]> git.ozlabs.org Git - ccan/commitdiff
crypto/sha256: include Intel ASM versions in benchmarks.
authorRusty Russell <rusty@rustcorp.com.au>
Thu, 25 Jun 2015 07:21:07 +0000 (16:51 +0930)
committerRusty Russell <rusty@rustcorp.com.au>
Thu, 25 Jun 2015 07:48:29 +0000 (17:18 +0930)
Signed-off-by: Rusty Russell <rusty@rustcorp.com.au>
ccan/crypto/sha256/benchmarks/Makefile
ccan/crypto/sha256/benchmarks/double-sha-bench.c
ccan/crypto/sha256/benchmarks/sha256_avx1.asm [new file with mode: 0644]
ccan/crypto/sha256/benchmarks/sha256_avx2_rorx2.asm [new file with mode: 0644]
ccan/crypto/sha256/benchmarks/sha256_avx2_rorx8.asm [new file with mode: 0644]
ccan/crypto/sha256/benchmarks/sha256_sse4.asm [new file with mode: 0644]

index 9621962abf1ebf006a062e9ff5501bbc3c14aacd..a9f1b29fc7dbd821cd3a4f7e5c16536813bec4dc 100644 (file)
@@ -1,8 +1,18 @@
 CCANDIR := ../../../../
-CFLAGS := -Wall -I$(CCANDIR) -O3 -flto
+CFLAGS := -Wall -I$(CCANDIR) -O3 -flto -DCCAN_USE_ORIGINAL=1
 LDFLAGS := -O3 -flto
 
-double-sha-bench: double-sha-bench.o ccan-time.o ccan-crypto-sha256.o
+INTEL_OBJS := sha256_avx1.o sha256_avx2_rorx2.o sha256_avx2_rorx8.o sha256_sse4.o
+
+double-sha-bench: double-sha-bench.o ccan-time.o $(INTEL_OBJS)  #ccan-crypto-sha256.o
+
+$(INTEL_OBJS): %.o : %.asm
+
+%.o : %.asm
+       yasm -f x64 -f elf64 -X gnu -g dwarf2 -D LINUX -o $@ $<
+
+clean:
+       $(RM) -f *.o
 
 ccan-crypto-sha256.o: $(CCANDIR)/ccan/crypto/sha256/sha256.c
        $(CC) $(CFLAGS) -c -o $@ $<
index 93fd9d31d418cd6d41b62e391c43359e6ce1e32e..b66531b853bfdbf0268664ec2553707b06d42357 100644 (file)
 /* Bitcoin does a lot of SHA of SHA.  Benchmark that. */
-#include <ccan/crypto/sha256/sha256.h>
+#include <ccan/crypto/sha256/sha256.c>
 #include <ccan/time/time.h>
 #include <stdio.h>
 
+void sha256_avx(void *input_data, uint32_t digest[8], uint64_t num_blks);
+void sha256_rorx(void *input_data, uint32_t digest[8], uint64_t num_blks);
+void sha256_rorx_x8ms(void *input_data, uint32_t digest[8], uint64_t num_blks);
+void sha256_sse4(void *input_data, uint32_t digest[8], uint64_t num_blks);
+
 int main(int argc, char *argv[])
 {
        struct timeabs start;
        struct timerel diff;
        size_t i, n;
-       struct sha256 h;
+       union {
+               struct sha256 h;
+               uint32_t u32[16];
+               uint8_t u8[64];
+       } block;
 
        n = atoi(argv[1] ? argv[1] : "1000000");
-       sha256(&h, &n, sizeof(n));
+       memset(&block, 0, sizeof(block));
+       sha256(&block.h, &n, sizeof(n));
+
+       start = time_now();
+       for (i = 0; i < n; i++) {
+               sha256(&block.h, &block.h, sizeof(block.h));
+       }
+       diff = time_divide(time_between(time_now(), start), n);
+       printf("Normal gave %02x%02x%02x%02x%02x%02x... in %llu nsec\n",
+              block.h.u.u8[0], block.h.u.u8[1], block.h.u.u8[2],
+              block.h.u.u8[3], block.h.u.u8[4], block.h.u.u8[5],
+              (unsigned long long)time_to_nsec(diff));
+
+       /* Now, don't re-initalize every time; use Transform */
+       memset(&block, 0, sizeof(block));
+       sha256(&block.h, &n, sizeof(n));
+       block.u8[sizeof(block.h)] = 0x80;
+       // Size is 256 bits
+       block.u8[sizeof(block)-2] = 1;
+
+       start = time_now();
+       for (i = 0; i < n; i++) {
+               struct sha256_ctx ctx = SHA256_INIT;
+               size_t j;
+               Transform(ctx.s, block.u32);
+               for (j = 0; j < sizeof(ctx.s) / sizeof(ctx.s[0]); j++)
+                       block.h.u.u32[j] = cpu_to_be32(ctx.s[j]);
+       }
+       diff = time_divide(time_between(time_now(), start), n);
+       printf("Transform gave %02x%02x%02x%02x%02x%02x... in %llu nsec\n",
+              block.h.u.u8[0], block.h.u.u8[1], block.h.u.u8[2],
+              block.h.u.u8[3], block.h.u.u8[4], block.h.u.u8[5],
+              (unsigned long long)time_to_nsec(diff));
+
+       /* Now, assembler variants */
+       sha256(&block.h, &n, sizeof(n));
+
+       start = time_now();
+       for (i = 0; i < n; i++) {
+               struct sha256_ctx ctx = SHA256_INIT;
+               size_t j;
+               sha256_rorx(block.u32, ctx.s, 1);
+               for (j = 0; j < sizeof(ctx.s) / sizeof(ctx.s[0]); j++)
+                       block.h.u.u32[j] = cpu_to_be32(ctx.s[j]);
+       }
+       diff = time_divide(time_between(time_now(), start), n);
+       printf("Asm rorx for %02x%02x%02x%02x%02x%02x... is %llu nsec\n",
+              block.h.u.u8[0], block.h.u.u8[1], block.h.u.u8[2],
+              block.h.u.u8[3], block.h.u.u8[4], block.h.u.u8[5],
+              (unsigned long long)time_to_nsec(diff));
+
+       sha256(&block.h, &n, sizeof(n));
+
        start = time_now();
-       for (i = 0; i < n; i++)
-               sha256(&h, &h, sizeof(h));
+       for (i = 0; i < n; i++) {
+               struct sha256_ctx ctx = SHA256_INIT;
+               size_t j;
+               sha256_sse4(block.u32, ctx.s, 1);
+               for (j = 0; j < sizeof(ctx.s) / sizeof(ctx.s[0]); j++)
+                       block.h.u.u32[j] = cpu_to_be32(ctx.s[j]);
+       }
        diff = time_divide(time_between(time_now(), start), n);
-       printf("Hashing time for %02x%02x%02x%02x%02x%02x... is %llu nsec\n",
-              h.u.u8[0], h.u.u8[1], h.u.u8[2], h.u.u8[3], h.u.u8[4], h.u.u8[5],
+       printf("Asm SSE4 for %02x%02x%02x%02x%02x%02x... is %llu nsec\n",
+              block.h.u.u8[0], block.h.u.u8[1], block.h.u.u8[2],
+              block.h.u.u8[3], block.h.u.u8[4], block.h.u.u8[5],
               (unsigned long long)time_to_nsec(diff));
+
+       sha256(&block.h, &n, sizeof(n));
+       start = time_now();
+       for (i = 0; i < n; i++) {
+               struct sha256_ctx ctx = SHA256_INIT;
+               size_t j;
+               sha256_rorx_x8ms(block.u32, ctx.s, 1);
+               for (j = 0; j < sizeof(ctx.s) / sizeof(ctx.s[0]); j++)
+                       block.h.u.u32[j] = cpu_to_be32(ctx.s[j]);
+       }
+       diff = time_divide(time_between(time_now(), start), n);
+       printf("Asm RORx-x8ms for %02x%02x%02x%02x%02x%02x... is %llu nsec\n",
+              block.h.u.u8[0], block.h.u.u8[1], block.h.u.u8[2],
+              block.h.u.u8[3], block.h.u.u8[4], block.h.u.u8[5],
+              (unsigned long long)time_to_nsec(diff));
+
+       sha256(&block.h, &n, sizeof(n));
+       start = time_now();
+       for (i = 0; i < n; i++) {
+               struct sha256_ctx ctx = SHA256_INIT;
+               size_t j;
+               sha256_avx(block.u32, ctx.s, 1);
+               for (j = 0; j < sizeof(ctx.s) / sizeof(ctx.s[0]); j++)
+                       block.h.u.u32[j] = cpu_to_be32(ctx.s[j]);
+       }
+       diff = time_divide(time_between(time_now(), start), n);
+       printf("Asm AVX for %02x%02x%02x%02x%02x%02x... is %llu nsec\n",
+              block.h.u.u8[0], block.h.u.u8[1], block.h.u.u8[2],
+              block.h.u.u8[3], block.h.u.u8[4], block.h.u.u8[5],
+              (unsigned long long)time_to_nsec(diff));
+
        return 0;
 }
+       
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
diff --git a/ccan/crypto/sha256/benchmarks/sha256_avx2_rorx2.asm b/ccan/crypto/sha256/benchmarks/sha256_avx2_rorx2.asm
new file mode 100644 (file)
index 0000000..54f0dd5
--- /dev/null
@@ -0,0 +1,826 @@
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+; 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_avx2_rorx2.obj -g cv8 sha256_avx2_rorx2.asm
+; Linux:    yasm -f x64 -f elf64 -X gnu -g dwarf2 -D LINUX -o sha256_avx2_rorx2.o sha256_avx2_rorx2.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 2 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
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%define X0 ymm4
+%define X1 ymm5
+%define X2 ymm6
+%define X3 ymm7
+
+; XMM versions of above
+%define XWORD0 xmm4
+%define XWORD1 xmm5
+%define XWORD2 xmm6
+%define XWORD3 xmm7
+
+%define XTMP0 ymm0
+%define XTMP1 ymm1
+%define XTMP2 ymm2
+%define XTMP3 ymm3
+%define XTMP4 ymm8
+%define XFER  ymm9
+%define XTMP5 ymm11
+
+%define SHUF_00BA      ymm10 ; shuffle xBxA -> 00BA
+%define SHUF_DC00      ymm12 ; shuffle xDxC -> DC00
+%define BYTE_FLIP_MASK ymm13
+
+%define X_BYTE_FLIP_MASK xmm13 ; XMM version of BYTE_FLIP_MASK
+
+%ifdef LINUX
+%define NUM_BLKS rdx   ; 3rd arg
+%define CTX    rsi     ; 2nd arg
+%define INP    rdi     ; 1st arg
+%define c      ecx
+%define d      r8d
+%define e       edx    ; clobbers NUM_BLKS
+%define y3     edi     ; clobbers INP
+%else
+%define NUM_BLKS r8     ; 3rd arg
+%define CTX    rdx     ; 2nd arg
+%define INP    rcx     ; 1st arg
+%define c      edi
+%define d      esi
+%define e      r8d     ; clobbers NUM_BLKS
+%define y3     ecx     ; clobbers INP
+
+%endif
+
+
+%define TBL    rbp
+%define SRND   CTX     ; SRND is same register as CTX
+
+%define a eax
+%define b ebx
+%define f r9d
+%define g r10d
+%define h r11d
+%define old_h r11d
+
+%define T1 r12d
+%define y0 r13d
+%define y1 r14d
+%define y2 r15d
+
+
+_XFER_SIZE     equ 2*64*4      ; 2 blocks, 64 rounds, 4 bytes/round
+%ifdef LINUX
+_XMM_SAVE_SIZE equ 0
+%else
+_XMM_SAVE_SIZE equ 8*16
+%endif
+_INP_END_SIZE  equ 8
+_INP_SIZE      equ 8
+_CTX_SIZE      equ 8
+_RSP_SIZE      equ 8
+
+_XFER          equ 0
+_XMM_SAVE      equ _XFER     + _XFER_SIZE
+_INP_END       equ _XMM_SAVE + _XMM_SAVE_SIZE
+_INP           equ _INP_END  + _INP_END_SIZE
+_CTX           equ _INP      + _INP_SIZE
+_RSP           equ _CTX      + _CTX_SIZE
+STACK_SIZE     equ _RSP      + _RSP_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 old_h h
+%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 1
+%define %%XFER %1
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 0 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       mov     y3, a           ; y3 = a                                ; MAJA
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+
+       add     h, dword[%%XFER+0*4]            ; h = k + w + h         ; --
+       or      y3, c           ; y3 = a|c                              ; MAJA
+               vpalignr        XTMP0, X3, X2, 4        ; XTMP0 = W[-7]
+       mov     y2, f           ; y2 = f                                ; CH
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+       xor     y2, g           ; y2 = f^g                              ; CH
+               vpaddd  XTMP0, XTMP0, X0        ; XTMP0 = W[-7] + W[-16]; y1 = (e >> 6)                                 ; S1
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+       add     d, h            ; d = k + w + h + d                     ; --
+
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+               vpalignr        XTMP1, X1, X0, 4        ; XTMP1 = W[-15]
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+               vpsrld  XTMP2, XTMP1, 7
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     T1, c           ; T1 = a&c                              ; MAJB
