+%define d      r8d
+%define e      edx
+%else
+%define NUM_BLKS r8    ; 3rd arg
+%define CTX    rdx     ; 2nd arg
+%define INP    rcx     ; 1st arg
+
+%define SRND   rcx     ; clobbers INP
+%define c      edi
+%define d      esi
+%define e      r8d
+
+%endif
+%define TBL    rbp
+%define a eax
+%define b ebx
+
+%define f r9d
+%define g r10d
+%define h r11d
+
+%define y0 r13d
+%define y1 r14d
+%define y2 r15d
+
+
+_INP_END_SIZE  equ 8
+_INP_SIZE      equ 8
+_XFER_SIZE     equ 8
+%ifdef LINUX
+_XMM_SAVE_SIZE equ 0
+%else
+_XMM_SAVE_SIZE equ 8*16
+%endif
+; STACK_SIZE plus pushes must be an odd multiple of 8
+_ALIGN_SIZE    equ 8
+
+_INP_END       equ 0
+_INP           equ _INP_END  + _INP_END_SIZE
+_XFER          equ _INP      + _INP_SIZE
+_XMM_SAVE      equ _XFER     + _XFER_SIZE + _ALIGN_SIZE
+STACK_SIZE     equ _XMM_SAVE + _XMM_SAVE_SIZE
+
+; rotate_Xs
+; Rotate values of symbols X0...X3
+%macro rotate_Xs 0
+%xdefine X_ X0
+%xdefine X0 X1
+%xdefine X1 X2
+%xdefine X2 X3
+%xdefine X3 X_
+%endm
+
+; ROTATE_ARGS
+; Rotate values of symbols a...h
+%macro ROTATE_ARGS 0
+%xdefine TMP_ h
+%xdefine h g
+%xdefine g f
+%xdefine f e
+%xdefine e d
+%xdefine d c
+%xdefine c b
+%xdefine b a
+%xdefine a TMP_
+%endm
+
+%macro FOUR_ROUNDS_AND_SCHED 0
+               ;; compute s0 four at a time and s1 two at a time
+               ;; compute W[-16] + W[-7] 4 at a time
+               ;vmovdqa        XTMP0, X3
+       mov     y0, e           ; y0 = e
+       MY_ROR  y0, (25-11)     ; y0 = e >> (25-11)
+       mov     y1, a           ; y1 = a
+               vpalignr        XTMP0, X3, X2, 4        ; XTMP0 = W[-7]
+       MY_ROR  y1, (22-13)     ; y1 = a >> (22-13)
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       mov     y2, f           ; y2 = f
+       MY_ROR  y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+               ;vmovdqa        XTMP1, X1
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       xor     y2, g           ; y2 = f^g
+               vpaddd  XTMP0, XTMP0, X0        ; XTMP0 = W[-7] + W[-16]
+       xor     y0, e           ; y0 = e ^ (e >> (11-6)) ^ (e >> (25-6))
+       and     y2, e           ; y2 = (f^g)&e
+       MY_ROR  y1, (13-2)      ; y1 = (a >> (13-2)) ^ (a >> (22-2))
+               ;; compute s0
+               vpalignr        XTMP1, X1, X0, 4        ; XTMP1 = W[-15]
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       MY_ROR  y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+
+
+       MY_ROR  y1, 2           ; y1 = S0 = (a>>2) ^ (a>>13) ^ (a>>22)
+       add     y2, y0          ; y2 = S1 + CH
+       add     y2, [rsp + _XFER + 0*4] ; y2 = k + w + S1 + CH
+
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+
+               vpsrld  XTMP2, XTMP1, 7
+
+       or      y0, c           ; y0 = a|c
+       add     d, h            ; d = d + h + S1 + CH + k + w
+       and     y2, c           ; y2 = a&c
+
+               vpslld  XTMP3, XTMP1, (32-7)
+
+       and     y0, b           ; y0 = (a|c)&b
+       add     h, y1           ; h = h + S1 + CH + k + w + S0
+
+               vpor    XTMP3, XTMP3, XTMP2     ; XTMP1 = W[-15] MY_ROR 7
+
+       or      y0, y2          ; y0 = MAJ = (a|c)&b)|(a&c)
+       add     h, y0           ; h = h + S1 + CH + k + w + S0 + MAJ