+
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+               vpslld  XTMP3, XTMP1, (32-7)
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+       add     h, y1           ; h = k + w + h + S0                    ; --
+
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+               vpor    XTMP3, XTMP3, XTMP2     ; XTMP3 = W[-15] ror 7
+
+               vpsrld  XTMP2, XTMP1,18
+       add     h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+       add     h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+
+ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 1 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+
+       mov     y3, a           ; y3 = a                                ; MAJA
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+       add     h, dword[%%XFER+1*4]            ; h = k + w + h         ; --
+       or      y3, c           ; y3 = a|c                              ; MAJA
+
+
+               vpsrld  XTMP4, XTMP1, 3 ; XTMP4 = W[-15] >> 3
+       mov     y2, f           ; y2 = f                                ; CH
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+       xor     y2, g           ; y2 = f^g                              ; CH
+
+
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+       add     d, h            ; d = k + w + h + d                     ; --
+
+               vpslld  XTMP1, XTMP1, (32-18)
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+
+               vpxor   XTMP3, XTMP3, XTMP1
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+
+               vpxor   XTMP3, XTMP3, XTMP2     ; XTMP3 = W[-15] ror 7 ^ W[-15] ror 18
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     T1, c           ; T1 = a&c                              ; MAJB
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+
+               vpxor   XTMP1, XTMP3, XTMP4     ; XTMP1 = s0
+               vpshufd XTMP2, X3, 11111010b    ; XTMP2 = W[-2] {BBAA}
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+       add     h, y1           ; h = k + w + h + S0                    ; --
+
+               vpaddd  XTMP0, XTMP0, XTMP1     ; XTMP0 = W[-16] + W[-7] + s0
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+       add     h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+       add     h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+               vpsrld  XTMP4, XTMP2, 10        ; XTMP4 = W[-2] >> 10 {BBAA}
+
+
+ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 2 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       mov     y3, a           ; y3 = a                                ; MAJA
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       add     h, [%%XFER+2*4]         ; h = k + w + h         ; --
+
+               vpsrlq  XTMP3, XTMP2, 19        ; XTMP3 = W[-2] ror 19 {xBxA}
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+       or      y3, c           ; y3 = a|c                              ; MAJA
+       mov     y2, f           ; y2 = f                                ; CH
+       xor     y2, g           ; y2 = f^g                              ; CH
+
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+               vpsrlq  XTMP2, XTMP2, 17        ; XTMP2 = W[-2] ror 17 {xBxA}
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+               vpxor   XTMP2, XTMP2, XTMP3
+       add     d, h            ; d = k + w + h + d                     ; --
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+               vpxor   XTMP4, XTMP4, XTMP2     ; XTMP4 = s1 {xBxA}
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+
+               vpshufb XTMP4, XTMP4, SHUF_00BA ; XTMP4 = s1 {00BA}
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+               vpaddd  XTMP0, XTMP0, XTMP4     ; XTMP0 = {..., ..., W[1], W[0]}
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     T1, c           ; T1 = a&c                              ; MAJB
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+               vpshufd XTMP2, XTMP0, 01010000b ; XTMP2 = W[-2] {DDCC}
+
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+       add     h, y1           ; h = k + w + h + S0                    ; --
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+       add     h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+
+       add     h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+
+ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 3 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       mov     y3, a           ; y3 = a                                ; MAJA
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+       add     h, dword[%%XFER+3*4]            ; h = k + w + h         ; --
+       or      y3, c           ; y3 = a|c                              ; MAJA
+
+
+               vpsrld  XTMP5, XTMP2,   10      ; XTMP5 = W[-2] >> 10 {DDCC}
+       mov     y2, f           ; y2 = f                                ; CH
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+       xor     y2, g           ; y2 = f^g                              ; CH
+
+
+               vpsrlq  XTMP3, XTMP2, 19        ; XTMP3 = W[-2] ror 19 {xDxC}
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+       add     d, h            ; d = k + w + h + d                     ; --
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+
+               vpsrlq  XTMP2, XTMP2, 17        ; XTMP2 = W[-2] ror 17 {xDxC}
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+
+               vpxor   XTMP2, XTMP2, XTMP3
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+
+               vpxor   XTMP5, XTMP5, XTMP2     ; XTMP5 = s1 {xDxC}
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+               vpshufb XTMP5, XTMP5, SHUF_DC00 ; XTMP5 = s1 {DC00}
+
+               vpaddd  X0, XTMP5, XTMP0        ; X0 = {W[3], W[2], W[1], W[0]}
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     T1, c           ; T1 = a&c                              ; MAJB
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+
+       add     h, y1           ; h = k + w + h + S0                    ; --
+       add     h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+       add     h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+ROTATE_ARGS
+rotate_Xs
+%endm
+
+%macro DO_4ROUNDS 1
+%define %%XFER %1
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 0 ;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       mov     y2, f           ; y2 = f                                ; CH
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+       xor     y2, g           ; y2 = f^g                              ; CH
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+       mov     y3, a           ; y3 = a                                ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+       add     h, dword[%%XFER + 4*0]          ; h = k + w + h ; --
+       or      y3, c           ; y3 = a|c                              ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+       and     T1, c           ; T1 = a&c                              ; MAJB
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+
+
+       add     d, h            ; d = k + w + h + d                     ; --
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+       add     h, y1           ; h = k + w + h + S0                    ; --
+
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+
+
+       ;add    h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+
+       ;add    h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 1 ;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, y2       ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+       mov     y2, f           ; y2 = f                                ; CH
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+       xor     y2, g           ; y2 = f^g                              ; CH
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+       add     old_h, y3       ; h = t1 + S0 + MAJ                     ; --
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+       mov     y3, a           ; y3 = a                                ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+       add     h, dword[%%XFER + 4*1]          ; h = k + w + h ; --
+       or      y3, c           ; y3 = a|c                              ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+       and     T1, c           ; T1 = a&c                              ; MAJB
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+
+
+       add     d, h            ; d = k + w + h + d                     ; --
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+       add     h, y1           ; h = k + w + h + S0                    ; --
+
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+
+
+       ;add    h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+
+       ;add    h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 2 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, y2       ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+       mov     y2, f           ; y2 = f                                ; CH
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+       xor     y2, g           ; y2 = f^g                              ; CH
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+       add     old_h, y3       ; h = t1 + S0 + MAJ                     ; --
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+       mov     y3, a           ; y3 = a                                ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+       add     h, dword[%%XFER + 4*2]          ; h = k + w + h ; --
+       or      y3, c           ; y3 = a|c                              ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+       and     T1, c           ; T1 = a&c                              ; MAJB
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+
+
+       add     d, h            ; d = k + w + h + d                     ; --
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+       add     h, y1           ; h = k + w + h + S0                    ; --
+
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+
+
+       ;add    h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+
+       ;add    h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 3 ;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, y2       ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+       mov     y2, f           ; y2 = f                                ; CH
+       rorx    y0, e, 25       ; y0 = e >> 25                          ; S1A
+       rorx    y1, e, 11       ; y1 = e >> 11                          ; S1B
+       xor     y2, g           ; y2 = f^g                              ; CH
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11)                ; S1
+       rorx    y1, e, 6        ; y1 = (e >> 6)                         ; S1