+
+ROTATE_ARGS
+
+       mov     y0, e           ; y0 = e
+       mov     y1, a           ; y1 = a
+
+
+       MY_ROR  y0, (25-11)     ; y0 = e >> (25-11)
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       mov     y2, f           ; y2 = f
+       MY_ROR  y1, (22-13)     ; y1 = a >> (22-13)
+
+               vpsrld  XTMP2, XTMP1,18
+
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       MY_ROR  y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+       xor     y2, g           ; y2 = f^g
+
+               vpsrld  XTMP4, XTMP1, 3 ; XTMP4 = W[-15] >> 3
+
+       MY_ROR  y1, (13-2)      ; y1 = (a >> (13-2)) ^ (a >> (22-2))
+       xor     y0, e           ; y0 = e ^ (e >> (11-6)) ^ (e >> (25-6))
+       and     y2, e           ; y2 = (f^g)&e
+       MY_ROR  y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+
+               vpslld  XTMP1, XTMP1, (32-18)
+
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+
+               vpxor   XTMP3, XTMP3, XTMP1
+
+       add     y2, y0          ; y2 = S1 + CH
+       add     y2, [rsp + _XFER + 1*4] ; y2 = k + w + S1 + CH
+       MY_ROR  y1, 2           ; y1 = S0 = (a>>2) ^ (a>>13) ^ (a>>22)
+
+               vpxor   XTMP3, XTMP3, XTMP2     ; XTMP1 = W[-15] MY_ROR 7 ^ W[-15] MY_ROR 18
+
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+
+               vpxor   XTMP1, XTMP3, XTMP4     ; XTMP1 = s0
+
+       or      y0, c           ; y0 = a|c
+       add     d, h            ; d = d + h + S1 + CH + k + w
+       and     y2, c           ; y2 = a&c
+               ;; compute low s1
+               vpshufd XTMP2, X3, 11111010b    ; XTMP2 = W[-2] {BBAA}
+       and     y0, b           ; y0 = (a|c)&b
+       add     h, y1           ; h = h + S1 + CH + k + w + S0
+               vpaddd  XTMP0, XTMP0, XTMP1     ; XTMP0 = W[-16] + W[-7] + s0
+       or      y0, y2          ; y0 = MAJ = (a|c)&b)|(a&c)
+       add     h, y0           ; h = h + S1 + CH + k + w + S0 + MAJ
+
+ROTATE_ARGS
+               ;vmovdqa        XTMP3, XTMP2    ; XTMP3 = W[-2] {BBAA}
+
+       mov     y0, e           ; y0 = e
+       mov     y1, a           ; y1 = a
+       MY_ROR  y0, (25-11)     ; y0 = e >> (25-11)
+
+               ;vmovdqa        XTMP4, XTMP2    ; XTMP4 = W[-2] {BBAA}
+
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       MY_ROR  y1, (22-13)     ; y1 = a >> (22-13)
+       mov     y2, f           ; y2 = f
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       MY_ROR  y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+
+               vpsrld  XTMP4, XTMP2, 10        ; XTMP4 = W[-2] >> 10 {BBAA}
+
+       xor     y2, g           ; y2 = f^g
+
+               vpsrlq  XTMP3, XTMP2, 19        ; XTMP3 = W[-2] MY_ROR 19 {xBxA}
+
+       xor     y0, e           ; y0 = e ^ (e >> (11-6)) ^ (e >> (25-6))
+       and     y2, e           ; y2 = (f^g)&e
+
+               vpsrlq  XTMP2, XTMP2, 17        ; XTMP2 = W[-2] MY_ROR 17 {xBxA}
+
+       MY_ROR  y1, (13-2)      ; y1 = (a >> (13-2)) ^ (a >> (22-2))
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+       MY_ROR  y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+               vpxor   XTMP2, XTMP2, XTMP3
+       add     y2, y0          ; y2 = S1 + CH