+       and     y2, e           ; y2 = (f^g)&e                          ; CH
+       add     old_h, y3       ; h = t1 + S0 + MAJ                     ; --
+
+       xor     y0, y1          ; y0 = (e>>25) ^ (e>>11) ^ (e>>6)       ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                          ; S0B
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g                 ; CH
+       rorx    y1, a, 22       ; y1 = a >> 22                          ; S0A
+       mov     y3, a           ; y3 = a                                ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13)                ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                         ; S0
+       add     h, dword[%%XFER + 4*3]          ; h = k + w + h ; --
+       or      y3, c           ; y3 = a|c                              ; MAJA
+
+       xor     y1, T1          ; y1 = (a>>22) ^ (a>>13) ^ (a>>2)       ; S0
+       mov     T1, a           ; T1 = a                                ; MAJB
+       and     y3, b           ; y3 = (a|c)&b                          ; MAJA
+       and     T1, c           ; T1 = a&c                              ; MAJB
+       add     y2, y0          ; y2 = S1 + CH                          ; --
+
+
+       add     d, h            ; d = k + w + h + d                     ; --
+       or      y3, T1          ; y3 = MAJ = (a|c)&b)|(a&c)             ; MAJ
+       add     h, y1           ; h = k + w + h + S0                    ; --
+
+       add     d, y2           ; d = k + w + h + d + S1 + CH = d + t1  ; --
+
+
+       add     h, y2           ; h = k + w + h + S0 + S1 + CH = t1 + S0; --
+
+       add     h, y3           ; h = t1 + S0 + MAJ                     ; --
+
+       ROTATE_ARGS
+
+%endm
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;; void sha256_rorx(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_rorx
+align 32
+sha256_rorx:
+       push    rbx
+%ifndef LINUX
+       push    rsi
+       push    rdi
+%endif
+       push    rbp
+       push    r12
+       push    r13
+       push    r14
+       push    r15
+
+       mov     rax, rsp
+       sub     rsp,STACK_SIZE
+       and     rsp, -32
+       mov     [rsp + _RSP], rax
+
+%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
+       lea     NUM_BLKS, [NUM_BLKS + INP - 64] ; pointer to last block
+       mov     [rsp + _INP_END], NUM_BLKS
+
+       cmp     INP, NUM_BLKS
+       je      only_one_block
+
+       ;; 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]
+
+       mov     [rsp + _CTX], CTX
+
+loop0:
+       lea     TBL,[K256 wrt rip]
+
+       ;; Load first 16 dwords from two blocks
+       VMOVDQ  XTMP0, [INP + 0*32]
+       VMOVDQ  XTMP1, [INP + 1*32]
+       VMOVDQ  XTMP2, [INP + 2*32]
+       VMOVDQ  XTMP3, [INP + 3*32]
+
+       ;; byte swap data
+       vpshufb XTMP0, XTMP0, BYTE_FLIP_MASK
+       vpshufb XTMP1, XTMP1, BYTE_FLIP_MASK
+       vpshufb XTMP2, XTMP2, BYTE_FLIP_MASK
+       vpshufb XTMP3, XTMP3, BYTE_FLIP_MASK
+
+       ;; transpose data into high/low halves
+       vperm2i128      X0, XTMP0, XTMP2, 0x20
+       vperm2i128      X1, XTMP0, XTMP2, 0x31
+       vperm2i128      X2, XTMP1, XTMP3, 0x20
+       vperm2i128      X3, XTMP1, XTMP3, 0x31
+
+last_block_enter:
+       add     INP, 64
+       mov     [rsp + _INP], INP
+
+       ;; schedule 48 input dwords, by doing 3 rounds of 12 each
+       xor     SRND, SRND
+
+align 16
+loop1:
+       vpaddd  XFER, X0, [TBL + SRND + 0*32]
+       vmovdqa [rsp + _XFER + SRND + 0*32], XFER
+       FOUR_ROUNDS_AND_SCHED   rsp + _XFER + SRND + 0*32
+
+       vpaddd  XFER, X0, [TBL + SRND + 1*32]
+       vmovdqa [rsp + _XFER + SRND + 1*32], XFER
+       FOUR_ROUNDS_AND_SCHED   rsp + _XFER + SRND + 1*32
+
+       vpaddd  XFER, X0, [TBL + SRND + 2*32]
+       vmovdqa [rsp + _XFER + SRND + 2*32], XFER
+       FOUR_ROUNDS_AND_SCHED   rsp + _XFER + SRND + 2*32
+
+       vpaddd  XFER, X0, [TBL + SRND + 3*32]
+       vmovdqa [rsp + _XFER + SRND + 3*32], XFER
+       FOUR_ROUNDS_AND_SCHED   rsp + _XFER + SRND + 3*32
+
+       add     SRND, 4*32
+       cmp     SRND, 3 * 4*32
+       jb      loop1
+
+loop2:
+       ;; Do last 16 rounds with no scheduling
+       vpaddd  XFER, X0, [TBL + SRND + 0*32]
+       vmovdqa [rsp + _XFER + SRND + 0*32], XFER
+       DO_4ROUNDS      rsp + _XFER + SRND + 0*32
+       vpaddd  XFER, X1, [TBL + SRND + 1*32]
+       vmovdqa [rsp + _XFER + SRND + 1*32], XFER
+       DO_4ROUNDS      rsp + _XFER + SRND + 1*32
+       add     SRND, 2*32
+
+       vmovdqa X0, X2
+       vmovdqa X1, X3
+
+       cmp     SRND, 4 * 4*32
+       jb      loop2
+
+       mov     CTX, [rsp + _CTX]
+       mov     INP, [rsp + _INP]
+
+       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
+
+       cmp     INP, [rsp + _INP_END]
+       ja      done_hash
+
+       ;;;; Do second block using previously scheduled results
+       xor     SRND, SRND
+align 16
+loop3:
+       DO_4ROUNDS      rsp + _XFER + SRND + 0*32 + 16
+       DO_4ROUNDS      rsp + _XFER + SRND + 1*32 + 16
+       add     SRND, 2*32
+       cmp     SRND, 4 * 4*32
+       jb loop3
+
+       mov     CTX, [rsp + _CTX]
+       mov     INP, [rsp + _INP]
+       add     INP, 64
+
+       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
+
+       cmp     INP, [rsp + _INP_END]
+       jb      loop0
+       ja      done_hash
+
+do_last_block:
+       ;;;; do last block
+       lea     TBL,[K256 wrt rip]
+
+       VMOVDQ  XWORD0, [INP + 0*16]
+       VMOVDQ  XWORD1, [INP + 1*16]
+       VMOVDQ  XWORD2, [INP + 2*16]
+       VMOVDQ  XWORD3, [INP + 3*16]
+
+       vpshufb XWORD0, XWORD0, X_BYTE_FLIP_MASK
+       vpshufb XWORD1, XWORD1, X_BYTE_FLIP_MASK
+       vpshufb XWORD2, XWORD2, X_BYTE_FLIP_MASK
+       vpshufb XWORD3, XWORD3, X_BYTE_FLIP_MASK
+
+       jmp     last_block_enter
+
+only_one_block:
+
+       ;; 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]
+
+       mov     [rsp + _CTX], CTX
+       jmp     do_last_block
+
+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
+
+       mov     rsp, [rsp + _RSP]
+
+       pop     r15
+       pop     r14
+       pop     r13
+       pop     r12
+       pop     rbp
+%ifndef LINUX
+       pop     rdi
+       pop     rsi
+%endif
+       pop     rbx
+
+       ret
+
+section .data
+align 64
+K256:
+       dd      0x428a2f98,0x71374491,0xb5c0fbcf,0xe9b5dba5
+       dd      0x428a2f98,0x71374491,0xb5c0fbcf,0xe9b5dba5
+       dd      0x3956c25b,0x59f111f1,0x923f82a4,0xab1c5ed5
+       dd      0x3956c25b,0x59f111f1,0x923f82a4,0xab1c5ed5
+       dd      0xd807aa98,0x12835b01,0x243185be,0x550c7dc3
+       dd      0xd807aa98,0x12835b01,0x243185be,0x550c7dc3
+       dd      0x72be5d74,0x80deb1fe,0x9bdc06a7,0xc19bf174
+       dd      0x72be5d74,0x80deb1fe,0x9bdc06a7,0xc19bf174
+       dd      0xe49b69c1,0xefbe4786,0x0fc19dc6,0x240ca1cc
+       dd      0xe49b69c1,0xefbe4786,0x0fc19dc6,0x240ca1cc
+       dd      0x2de92c6f,0x4a7484aa,0x5cb0a9dc,0x76f988da
+       dd      0x2de92c6f,0x4a7484aa,0x5cb0a9dc,0x76f988da
+       dd      0x983e5152,0xa831c66d,0xb00327c8,0xbf597fc7
+       dd      0x983e5152,0xa831c66d,0xb00327c8,0xbf597fc7
+       dd      0xc6e00bf3,0xd5a79147,0x06ca6351,0x14292967
+       dd      0xc6e00bf3,0xd5a79147,0x06ca6351,0x14292967
+       dd      0x27b70a85,0x2e1b2138,0x4d2c6dfc,0x53380d13
+       dd      0x27b70a85,0x2e1b2138,0x4d2c6dfc,0x53380d13
+       dd      0x650a7354,0x766a0abb,0x81c2c92e,0x92722c85
+       dd      0x650a7354,0x766a0abb,0x81c2c92e,0x92722c85
+       dd      0xa2bfe8a1,0xa81a664b,0xc24b8b70,0xc76c51a3
+       dd      0xa2bfe8a1,0xa81a664b,0xc24b8b70,0xc76c51a3
+       dd      0xd192e819,0xd6990624,0xf40e3585,0x106aa070
+       dd      0xd192e819,0xd6990624,0xf40e3585,0x106aa070
+       dd      0x19a4c116,0x1e376c08,0x2748774c,0x34b0bcb5
+       dd      0x19a4c116,0x1e376c08,0x2748774c,0x34b0bcb5
+       dd      0x391c0cb3,0x4ed8aa4a,0x5b9cca4f,0x682e6ff3
+       dd      0x391c0cb3,0x4ed8aa4a,0x5b9cca4f,0x682e6ff3
+       dd      0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208
+       dd      0x748f82ee,0x78a5636f,0x84c87814,0x8cc70208
+       dd      0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2
+       dd      0x90befffa,0xa4506ceb,0xbef9a3f7,0xc67178f2
+
+PSHUFFLE_BYTE_FLIP_MASK:
+       ddq 0x0c0d0e0f08090a0b0405060700010203,0x0c0d0e0f08090a0b0405060700010203
+
+; shuffle xBxA -> 00BA
+_SHUF_00BA:
+       ddq 0xFFFFFFFFFFFFFFFF0b0a090803020100,0xFFFFFFFFFFFFFFFF0b0a090803020100
+
+; shuffle xDxC -> DC00
+_SHUF_DC00:
+       ddq 0x0b0a090803020100FFFFFFFFFFFFFFFF,0x0b0a090803020100FFFFFFFFFFFFFFFF
diff --git a/ccan/crypto/sha256/benchmarks/sha256_avx2_rorx8.asm b/ccan/crypto/sha256/benchmarks/sha256_avx2_rorx8.asm
new file mode 100644 (file)
index 0000000..896aded
--- /dev/null
@@ -0,0 +1,1507 @@
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+; 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_avx2_rorx8.obj -g cv8 sha256_avx2_rorx8.asm
+; Linux:    yasm -f x64 -f elf64 -X gnu -g dwarf2 -D LINUX -o sha256_avx2_rorx8.o sha256_avx2_rorx8.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 8 blocks at a time, with 1 lane per block
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; Define Macros
+
+%macro addm 2
+       add     %2, %1
+       mov     %1, %2
+%endm
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%define TT0    ymm0
+%define TT1    ymm1
+%define TT2    ymm2
+%define TT3    ymm3
+%define TT4    ymm4
+%define TT5    ymm5
+%define TT6    ymm6
+%define TT7    ymm7
+%define TTMP1  ymm8
+%define TTMP2  ymm9
+%define TTMP3 ymm10
+%define TTMP4 ymm11
+%define TTMP5 ymm12
+
+%ifdef LINUX
+%define INP    rdi     ; 1st arg
+%define CTX    rsi     ; 2nd arg
+%define NUM_BLKS rdx   ; 3rd arg
+%define c      ecx
+%define d      r8d
+%define e      edx     ; dword version of NUM_BLKS
+%define z3     edi     ; dword version of INP
+%else
+%define INP    rcx     ; 1st arg
+%define CTX    rdx     ; 2nd arg
+%define NUM_BLKS r8    ; 3rd arg
+%define c      edi
+%define d      esi
+%define e      r8d     ; dword version of NUM_BLKS
+%define z3     ecx     ; dword version of INP
+%endif
+
+%define IDX    rbp
+%define TBL    CTX
+
+
+%define a      eax
+%define b      ebx
+%define f      r9d
+%define g      r10d
+%define h      r11d
+%xdefine old_h h
+
+%define T1     r12d
+%define z0     r13d
+%define z1     r14d
+%define z1q    r14
+%define z2     r15d
+
+_EXTRA_SIZE    equ 32
+_KTMSG_SIZE    equ 16*32       ; Second 3/4 of KTMSG overlaps TMSG
+_TMSG_SIZE     equ 64*32
+%ifdef LINUX
+_XMM_SAVE_SIZE equ 0
+%else
+_XMM_SAVE_SIZE equ 7*16
+%endif
+_INP_END_SIZE  equ 8
+_INP_SIZE      equ 8
+_RND_SIZE      equ 8
+_CTX_SIZE      equ 8
+_IDX_LIMIT_SIZE        equ 8
+_RSP_SIZE      equ 8
+
+;; KTMSG must overlap TMSG such that the second 3/4 of KTMSG overlaps the
+;; first 3/4 of TMSG. (We onl need 16 words of TMSG at any time.)