+       MY_ROR  y1, 2           ; y1 = S0 = (a>>2) ^ (a>>13) ^ (a>>22)
+       add     y2, [rsp + _XFER + 2*4] ; y2 = k + w + S1 + CH
+               vpxor   XTMP4, XTMP4, XTMP2     ; XTMP4 = s1 {xBxA}
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+               vpshufb XTMP4, XTMP4, SHUF_00BA ; XTMP4 = s1 {00BA}
+       or      y0, c           ; y0 = a|c
+       add     d, h            ; d = d + h + S1 + CH + k + w
+       and     y2, c           ; y2 = a&c
+               vpaddd  XTMP0, XTMP0, XTMP4     ; XTMP0 = {..., ..., W[1], W[0]}
+       and     y0, b           ; y0 = (a|c)&b
+       add     h, y1           ; h = h + S1 + CH + k + w + S0
+               ;; compute high s1
+               vpshufd XTMP2, XTMP0, 01010000b ; XTMP2 = W[-2] {DDCC}
+       or      y0, y2          ; y0 = MAJ = (a|c)&b)|(a&c)
+       add     h, y0           ; h = h + S1 + CH + k + w + S0 + MAJ
+
+ROTATE_ARGS
+               ;vmovdqa        XTMP3, XTMP2    ; XTMP3 = W[-2] {DDCC}
+       mov     y0, e           ; y0 = e
+       MY_ROR  y0, (25-11)     ; y0 = e >> (25-11)
+       mov     y1, a           ; y1 = a
+               ;vmovdqa        XTMP5,    XTMP2 ; XTMP5    = W[-2] {DDCC}
+       MY_ROR  y1, (22-13)     ; y1 = a >> (22-13)
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       mov     y2, f           ; y2 = f
+       MY_ROR  y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+
+               vpsrld  XTMP5, XTMP2,   10      ; XTMP5 = W[-2] >> 10 {DDCC}
+
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       xor     y2, g           ; y2 = f^g
+
+               vpsrlq  XTMP3, XTMP2, 19        ; XTMP3 = W[-2] MY_ROR 19 {xDxC}
+
+       xor     y0, e           ; y0 = e ^ (e >> (11-6)) ^ (e >> (25-6))
+       and     y2, e           ; y2 = (f^g)&e
+       MY_ROR  y1, (13-2)      ; y1 = (a >> (13-2)) ^ (a >> (22-2))
+
+               vpsrlq  XTMP2, XTMP2, 17        ; XTMP2 = W[-2] MY_ROR 17 {xDxC}
+
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       MY_ROR  y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+
+               vpxor   XTMP2, XTMP2, XTMP3
+
+       MY_ROR  y1, 2           ; y1 = S0 = (a>>2) ^ (a>>13) ^ (a>>22)
+       add     y2, y0          ; y2 = S1 + CH
+       add     y2, [rsp + _XFER + 3*4] ; y2 = k + w + S1 + CH
+               vpxor   XTMP5, XTMP5, XTMP2     ; XTMP5 = s1 {xDxC}
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+               vpshufb XTMP5, XTMP5, SHUF_DC00 ; XTMP5 = s1 {DC00}
+       or      y0, c           ; y0 = a|c
+       add     d, h            ; d = d + h + S1 + CH + k + w
+       and     y2, c           ; y2 = a&c
+               vpaddd  X0, XTMP5, XTMP0        ; X0 = {W[3], W[2], W[1], W[0]}
+       and     y0, b           ; y0 = (a|c)&b
+       add     h, y1           ; h = h + S1 + CH + k + w + S0
+       or      y0, y2          ; y0 = MAJ = (a|c)&b)|(a&c)
+       add     h, y0           ; h = h + S1 + CH + k + w + S0 + MAJ
+
+ROTATE_ARGS
+rotate_Xs
+%endm
+
+;; input is [rsp + _XFER + %1 * 4]
+%macro DO_ROUND 1
+       mov     y0, e           ; y0 = e
+       MY_ROR  y0, (25-11)     ; y0 = e >> (25-11)
+       mov     y1, a           ; y1 = a
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       MY_ROR  y1, (22-13)     ; y1 = a >> (22-13)
+       mov     y2, f           ; y2 = f
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       MY_ROR  y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+       xor     y2, g           ; y2 = f^g
+       xor     y0, e           ; y0 = e ^ (e >> (11-6)) ^ (e >> (25-6))
+       MY_ROR  y1, (13-2)      ; y1 = (a >> (13-2)) ^ (a >> (22-2))
+       and     y2, e           ; y2 = (f^g)&e
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       MY_ROR  y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+       add     y2, y0          ; y2 = S1 + CH
+       MY_ROR  y1, 2           ; y1 = S0 = (a>>2) ^ (a>>13) ^ (a>>22)
+       add     y2, [rsp + _XFER + %1 * 4]      ; y2 = k + w + S1 + CH
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+       or      y0, c           ; y0 = a|c
+       add     d, h            ; d = d + h + S1 + CH + k + w
+       and     y2, c           ; y2 = a&c
+       and     y0, b           ; y0 = (a|c)&b
+       add     h, y1           ; h = h + S1 + CH + k + w + S0
+       or      y0, y2          ; y0 = MAJ = (a|c)&b)|(a&c)
+       add     h, y0           ; h = h + S1 + CH + k + w + S0 + MAJ
+       ROTATE_ARGS
+%endm
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;; void sha256_avx(void *input_data, UINT32 digest[8], UINT64 num_blks)
+;; arg 1 : pointer to input data
+;; arg 2 : pointer to digest
+;; arg 3 : Num blocks
+section .text
+global sha256_avx
+align 32
+sha256_avx:
+       push    rbx
+%ifndef LINUX
+       push    rsi
+       push    rdi
+%endif
+       push    rbp
+       push    r13
+       push    r14
+       push    r15
+
+       sub     rsp,STACK_SIZE
+%ifndef LINUX
+       vmovdqa [rsp + _XMM_SAVE + 0*16],xmm6
+       vmovdqa [rsp + _XMM_SAVE + 1*16],xmm7
+       vmovdqa [rsp + _XMM_SAVE + 2*16],xmm8
+       vmovdqa [rsp + _XMM_SAVE + 3*16],xmm9
+       vmovdqa [rsp + _XMM_SAVE + 4*16],xmm10
+       vmovdqa [rsp + _XMM_SAVE + 5*16],xmm11
+       vmovdqa [rsp + _XMM_SAVE + 6*16],xmm12
+       vmovdqa [rsp + _XMM_SAVE + 7*16],xmm13
+%endif
+
+       shl     NUM_BLKS, 6     ; convert to bytes
+       jz      done_hash
+       add     NUM_BLKS, INP   ; pointer to end of data
+       mov     [rsp + _INP_END], NUM_BLKS
+
+       ;; load initial digest
+       mov     a,[4*0 + CTX]
+       mov     b,[4*1 + CTX]
+       mov     c,[4*2 + CTX]
+       mov     d,[4*3 + CTX]
+       mov     e,[4*4 + CTX]
+       mov     f,[4*5 + CTX]
+       mov     g,[4*6 + CTX]
+       mov     h,[4*7 + CTX]
+
+       vmovdqa BYTE_FLIP_MASK, [PSHUFFLE_BYTE_FLIP_MASK wrt rip]
+       vmovdqa SHUF_00BA, [_SHUF_00BA wrt rip]
+       vmovdqa SHUF_DC00, [_SHUF_DC00 wrt rip]
+
+loop0:
+       lea     TBL,[K256 wrt rip]
+
+       ;; byte swap first 16 dwords
+       COPY_XMM_AND_BSWAP      X0, [INP + 0*16], BYTE_FLIP_MASK
+       COPY_XMM_AND_BSWAP      X1, [INP + 1*16], BYTE_FLIP_MASK
+       COPY_XMM_AND_BSWAP      X2, [INP + 2*16], BYTE_FLIP_MASK
+       COPY_XMM_AND_BSWAP      X3, [INP + 3*16], BYTE_FLIP_MASK
+
+       mov     [rsp + _INP], INP
+
+       ;; schedule 48 input dwords, by doing 3 rounds of 16 each
+       mov     SRND, 3
+align 16
+loop1:
+       vpaddd  XFER, X0, [TBL + 0*16]