+_KTMSG         equ              _EXTRA_SIZE
+_TMSG          equ _KTMSG     + _KTMSG_SIZE
+_XMM_SAVE      equ _TMSG      + _TMSG_SIZE
+_INP_END       equ _XMM_SAVE  + _XMM_SAVE_SIZE
+_INP           equ _INP_END   + _INP_END_SIZE
+_RND           equ _INP       + _INP_SIZE
+_CTX           equ _RND       + _RND_SIZE
+_IDX_LIMIT     equ _CTX       + _CTX_SIZE
+_RSP           equ _IDX_LIMIT + _IDX_LIMIT_SIZE
+STACK_SIZE     equ _RSP       + _RSP_SIZE
+
+%macro ROTATE_ARGS 0
+%xdefine old_h h
+%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
+
+; PRORD reg, imm, tmp
+%macro PRORD 3
+%define %%reg %1
+%define %%imm %2
+%define %%tmp %3
+       vpslld  %%tmp, %%reg, (32-(%%imm))
+       vpsrld  %%reg, %%reg, %%imm
+       vpor    %%reg, %%reg, %%tmp
+%endmacro
+
+; non-destructive
+; PRORD_nd reg, imm, tmp, src
+%macro PRORD_nd 4
+%define %%reg %1
+%define %%imm %2
+%define %%tmp %3
+%define %%src %4
+       vpslld  %%tmp, %%src, (32-(%%imm))
+       vpsrld  %%reg, %%src, %%imm
+       vpor    %%reg, %%reg, %%tmp
+%endmacro
+
+; PRORD dst/src, amt
+%macro PRORD 2
+       PRORD   %1, %2, TTMP5
+%endmacro
+
+; PRORD_nd dst, src, amt
+%macro PRORD_nd 3
+       PRORD_nd        %1, %3, TTMP5, %2
+%endmacro
+
+; TRANSPOSE8 r0, r1, r2, r3, r4, r5, r6, r7, t0, t1
+; "transpose" data in {r0...r7} using temps {t0...t1}
+; Input looks like: {r0 r1 r2 r3 r4 r5 r6 r7}
+; r0 = {a7 a6 a5 a4   a3 a2 a1 a0}
+; r1 = {b7 b6 b5 b4   b3 b2 b1 b0}
+; r2 = {c7 c6 c5 c4   c3 c2 c1 c0}
+; r3 = {d7 d6 d5 d4   d3 d2 d1 d0}
+; r4 = {e7 e6 e5 e4   e3 e2 e1 e0}
+; r5 = {f7 f6 f5 f4   f3 f2 f1 f0}
+; r6 = {g7 g6 g5 g4   g3 g2 g1 g0}
+; r7 = {h7 h6 h5 h4   h3 h2 h1 h0}
+;
+; Output looks like: {r0 r1 r2 r3 r4 r5 r6 r7}
+; r0 = {h0 g0 f0 e0   d0 c0 b0 a0}
+; r1 = {h1 g1 f1 e1   d1 c1 b1 a1}
+; r2 = {h2 g2 f2 e2   d2 c2 b2 a2}
+; r3 = {h3 g3 f3 e3   d3 c3 b3 a3}
+; r4 = {h4 g4 f4 e4   d4 c4 b4 a4}
+; r5 = {h5 g5 f5 e5   d5 c5 b5 a5}
+; r6 = {h6 g6 f6 e6   d6 c6 b6 a6}
+; r7 = {h7 g7 f7 e7   d7 c7 b7 a7}
+;
+%macro TRANSPOSE8 10
+%define %%r0 %1
+%define %%r1 %2
+%define %%r2 %3
+%define %%r3 %4
+%define %%r4 %5
+%define %%r5 %6
+%define %%r6 %7
+%define %%r7 %8
+%define %%t0 %9
+%define %%t1 %10
+       ; process top half (r0..r3) {a...d}
+       vshufps %%t0, %%r0, %%r1, 0x44  ; t0 = {b5 b4 a5 a4   b1 b0 a1 a0}
+       vshufps %%r0, %%r0, %%r1, 0xEE  ; r0 = {b7 b6 a7 a6   b3 b2 a3 a2}
+       vshufps %%t1, %%r2, %%r3, 0x44  ; t1 = {d5 d4 c5 c4   d1 d0 c1 c0}
+       vshufps %%r2, %%r2, %%r3, 0xEE  ; r2 = {d7 d6 c7 c6   d3 d2 c3 c2}
+       vshufps %%r3, %%t0, %%t1, 0xDD  ; r3 = {d5 c5 b5 a5   d1 c1 b1 a1}
+       vshufps %%r1, %%r0, %%r2, 0x88  ; r1 = {d6 c6 b6 a6   d2 c2 b2 a2}
+       vshufps %%r0, %%r0, %%r2, 0xDD  ; r0 = {d7 c7 b7 a7   d3 c3 b3 a3}
+       vshufps %%t0, %%t0, %%t1, 0x88  ; t0 = {d4 c4 b4 a4   d0 c0 b0 a0}
+
+       ; use r2 in place of t0
+       ; process bottom half (r4..r7) {e...h}
+       vshufps %%r2, %%r4, %%r5, 0x44  ; r2 = {f5 f4 e5 e4   f1 f0 e1 e0}
+       vshufps %%r4, %%r4, %%r5, 0xEE  ; r4 = {f7 f6 e7 e6   f3 f2 e3 e2}
+       vshufps %%t1, %%r6, %%r7, 0x44  ; t1 = {h5 h4 g5 g4   h1 h0 g1 g0}
+       vshufps %%r6, %%r6, %%r7, 0xEE  ; r6 = {h7 h6 g7 g6   h3 h2 g3 g2}
+       vshufps %%r7, %%r2, %%t1, 0xDD  ; r7 = {h5 g5 f5 e5   h1 g1 f1 e1}
+       vshufps %%r5, %%r4, %%r6, 0x88  ; r5 = {h6 g6 f6 e6   h2 g2 f2 e2}
+       vshufps %%r4, %%r4, %%r6, 0xDD  ; r4 = {h7 g7 f7 e7   h3 g3 f3 e3}
+       vshufps %%t1, %%r2, %%t1, 0x88  ; t1 = {h4 g4 f4 e4   h0 g0 f0 e0}
+
+       vperm2f128      %%r6, %%r5, %%r1, 0x13  ; h6...a6
+       vperm2f128      %%r2, %%r5, %%r1, 0x02  ; h2...a2
+       vperm2f128      %%r5, %%r7, %%r3, 0x13  ; h5...a5
+       vperm2f128      %%r1, %%r7, %%r3, 0x02  ; h1...a1
+       vperm2f128      %%r7, %%r4, %%r0, 0x13  ; h7...a7
+       vperm2f128      %%r3, %%r4, %%r0, 0x02  ; h3...a3
+       vperm2f128      %%r4, %%t1, %%t0, 0x13  ; h4...a4
+       vperm2f128      %%r0, %%t1, %%t0, 0x02  ; h0...a0
+%endmacro
+
+%macro SHA256_X8MS_8RNDS 0
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 0 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i 0
+
+       vmovdqa         TT0,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT0 = Load W[i-15]
+       vmovdqa         TTMP2,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP2 = Load W[i-2]
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP1,TT0,7                             ;; TTMP1 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpsrld          TT0,TT0,3                               ;; TT0 = W[i-15] shr 3
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*0]                             ; h = k + w + h
+
+
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT0,TT0,TTMP1                                   ;; TT0 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP1,18-7                      ;; TTMP1 = W[i-15] ror 18
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       vpxor           TT0,TTMP1,TT0                                   ;; TT0 = s0
+       PRORD_nd        TTMP1,TTMP2,17                          ;; TTMP1 = W[i-2] ror 17
+       vpsrld          TTMP2,TTMP2,10                          ;; TTMP2 = W[i-2] shr 25
+       vpxor           TTMP2,TTMP1,TTMP2                               ;; TTMP2 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       PRORD           TTMP1,19-17                     ;; TTMP1 = W[i-2] ror 19
+       vpxor           TTMP1,TTMP1,TTMP2                               ;; TTMP1 = s1
+       vpaddd          TT0,TT0,TTMP1                                   ;; TT0 = s0 + s1
+       vpaddd          TT0,TT0,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       vpaddd          TT0,TT0,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT0         ;; Save TT0 to stack
+       vpaddd          TT0, TT0, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT0        ;; Save TT0 to stack
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 1 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i (i+1)
+
+       vmovdqa         TT1,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT1 = Load W[i-15]
+       vmovdqa         TTMP4,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP4 = Load W[i-2]
+
+       add     old_h, z2       ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP3,TT1,7                             ;; TTMP3 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpsrld          TT1,TT1,3                               ;; TT1 = W[i-15] shr 3
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*1]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT1,TT1,TTMP3                                   ;; TT1 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP3,18-7                      ;; TTMP3 = W[i-15] ror 18
+       vpxor           TT1,TTMP3,TT1                                   ;; TT1 = s0
+       PRORD_nd        TTMP3,TTMP4,17                          ;; TTMP3 = W[i-2] ror 17
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       vpsrld          TTMP4,TTMP4,10                          ;; TTMP4 = W[i-2] shr 25
+       vpxor           TTMP4,TTMP3,TTMP4                               ;; TTMP4 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       PRORD           TTMP3,19-17                     ;; TTMP3 = W[i-2] ror 19
+       vpxor           TTMP3,TTMP3,TTMP4                               ;; TTMP3 = s1
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+       vpaddd          TT1,TT1,TTMP3                                   ;; TT1 = s0 + s1
+       vpaddd          TT1,TT1,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       vpaddd          TT1,TT1,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT1         ;; Save TT1 to stack
+       vpaddd          TT1, TT1, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT1        ;; Save TT1 to stack
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 2 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i (i+1)
+
+       vmovdqa         TT2,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT2 = Load W[i-15]
+       vmovdqa         TTMP2,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP2 = Load W[i-2]
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP1,TT2,7                             ;; TTMP1 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpsrld          TT2,TT2,3                               ;; TT2 = W[i-15] shr 3
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*2]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT2,TT2,TTMP1                                   ;; TT2 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP1,18-7                      ;; TTMP1 = W[i-15] ror 18
+       vpxor           TT2,TTMP1,TT2                                   ;; TT2 = s0
+       PRORD_nd        TTMP1,TTMP2,17                          ;; TTMP1 = W[i-2] ror 17
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       vpsrld          TTMP2,TTMP2,10                          ;; TTMP2 = W[i-2] shr 25
+       vpxor           TTMP2,TTMP1,TTMP2                               ;; TTMP2 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       PRORD           TTMP1,19-17                     ;; TTMP1 = W[i-2] ror 19
+       vpxor           TTMP1,TTMP1,TTMP2                               ;; TTMP1 = s1
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       vpaddd          TT2,TT2,TTMP1                                   ;; TT2 = s0 + s1