+       vmovdqa [rsp + _XFER], XFER
+       FOUR_ROUNDS_AND_SCHED
+
+       vpaddd  XFER, X0, [TBL + 1*16]
+       vmovdqa [rsp + _XFER], XFER
+       FOUR_ROUNDS_AND_SCHED
+
+       vpaddd  XFER, X0, [TBL + 2*16]
+       vmovdqa [rsp + _XFER], XFER
+       FOUR_ROUNDS_AND_SCHED
+
+       vpaddd  XFER, X0, [TBL + 3*16]
+       vmovdqa [rsp + _XFER], XFER
+       add     TBL, 4*16
+       FOUR_ROUNDS_AND_SCHED
+
+       sub     SRND, 1
+       jne     loop1
+
+       mov     SRND, 2
+loop2:
+       vpaddd  XFER, X0, [TBL + 0*16]
+       vmovdqa [rsp + _XFER], XFER
+       DO_ROUND        0
+       DO_ROUND        1
+       DO_ROUND        2
+       DO_ROUND        3
+
+       vpaddd  XFER, X1, [TBL + 1*16]
+       vmovdqa [rsp + _XFER], XFER
+       add     TBL, 2*16
+       DO_ROUND        0
+       DO_ROUND        1
+       DO_ROUND        2
+       DO_ROUND        3
+
+       vmovdqa X0, X2
+       vmovdqa X1, X3
+
+       sub     SRND, 1
+       jne     loop2
+
+
+       addm    [4*0 + CTX],a
+       addm    [4*1 + CTX],b
+       addm    [4*2 + CTX],c
+       addm    [4*3 + CTX],d
+       addm    [4*4 + CTX],e
+       addm    [4*5 + CTX],f
+       addm    [4*6 + CTX],g
+       addm    [4*7 + CTX],h
+
+       mov     INP, [rsp + _INP]
+       add     INP, 64
+       cmp     INP, [rsp + _INP_END]
+       jne     loop0
+
+done_hash:
+%ifndef LINUX
+       vmovdqa xmm6,[rsp + _XMM_SAVE + 0*16]
+       vmovdqa xmm7,[rsp + _XMM_SAVE + 1*16]
+       vmovdqa xmm8,[rsp + _XMM_SAVE + 2*16]
+       vmovdqa xmm9,[rsp + _XMM_SAVE + 3*16]
+       vmovdqa xmm10,[rsp + _XMM_SAVE + 4*16]
+       vmovdqa xmm11,[rsp + _XMM_SAVE + 5*16]
+       vmovdqa xmm12,[rsp + _XMM_SAVE + 6*16]
+       vmovdqa xmm13,[rsp + _XMM_SAVE + 7*16]
+%endif
+
+
+       add     rsp, STACK_SIZE
+
+       pop     r15
+       pop     r14
+       pop     r13
+       pop     rbp
+%ifndef LINUX
+       pop     rdi
+       pop     rsi
+%endif
+       pop     rbx
+
+       ret
+
+
+section .data
+align 64
+K256:
+       dd      0x428a2f98,0x71374491,0xb5c0fbcf,0xe9b5dba5
+       dd      0x3956c25b,0x59f111f1,0x923f82a4,0xab1c5ed5
+       dd      0xd807aa98,0x12835b01,0x243185be,0x550c7dc3
+       dd      0x72be5d74,0x80deb1fe,0x9bdc06a7,0xc19bf174
+       dd      0xe49b69c1,0xefbe4786,0x0fc19dc6,0x240ca1cc
+       dd      0x2de92c6f,0x4a7484aa,0x5cb0a9dc,0x76f988da
+       dd      0x983e5152,0xa831c66d,0xb00327c8,0xbf597fc7
+       dd      0xc6e00bf3,0xd5a79147,0x06ca6351,0x14292967
+       dd      0x27b70a85,0x2e1b2138,0x4d2c6dfc,0x53380d13
+       dd      0x650a7354,0x766a0abb,0x81c2c92e,0x92722c85
+       dd      0xa2bfe8a1,0xa81a664b,0xc24b8b70,0xc76c51a3
+       dd      0xd192e819,0xd6990624,0xf40e3585,0x106aa070
+       dd      0x19a4c116,0x1e376c08,0x2748774c,0x34b0bcb5
+       dd      0x391c0cb3,0x4ed8aa4a,0x5b9cca4f,0x682e6ff3
+       dd      0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208
+       dd      0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2
+
+PSHUFFLE_BYTE_FLIP_MASK: ddq 0x0c0d0e0f08090a0b0405060700010203
+
+; shuffle xBxA -> 00BA
+_SHUF_00BA:              ddq 0xFFFFFFFFFFFFFFFF0b0a090803020100
+
+; shuffle xDxC -> DC00
+_SHUF_DC00:              ddq 0x0b0a090803020100FFFFFFFFFFFFFFFF