+       vpaddd          TT2,TT2,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       vpaddd          TT2,TT2,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT2         ;; Save TT2 to stack
+       vpaddd          TT2, TT2, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT2        ;; Save TT2 to stack
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 3 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i (i+1)
+
+       vmovdqa         TT3,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT3 = Load W[i-15]
+       vmovdqa         TTMP4,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP4 = Load W[i-2]
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP3,TT3,7                             ;; TTMP3 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpsrld          TT3,TT3,3                               ;; TT3 = W[i-15] shr 3
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*3]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT3,TT3,TTMP3                                   ;; TT3 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP3,18-7                      ;; TTMP3 = W[i-15] ror 18
+       vpxor           TT3,TTMP3,TT3                                   ;; TT3 = s0
+       PRORD_nd        TTMP3,TTMP4,17                          ;; TTMP3 = W[i-2] ror 17
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       vpsrld          TTMP4,TTMP4,10                          ;; TTMP4 = W[i-2] shr 25
+       vpxor           TTMP4,TTMP3,TTMP4                               ;; TTMP4 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       PRORD           TTMP3,19-17                     ;; TTMP3 = W[i-2] ror 19
+       vpxor           TTMP3,TTMP3,TTMP4                               ;; TTMP3 = s1
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       vpaddd          TT3,TT3,TTMP3                                   ;; TT3 = s0 + s1
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       add     h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       vpaddd          TT3,TT3,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       vpaddd          TT3,TT3,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT3         ;; Save TT3 to stack
+       vpaddd          TT3, TT3, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT3        ;; Save TT3 to stack
+
+       add     h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 4 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i (i+1)
+
+       vmovdqa         TT4,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT4 = Load W[i-15]
+       vmovdqa         TTMP2,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP2 = Load W[i-2]
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP1,TT4,7                             ;; TTMP1 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpsrld          TT4,TT4,3                               ;; TT4 = W[i-15] shr 3
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*4]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT4,TT4,TTMP1                                   ;; TT4 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP1,18-7                      ;; TTMP1 = W[i-15] ror 18
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       vpxor           TT4,TTMP1,TT4                                   ;; TT4 = s0
+       PRORD_nd        TTMP1,TTMP2,17                          ;; TTMP1 = W[i-2] ror 17
+       vpsrld          TTMP2,TTMP2,10                          ;; TTMP2 = W[i-2] shr 25
+       vpxor           TTMP2,TTMP1,TTMP2                               ;; TTMP2 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       PRORD           TTMP1,19-17                     ;; TTMP1 = W[i-2] ror 19
+       vpxor           TTMP1,TTMP1,TTMP2                               ;; TTMP1 = s1
+       vpaddd          TT4,TT4,TTMP1                                   ;; TT4 = s0 + s1
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       vpaddd          TT4,TT4,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       vpaddd          TT4,TT4,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT4         ;; Save TT4 to stack
+       vpaddd          TT4, TT4, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT4        ;; Save TT4 to stack
+
+       ROTATE_ARGS
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 5 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i (i+1)
+
+       vmovdqa         TT5,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT5 = Load W[i-15]
+       vmovdqa         TTMP4,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP4 = Load W[i-2]
+       add     old_h, z2       ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP3,TT5,7                             ;; TTMP3 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpsrld          TT5,TT5,3                               ;; TT5 = W[i-15] shr 3
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*5]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT5,TT5,TTMP3                                   ;; TT5 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP3,18-7                      ;; TTMP3 = W[i-15] ror 18
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       vpxor           TT5,TTMP3,TT5                                   ;; TT5 = s0
+       PRORD_nd        TTMP3,TTMP4,17                          ;; TTMP3 = W[i-2] ror 17
+       vpsrld          TTMP4,TTMP4,10                          ;; TTMP4 = W[i-2] shr 25
+       vpxor           TTMP4,TTMP3,TTMP4                               ;; TTMP4 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       PRORD           TTMP3,19-17                     ;; TTMP3 = W[i-2] ror 19
+       vpxor           TTMP3,TTMP3,TTMP4                               ;; TTMP3 = s1
+       vpaddd          TT5,TT5,TTMP3                                   ;; TT5 = s0 + s1
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       vpaddd          TT5,TT5,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       vpaddd          TT5,TT5,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT5         ;; Save TT5 to stack
+       vpaddd          TT5, TT5, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT5        ;; Save TT5 to stack
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 6 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i (i+1)
+
+       vmovdqa         TT6,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT6 = Load W[i-15]
+       vmovdqa         TTMP2,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP2 = Load W[i-2]
+
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP1,TT6,7                             ;; TTMP1 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpsrld          TT6,TT6,3                               ;; TT6 = W[i-15] shr 3
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*6]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT6,TT6,TTMP1                                   ;; TT6 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP1,18-7                      ;; TTMP1 = W[i-15] ror 18
+       vpxor           TT6,TTMP1,TT6                                   ;; TT6 = s0
+       PRORD_nd        TTMP1,TTMP2,17                          ;; TTMP1 = W[i-2] ror 17
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       vpsrld          TTMP2,TTMP2,10                          ;; TTMP2 = W[i-2] shr 25
+       vpxor           TTMP2,TTMP1,TTMP2                               ;; TTMP2 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       PRORD           TTMP1,19-17                     ;; TTMP1 = W[i-2] ror 19
+       vpxor           TTMP1,TTMP1,TTMP2                               ;; TTMP1 = s1
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       vpaddd          TT6,TT6,TTMP1                                   ;; TT6 = s0 + s1
+       vpaddd          TT6,TT6,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       vpaddd          TT6,TT6,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT6         ;; Save TT6 to stack
+       vpaddd          TT6, TT6, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT6        ;; Save TT6 to stack
+
+       ROTATE_ARGS
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 7 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+%assign i (i+1)
+
+       vmovdqa         TT7,  [rsp + _TMSG + IDX + 32*(i+1)]            ;; TT7 = Load W[i-15]
+       vmovdqa         TTMP4,[rsp + _TMSG + IDX + 32*(i+14)]           ;; TTMP4 = Load W[i-2]
+
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       PRORD_nd        TTMP3,TT7,7                             ;; TTMP3 = W[i-15] ror 7
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       vpsrld          TT7,TT7,3                               ;; TT7 = W[i-15] shr 3
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       vpxor           TT7,TT7,TTMP3                                   ;; TT7 = (W[i-15] ror 7) xor (W[i-15] shr 3)
+       PRORD           TTMP3,18-7                      ;; TTMP3 = W[i-15] ror 18
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*7]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       vpxor           TT7,TTMP3,TT7                                   ;; TT7 = s0
+       PRORD_nd        TTMP3,TTMP4,17                          ;; TTMP3 = W[i-2] ror 17
+       vpsrld          TTMP4,TTMP4,10                          ;; TTMP4 = W[i-2] shr 25
+       vpxor           TTMP4,TTMP3,TTMP4                               ;; TTMP4 = (W[i-2] ror 17) xor (W[i-2] shr 25)
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       PRORD           TTMP3,19-17                     ;; TTMP3 = W[i-2] ror 19
+       vpxor           TTMP3,TTMP3,TTMP4                               ;; TTMP3 = s1
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       vpaddd          TT7,TT7,TTMP3                                   ;; TT7 = s0 + s1
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       vpaddd          TT7,TT7,[rsp + _TMSG + IDX + 32*(i+9)]          ;; add W[i-7]
+       add     h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       vpaddd          TT7,TT7,[rsp + _TMSG + IDX + 32*(i+0)]          ;; add W[i-16]
+       add     h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       vmovdqa         [rsp + _TMSG + IDX + 16*32 + i*32], TT7         ;; Save TT7 to stack
+       vpaddd          TT7, TT7, [TBL + IDX + (i+16)*32]
+       vmovdqa         [rsp + _KTMSG + IDX + 16*32 + i*32], TT7        ;; Save TT7 to stack
+       ROTATE_ARGS
+
+
+%endm
+
+%macro DO_8ROUNDS 0
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 0 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*0]                             ; h = k + w + h
+
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 1 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, z2       ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*1]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 2 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*2]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 3 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*3]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       add     h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       add     h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 4 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*4]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 5 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, z2       ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*5]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 6 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*6]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       ;add    h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       ;add    h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; RND N + 7 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       add     old_h, z2               ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+       mov     z2, f           ; z2 = f                                       ; CH
+       rorx    z0, e, 25       ; z0 = e >> 25                                  ; S1A
+       rorx    z1, e, 11       ; z1 = e >> 11                                  ; S1B
+       xor     z2, g           ; z2 = f^g                                     ; CH
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11)                        ; S1
+       rorx    z1, e, 6        ; z1 = (e >> 6)                                 ; S1
+       and     z2, e           ; z2 = (f^g)&e                                 ; CH
+       add     old_h, z3       ; h = t1 + S0 + MAJ                            ; --
+
+
+       xor     z0, z1          ; z0 = (e>>25) ^ (e>>11) ^ (e>>6)               ; S1
+       rorx    T1, a, 13       ; T1 = a >> 13                                  ; S0B
+       xor     z2, g           ; z2 = CH = ((f^g)&e)^g                        ; CH
+       rorx    z1, a, 22       ; z1 = a >> 22                                  ; S0A
+       mov     z3, a           ; z3 = a                                       ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13)                        ; S0
+       rorx    T1, a, 2        ; T1 = (a >> 2)                                 ; S0
+       add     h, dword[rsp + _KTMSG + IDX + 32*7]                             ; h = k + w + h
+       or      z3, c           ; z3 = a|c                                     ; MAJA
+
+       xor     z1, T1          ; z1 = (a>>22) ^ (a>>13) ^ (a>>2)               ; S0
+       mov     T1, a           ; T1 = a                                       ; MAJB
+       and     z3, b           ; z3 = (a|c)&b                                 ; MAJA
+       and     T1, c           ; T1 = a&c                                     ; MAJB
+       add     z2, z0          ; z2 = S1 + CH                                 ; --
+
+
+       add     d, h            ; d = k + w + h + d                            ; --
+       or      z3, T1          ; z3 = MAJ = (a|c)&b)|(a&c)                    ; MAJ
+       add     h, z1           ; h = k + w + h + S0                           ; --
+
+       add     d, z2           ; d = k + w + h + d + S1 + CH = d + t1         ; --
+
+
+       add     h, z2           ; h = k + w + h + S0 + S1 + CH = t1 + S0       ; --
+
+       add     h, z3           ; h = t1 + S0 + MAJ                            ; --
+
+       ROTATE_ARGS
+
+
+%endm
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+;; void sha256_rorx_x8ms(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_rorx_x8ms
+align 32
+sha256_rorx_x8ms:
+       push    rbx
+%ifndef LINUX
+       push    rsi
+       push    rdi
+%endif
+       push    rbp
+       push    r12
+       push    r13
+       push    r14
+       push    r15
+
+       mov     rax, rsp
+       sub     rsp,STACK_SIZE
+       and     rsp,-32
+       mov     [rsp + _RSP], rax
+
+       mov     qword [rsp + _IDX_LIMIT], 32
+
+%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
+%endif
+
+       shl     NUM_BLKS, 6     ; convert to bytes
+       jz      done_hash
+       lea     NUM_BLKS, [NUM_BLKS + INP - 8*64]
+       mov     [rsp + _INP_END], NUM_BLKS
+       mov     [rsp + _CTX], CTX
+
+       cmp     NUM_BLKS, INP
+       jb      less_than_8_blocks
+
+       ;; 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]
+
+
+eight_blocks_loop:
+
+align 32
+
+       lea     TBL,[K256_SIMD wrt rip]
+
+       vmovdqa TTMP3, [PSHUFFLE_BYTE_FLIP_MASK wrt rip]
+;; Load 8 blocks of message and transpose and save to stack
+%assign i 0
+%rep 2
+       vmovups TT0,[INP+0*64+i*32]
+       vpshufb TT0, TT0, TTMP3
+       vmovups TT1,[INP+1*64+i*32]
+       vpshufb TT1, TT1, TTMP3
+       vmovups TT2,[INP+2*64+i*32]
+       vpshufb TT2, TT2, TTMP3
+       vmovups TT3,[INP+3*64+i*32]
+       vpshufb TT3, TT3, TTMP3
+       vmovups TT4,[INP+4*64+i*32]
+       vpshufb TT4, TT4, TTMP3
+       vmovups TT5,[INP+5*64+i*32]
+       vpshufb TT5, TT5, TTMP3
+       vmovups TT6,[INP+6*64+i*32]
+       vpshufb TT6, TT6, TTMP3
+       vmovups TT7,[INP+7*64+i*32]
+       vpshufb TT7, TT7, TTMP3
+
+       TRANSPOSE8      TT0, TT1, TT2, TT3, TT4, TT5, TT6, TT7, TTMP1, TTMP2
+
+       vmovdqa [rsp + _TMSG + 0*32 + i*8*32], TT0
+       vpaddd  TT0, TT0, [TBL + 0*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 0*32 + i*8*32], TT0
+
+       vmovdqa [rsp + _TMSG + 1*32 + i*8*32], TT1
+       vpaddd  TT1, TT1, [TBL + 1*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 1*32 + i*8*32], TT1
+
+       vmovdqa [rsp + _TMSG + 2*32 + i*8*32], TT2
+       vpaddd  TT2, TT2, [TBL + 2*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 2*32 + i*8*32], TT2
+
+       vmovdqa [rsp + _TMSG + 3*32 + i*8*32], TT3
+       vpaddd  TT3, TT3, [TBL + 3*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 3*32 + i*8*32], TT3
+
+       vmovdqa [rsp + _TMSG + 4*32 + i*8*32], TT4
+       vpaddd  TT4, TT4, [TBL + 4*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 4*32 + i*8*32], TT4
+
+       vmovdqa [rsp + _TMSG + 5*32 + i*8*32], TT5
+       vpaddd  TT5, TT5, [TBL + 5*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 5*32 + i*8*32], TT5
+
+       vmovdqa [rsp + _TMSG + 6*32 + i*8*32], TT6
+       vpaddd  TT6, TT6, [TBL + 6*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 6*32 + i*8*32], TT6
+
+       vmovdqa [rsp + _TMSG + 7*32 + i*8*32], TT7
+       vpaddd  TT7, TT7, [TBL + 7*32 + i*8*32]
+       vmovdqa [rsp + _KTMSG + 7*32 + i*8*32], TT7
+
+
+%assign i (i+1)
+%endrep
+
+after_load:
+
+       ;; Save Input Msg pointer to stack
+       add     INP, 8*64
+       mov     [rsp + _INP], INP
+
+       ;; Initialize Msg Index to Zero
+       xor     IDX, IDX
+
+sha256_x8ms_8rnds_loop:
+
+       ;; Perform Message Scheduling of the next 8 rounds (from round 17 to 64)
+       ;; Also perform compress function for first block from round 1 to 16.
+       SHA256_X8MS_8RNDS
+
+
+       ;; Check how many rounds have been performed
+       add IDX, 8*32
+       cmp IDX, 6 * 8*32
+       jne sha256_x8ms_8rnds_loop
+
+       mov     CTX, [rsp + _CTX]
+
+compress_block_loop:
+
+       ;; Perform 8 rounds of compression
+       DO_8ROUNDS
+
+       add     IDX, 8*32
+       cmp     IDX, 8 * 8*32
+       jb      compress_block_loop
+
+       ;; Update the State when block compression has been completed
+       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
+
+       sub     IDX, (8 * 8*32) - 4
+
+
+       ;; Check if the 8th block has been compressed
+       cmp     IDX, [rsp + _IDX_LIMIT]
+       jne     compress_block_loop
+
+       ;; Check if the last set of 8 blocks has been processed
+       mov     INP, [rsp + _INP]
+       cmp     INP, [rsp + _INP_END]
+       jbe     eight_blocks_loop
+
+near_end_of_page:
+       mov     z1q, [rsp + _INP_END]
+       sub     z1q, INP
+       ; z1q is minus number of NULL blocks left out of 8
+       cmp     z1q, -(8*64)
+       jle     done_hash
+
+       ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+       ; z1q is -1...-7 (*64) meaning we need to process 7...1 more blocks
+       add     INP, z1q
+
+       lea     TBL,[K256_SIMD wrt rip]
+       sar     z1q, 4                  ; convert to blks * 4
+
+       vmovdqa TTMP3, [PSHUFFLE_BYTE_FLIP_MASK wrt rip]
+;; Load 8 blocks of message and transpose and save to stack
+%assign i 0
+%rep 2
+       vmovups TT0,[INP+0*64+i*32]
+       vpshufb TT0, TT0, TTMP3
+       vmovups TT1,[INP+1*64+i*32]
+       vpshufb TT1, TT1, TTMP3
+       vmovups TT2,[INP+2*64+i*32]
+       vpshufb TT2, TT2, TTMP3
+       vmovups TT3,[INP+3*64+i*32]
+       vpshufb TT3, TT3, TTMP3
+       vmovups TT4,[INP+4*64+i*32]
+       vpshufb TT4, TT4, TTMP3
+       vmovups TT5,[INP+5*64+i*32]
+       vpshufb TT5, TT5, TTMP3
+       vmovups TT6,[INP+6*64+i*32]
+       vpshufb TT6, TT6, TTMP3
+       vmovups TT7,[INP+7*64+i*32]
+       vpshufb TT7, TT7, TTMP3
+
+       TRANSPOSE8      TT0, TT1, TT2, TT3, TT4, TT5, TT6, TT7, TTMP1, TTMP2
+
+       vmovdqu [rsp + z1q + _TMSG + 0*32 + i*8*32], TT0
+       vpaddd  TT0, TT0, [TBL + 0*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 0*32 + i*8*32], TT0
+
+       vmovdqu [rsp + z1q + _TMSG + 1*32 + i*8*32], TT1
+       vpaddd  TT1, TT1, [TBL + 1*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 1*32 + i*8*32], TT1
+
+       vmovdqu [rsp + z1q + _TMSG + 2*32 + i*8*32], TT2
+       vpaddd  TT2, TT2, [TBL + 2*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 2*32 + i*8*32], TT2
+
+       vmovdqu [rsp + z1q + _TMSG + 3*32 + i*8*32], TT3
+       vpaddd  TT3, TT3, [TBL + 3*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 3*32 + i*8*32], TT3
+
+       vmovdqu [rsp + z1q + _TMSG + 4*32 + i*8*32], TT4
+       vpaddd  TT4, TT4, [TBL + 4*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 4*32 + i*8*32], TT4
+
+       vmovdqu [rsp + z1q + _TMSG + 5*32 + i*8*32], TT5
+       vpaddd  TT5, TT5, [TBL + 5*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 5*32 + i*8*32], TT5
+
+       vmovdqu [rsp + z1q + _TMSG + 6*32 + i*8*32], TT6
+       vpaddd  TT6, TT6, [TBL + 6*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 6*32 + i*8*32], TT6
+
+       vmovdqu [rsp + z1q + _TMSG + 7*32 + i*8*32], TT7
+       vpaddd  TT7, TT7, [TBL + 7*32 + i*8*32]
+       vmovdqu [rsp + z1q + _KTMSG + 7*32 + i*8*32], TT7
+
+%assign i (i+1)
+%endrep
+
+       add     z1q, 4*8                ; z1q = 4 * (number of blocks to proc)
+       mov     [rsp + _IDX_LIMIT], z1q
+
+       jmp     after_load
+
+
+less_than_8_blocks:
+       ;; 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]
+
+       mov     z1q, INP
+       and     z1q, 4095       ; offset into page
+       cmp     z1q, 4096 - (8*64)
+       ja      near_end_of_page
+
+near_start_of_page:
+       mov     z1q, [rsp + _INP_END]
+       sub     z1q, INP
+       sar     z1q, 4                  ; convert to blks * 4
+       add     z1q, 4*8                ; z1q = 4 * (number of blocks to proc)
+       mov     [rsp + _IDX_LIMIT], z1q
+       jmp     eight_blocks_loop
+
+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]
+%endif
+
+       mov     rsp, [rsp + _RSP]
+
+       pop     r15
+       pop     r14
+       pop     r13
+       pop     r12
+       pop     rbp
+%ifndef LINUX
+       pop     rdi
+       pop     rsi
+%endif
+       pop     rbx
+
+       ret
+
+section .data
+align 64
+K256_SIMD:
+       ddq 0x428a2f98428a2f98428a2f98428a2f98,0x428a2f98428a2f98428a2f98428a2f98
+       ddq 0x71374491713744917137449171374491,0x71374491713744917137449171374491
+       ddq 0xb5c0fbcfb5c0fbcfb5c0fbcfb5c0fbcf,0xb5c0fbcfb5c0fbcfb5c0fbcfb5c0fbcf
+       ddq 0xe9b5dba5e9b5dba5e9b5dba5e9b5dba5,0xe9b5dba5e9b5dba5e9b5dba5e9b5dba5
+       ddq 0x3956c25b3956c25b3956c25b3956c25b,0x3956c25b3956c25b3956c25b3956c25b
+       ddq 0x59f111f159f111f159f111f159f111f1,0x59f111f159f111f159f111f159f111f1
+       ddq 0x923f82a4923f82a4923f82a4923f82a4,0x923f82a4923f82a4923f82a4923f82a4
+       ddq 0xab1c5ed5ab1c5ed5ab1c5ed5ab1c5ed5,0xab1c5ed5ab1c5ed5ab1c5ed5ab1c5ed5
+       ddq 0xd807aa98d807aa98d807aa98d807aa98,0xd807aa98d807aa98d807aa98d807aa98
+       ddq 0x12835b0112835b0112835b0112835b01,0x12835b0112835b0112835b0112835b01
+       ddq 0x243185be243185be243185be243185be,0x243185be243185be243185be243185be
+       ddq 0x550c7dc3550c7dc3550c7dc3550c7dc3,0x550c7dc3550c7dc3550c7dc3550c7dc3
+       ddq 0x72be5d7472be5d7472be5d7472be5d74,0x72be5d7472be5d7472be5d7472be5d74
+       ddq 0x80deb1fe80deb1fe80deb1fe80deb1fe,0x80deb1fe80deb1fe80deb1fe80deb1fe
+       ddq 0x9bdc06a79bdc06a79bdc06a79bdc06a7,0x9bdc06a79bdc06a79bdc06a79bdc06a7
+       ddq 0xc19bf174c19bf174c19bf174c19bf174,0xc19bf174c19bf174c19bf174c19bf174
+       ddq 0xe49b69c1e49b69c1e49b69c1e49b69c1,0xe49b69c1e49b69c1e49b69c1e49b69c1
+       ddq 0xefbe4786efbe4786efbe4786efbe4786,0xefbe4786efbe4786efbe4786efbe4786
+       ddq 0x0fc19dc60fc19dc60fc19dc60fc19dc6,0x0fc19dc60fc19dc60fc19dc60fc19dc6
+       ddq 0x240ca1cc240ca1cc240ca1cc240ca1cc,0x240ca1cc240ca1cc240ca1cc240ca1cc
+       ddq 0x2de92c6f2de92c6f2de92c6f2de92c6f,0x2de92c6f2de92c6f2de92c6f2de92c6f
+       ddq 0x4a7484aa4a7484aa4a7484aa4a7484aa,0x4a7484aa4a7484aa4a7484aa4a7484aa
+       ddq 0x5cb0a9dc5cb0a9dc5cb0a9dc5cb0a9dc,0x5cb0a9dc5cb0a9dc5cb0a9dc5cb0a9dc
+       ddq 0x76f988da76f988da76f988da76f988da,0x76f988da76f988da76f988da76f988da
+       ddq 0x983e5152983e5152983e5152983e5152,0x983e5152983e5152983e5152983e5152
+       ddq 0xa831c66da831c66da831c66da831c66d,0xa831c66da831c66da831c66da831c66d
+       ddq 0xb00327c8b00327c8b00327c8b00327c8,0xb00327c8b00327c8b00327c8b00327c8
+       ddq 0xbf597fc7bf597fc7bf597fc7bf597fc7,0xbf597fc7bf597fc7bf597fc7bf597fc7
+       ddq 0xc6e00bf3c6e00bf3c6e00bf3c6e00bf3,0xc6e00bf3c6e00bf3c6e00bf3c6e00bf3
+       ddq 0xd5a79147d5a79147d5a79147d5a79147,0xd5a79147d5a79147d5a79147d5a79147
+       ddq 0x06ca635106ca635106ca635106ca6351,0x06ca635106ca635106ca635106ca6351
+       ddq 0x14292967142929671429296714292967,0x14292967142929671429296714292967
+       ddq 0x27b70a8527b70a8527b70a8527b70a85,0x27b70a8527b70a8527b70a8527b70a85
+       ddq 0x2e1b21382e1b21382e1b21382e1b2138,0x2e1b21382e1b21382e1b21382e1b2138
+       ddq 0x4d2c6dfc4d2c6dfc4d2c6dfc4d2c6dfc,0x4d2c6dfc4d2c6dfc4d2c6dfc4d2c6dfc
+       ddq 0x53380d1353380d1353380d1353380d13,0x53380d1353380d1353380d1353380d13
+       ddq 0x650a7354650a7354650a7354650a7354,0x650a7354650a7354650a7354650a7354
+       ddq 0x766a0abb766a0abb766a0abb766a0abb,0x766a0abb766a0abb766a0abb766a0abb
+       ddq 0x81c2c92e81c2c92e81c2c92e81c2c92e,0x81c2c92e81c2c92e81c2c92e81c2c92e
+       ddq 0x92722c8592722c8592722c8592722c85,0x92722c8592722c8592722c8592722c85
+       ddq 0xa2bfe8a1a2bfe8a1a2bfe8a1a2bfe8a1,0xa2bfe8a1a2bfe8a1a2bfe8a1a2bfe8a1
+       ddq 0xa81a664ba81a664ba81a664ba81a664b,0xa81a664ba81a664ba81a664ba81a664b
+       ddq 0xc24b8b70c24b8b70c24b8b70c24b8b70,0xc24b8b70c24b8b70c24b8b70c24b8b70
+       ddq 0xc76c51a3c76c51a3c76c51a3c76c51a3,0xc76c51a3c76c51a3c76c51a3c76c51a3
+       ddq 0xd192e819d192e819d192e819d192e819,0xd192e819d192e819d192e819d192e819
+       ddq 0xd6990624d6990624d6990624d6990624,0xd6990624d6990624d6990624d6990624
+       ddq 0xf40e3585f40e3585f40e3585f40e3585,0xf40e3585f40e3585f40e3585f40e3585
+       ddq 0x106aa070106aa070106aa070106aa070,0x106aa070106aa070106aa070106aa070
+       ddq 0x19a4c11619a4c11619a4c11619a4c116,0x19a4c11619a4c11619a4c11619a4c116
+       ddq 0x1e376c081e376c081e376c081e376c08,0x1e376c081e376c081e376c081e376c08
+       ddq 0x2748774c2748774c2748774c2748774c,0x2748774c2748774c2748774c2748774c
+       ddq 0x34b0bcb534b0bcb534b0bcb534b0bcb5,0x34b0bcb534b0bcb534b0bcb534b0bcb5
+       ddq 0x391c0cb3391c0cb3391c0cb3391c0cb3,0x391c0cb3391c0cb3391c0cb3391c0cb3
+       ddq 0x4ed8aa4a4ed8aa4a4ed8aa4a4ed8aa4a,0x4ed8aa4a4ed8aa4a4ed8aa4a4ed8aa4a
+       ddq 0x5b9cca4f5b9cca4f5b9cca4f5b9cca4f,0x5b9cca4f5b9cca4f5b9cca4f5b9cca4f
+       ddq 0x682e6ff3682e6ff3682e6ff3682e6ff3,0x682e6ff3682e6ff3682e6ff3682e6ff3
+       ddq 0x748f82ee748f82ee748f82ee748f82ee,0x748f82ee748f82ee748f82ee748f82ee
+       ddq 0x78a5636f78a5636f78a5636f78a5636f,0x78a5636f78a5636f78a5636f78a5636f
+       ddq 0x84c8781484c8781484c8781484c87814,0x84c8781484c8781484c8781484c87814
+       ddq 0x8cc702088cc702088cc702088cc70208,0x8cc702088cc702088cc702088cc70208
+       ddq 0x90befffa90befffa90befffa90befffa,0x90befffa90befffa90befffa90befffa
+       ddq 0xa4506ceba4506ceba4506ceba4506ceb,0xa4506ceba4506ceba4506ceba4506ceb
+       ddq 0xbef9a3f7bef9a3f7bef9a3f7bef9a3f7,0xbef9a3f7bef9a3f7bef9a3f7bef9a3f7
+       ddq 0xc67178f2c67178f2c67178f2c67178f2,0xc67178f2c67178f2c67178f2c67178f2
+
+PSHUFFLE_BYTE_FLIP_MASK: ddq 0x0c0d0e0f08090a0b0405060700010203
+                         ddq 0x0c0d0e0f08090a0b0405060700010203
diff --git a/ccan/crypto/sha256/benchmarks/sha256_sse4.asm b/ccan/crypto/sha256/benchmarks/sha256_sse4.asm
new file mode 100644 (file)
index 0000000..d20ef24
--- /dev/null
@@ -0,0 +1,544 @@
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+; 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_sse4.obj -g cv8 sha256_sse4.asm
+; Linux:    yasm -f x64 -f elf64 -X gnu -g dwarf2 -D LINUX -o sha256_sse4.o sha256_sse4.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        MOVDQ movdqu ;; 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
+
+;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
+
+; COPY_XMM_AND_BSWAP xmm, [mem], byte_flip_mask
+; Load xmm with mem and byte swap each dword
+%macro COPY_XMM_AND_BSWAP 3
+       MOVDQ %1, %2
+       pshufb %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 SHUF_00BA      xmm10 ; shuffle xBxA -> 00BA
+%define SHUF_DC00      xmm11 ; shuffle xDxC -> DC00
+%define BYTE_FLIP_MASK xmm12
+
+%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 7*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
+               movdqa  XTMP0, X3
+       mov     y0, e           ; y0 = e
+       ror     y0, (25-11)     ; y0 = e >> (25-11)
+       mov     y1, a           ; y1 = a
+               palignr XTMP0, X2, 4    ; XTMP0 = W[-7]
+       ror     y1, (22-13)     ; y1 = a >> (22-13)
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       mov     y2, f           ; y2 = f
+       ror     y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+               movdqa  XTMP1, X1
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       xor     y2, g           ; y2 = f^g
+               paddd   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
+       ror     y1, (13-2)      ; y1 = (a >> (13-2)) ^ (a >> (22-2))
+               ;; compute s0
+               palignr XTMP1, X0, 4    ; XTMP1 = W[-15]
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       ror     y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+               movdqa  XTMP2, XTMP1    ; XTMP2 = W[-15]
+       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
+               movdqa  XTMP3, XTMP1    ; XTMP3 = W[-15]
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+               pslld   XTMP1, (32-7)
+       or      y0, c           ; y0 = a|c
+       add     d, h            ; d = d + h + S1 + CH + k + w
+       and     y2, c           ; y2 = a&c
+               psrld   XTMP2, 7
+       and     y0, b           ; y0 = (a|c)&b
+       add     h, y1           ; h = h + S1 + CH + k + w + S0
+               por     XTMP1, XTMP2    ; XTMP1 = W[-15] 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
+               movdqa  XTMP2, XTMP3    ; XTMP2 = W[-15]
+       mov     y0, e           ; y0 = e
+       mov     y1, a           ; y1 = a
+               movdqa  XTMP4, XTMP3    ; XTMP4 = W[-15]
+       ror     y0, (25-11)     ; y0 = e >> (25-11)
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       mov     y2, f           ; y2 = f
+       ror     y1, (22-13)     ; y1 = a >> (22-13)
+               pslld   XTMP3, (32-18)
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       ror     y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+       xor     y2, g           ; y2 = f^g
+               psrld   XTMP2, 18
+       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
+       ror     y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+               pxor    XTMP1, XTMP3
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+               psrld   XTMP4, 3        ; XTMP4 = W[-15] >> 3
+       add     y2, y0          ; y2 = S1 + CH
+       add     y2, [rsp + _XFER + 1*4] ; y2 = k + w + S1 + CH
+       ror     y1, 2           ; y1 = S0 = (a>>2) ^ (a>>13) ^ (a>>22)
+               pxor    XTMP1, XTMP2    ; XTMP1 = W[-15] ror 7 ^ W[-15] ror 18
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+               pxor    XTMP1, 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
+               pshufd  XTMP2, X3, 11111010b    ; XTMP2 = W[-2] {BBAA}
+       and     y0, b           ; y0 = (a|c)&b
+       add     h, y1           ; h = h + S1 + CH + k + w + S0
+               paddd   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
+               movdqa  XTMP3, XTMP2    ; XTMP3 = W[-2] {BBAA}
+       mov     y0, e           ; y0 = e
+       mov     y1, a           ; y1 = a
+       ror     y0, (25-11)     ; y0 = e >> (25-11)
+               movdqa  XTMP4, XTMP2    ; XTMP4 = W[-2] {BBAA}
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       ror     y1, (22-13)     ; y1 = a >> (22-13)
+       mov     y2, f           ; y2 = f
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       ror     y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+               psrlq   XTMP2, 17       ; XTMP2 = W[-2] ror 17 {xBxA}
+       xor     y2, g           ; y2 = f^g
+               psrlq   XTMP3, 19       ; XTMP3 = W[-2] ror 19 {xBxA}
+       xor     y0, e           ; y0 = e ^ (e >> (11-6)) ^ (e >> (25-6))
+       and     y2, e           ; y2 = (f^g)&e
+               psrld   XTMP4, 10       ; XTMP4 = W[-2] >> 10 {BBAA}
+       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
+       ror     y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+               pxor    XTMP2, XTMP3
+       add     y2, y0          ; y2 = S1 + CH
+       ror     y1, 2           ; y1 = S0 = (a>>2) ^ (a>>13) ^ (a>>22)
+       add     y2, [rsp + _XFER + 2*4] ; y2 = k + w + S1 + CH
+               pxor    XTMP4, XTMP2    ; XTMP4 = s1 {xBxA}
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+               pshufb  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
+               paddd   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
+               pshufd  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
+               movdqa  XTMP3, XTMP2    ; XTMP3 = W[-2] {DDCC}
+       mov     y0, e           ; y0 = e
+       ror     y0, (25-11)     ; y0 = e >> (25-11)
+       mov     y1, a           ; y1 = a
+               movdqa  X0,    XTMP2    ; X0    = W[-2] {DDCC}
+       ror     y1, (22-13)     ; y1 = a >> (22-13)
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       mov     y2, f           ; y2 = f
+       ror     y0, (11-6)      ; y0 = (e >> (11-6)) ^ (e >> (25-6))
+               psrlq   XTMP2, 17       ; XTMP2 = W[-2] ror 17 {xDxC}
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       xor     y2, g           ; y2 = f^g
+               psrlq   XTMP3, 19       ; XTMP3 = W[-2] ror 19 {xDxC}
+       xor     y0, e           ; y0 = e ^ (e >> (11-6)) ^ (e >> (25-6))
+       and     y2, e           ; y2 = (f^g)&e
+       ror     y1, (13-2)      ; y1 = (a >> (13-2)) ^ (a >> (22-2))
+               psrld   X0,    10       ; X0 = W[-2] >> 10 {DDCC}
+       xor     y1, a           ; y1 = a ^ (a >> (13-2)) ^ (a >> (22-2))
+       ror     y0, 6           ; y0 = S1 = (e>>6) & (e>>11) ^ (e>>25)
+       xor     y2, g           ; y2 = CH = ((f^g)&e)^g
+               pxor    XTMP2, XTMP3
+       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
+               pxor    X0, XTMP2       ; X0 = s1 {xDxC}
+       mov     y0, a           ; y0 = a
+       add     h, y2           ; h = h + S1 + CH + k + w
+       mov     y2, a           ; y2 = a
+               pshufb  X0, SHUF_DC00   ; X0 = s1 {DC00}
+       or      y0, c           ; y0 = a|c
+       add     d, h            ; d = d + h + S1 + CH + k + w
+       and     y2, c           ; y2 = a&c
+               paddd   X0, 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
+       ror     y0, (25-11)     ; y0 = e >> (25-11)
+       mov     y1, a           ; y1 = a
+       xor     y0, e           ; y0 = e ^ (e >> (25-11))
+       ror     y1, (22-13)     ; y1 = a >> (22-13)
+       mov     y2, f           ; y2 = f
+       xor     y1, a           ; y1 = a ^ (a >> (22-13)
+       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))
+       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))
+       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
+       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_sse4(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_sse4
+align 32
+sha256_sse4:
+       push    rbx
+%ifndef LINUX
+       push    rsi
+       push    rdi
+%endif
+       push    rbp
+       push    r13
+       push    r14
+       push    r15
+
+       sub     rsp,STACK_SIZE
+%ifndef LINUX
+       movdqa  [rsp + _XMM_SAVE + 0*16],xmm6
+       movdqa  [rsp + _XMM_SAVE + 1*16],xmm7
+       movdqa  [rsp + _XMM_SAVE + 2*16],xmm8
+       movdqa  [rsp + _XMM_SAVE + 3*16],xmm9
+       movdqa  [rsp + _XMM_SAVE + 4*16],xmm10
+       movdqa  [rsp + _XMM_SAVE + 5*16],xmm11
+       movdqa  [rsp + _XMM_SAVE + 6*16],xmm12
+%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]
+
+       movdqa  BYTE_FLIP_MASK, [PSHUFFLE_BYTE_FLIP_MASK wrt rip]
+       movdqa  SHUF_00BA, [_SHUF_00BA wrt rip]
+       movdqa  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:
+       movdqa  XFER, [TBL + 0*16]
+       paddd   XFER, X0
+       movdqa  [rsp + _XFER], XFER
+       FOUR_ROUNDS_AND_SCHED
+
+       movdqa  XFER, [TBL + 1*16]
+       paddd   XFER, X0
+       movdqa  [rsp + _XFER], XFER
+       FOUR_ROUNDS_AND_SCHED
+
+       movdqa  XFER, [TBL + 2*16]
+       paddd   XFER, X0
+       movdqa  [rsp + _XFER], XFER
+       FOUR_ROUNDS_AND_SCHED
+
+       movdqa  XFER, [TBL + 3*16]
+       paddd   XFER, X0
+       movdqa  [rsp + _XFER], XFER
+       add     TBL, 4*16
+       FOUR_ROUNDS_AND_SCHED
+
+       sub     SRND, 1
+       jne     loop1
+
+       mov     SRND, 2
+loop2:
+       paddd   X0, [TBL + 0*16]
+       movdqa  [rsp + _XFER], X0
+       DO_ROUND        0
+       DO_ROUND        1
+       DO_ROUND        2
+       DO_ROUND        3
+       paddd   X1, [TBL + 1*16]
+       movdqa  [rsp + _XFER], X1
+       add     TBL, 2*16
+       DO_ROUND        0
+       DO_ROUND        1
+       DO_ROUND        2
+       DO_ROUND        3
+
+       movdqa  X0, X2
+       movdqa  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
+       movdqa  xmm6,[rsp + _XMM_SAVE + 0*16]
+       movdqa  xmm7,[rsp + _XMM_SAVE + 1*16]
+       movdqa  xmm8,[rsp + _XMM_SAVE + 2*16]
+       movdqa  xmm9,[rsp + _XMM_SAVE + 3*16]
+       movdqa  xmm10,[rsp + _XMM_SAVE + 4*16]
+       movdqa  xmm11,[rsp + _XMM_SAVE + 5*16]
+       movdqa  xmm12,[rsp + _XMM_SAVE + 6*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