if (bytes >= 512) { __m256i y0, y1, y2, y3, y4, y5, y6, y7, y8, y9, y10, y11, y12, y13, y14, y15; /* the naive way seems as fast (if not a bit faster) than the vector way */ __m256i z0 = _mm256_set1_epi32(x[0]); __m256i z5 = _mm256_set1_epi32(x[1]); __m256i z10 = _mm256_set1_epi32(x[2]); __m256i z15 = _mm256_set1_epi32(x[3]); __m256i z12 = _mm256_set1_epi32(x[4]); __m256i z1 = _mm256_set1_epi32(x[5]); __m256i z6 = _mm256_set1_epi32(x[6]); __m256i z11 = _mm256_set1_epi32(x[7]); __m256i z8; /* useless */ __m256i z13 = _mm256_set1_epi32(x[9]); __m256i z2 = _mm256_set1_epi32(x[10]); __m256i z7 = _mm256_set1_epi32(x[11]); __m256i z4 = _mm256_set1_epi32(x[12]); __m256i z9; /* useless */ __m256i z14 = _mm256_set1_epi32(x[14]); __m256i z3 = _mm256_set1_epi32(x[15]); __m256i orig0 = z0; __m256i orig1 = z1; __m256i orig2 = z2; __m256i orig3 = z3; __m256i orig4 = z4; __m256i orig5 = z5; __m256i orig6 = z6; __m256i orig7 = z7; __m256i orig8; __m256i orig9; __m256i orig10 = z10; __m256i orig11 = z11; __m256i orig12 = z12; __m256i orig13 = z13; __m256i orig14 = z14; __m256i orig15 = z15; uint32_t in8; uint32_t in9; int i; while (bytes >= 512) { /* vector implementation for z8 and z9 */ /* faster than the naive version for 8 blocks */ const __m256i addv8 = _mm256_set_epi64x(3, 2, 1, 0); const __m256i addv9 = _mm256_set_epi64x(7, 6, 5, 4); const __m256i permute = _mm256_set_epi32(7, 6, 3, 2, 5, 4, 1, 0); __m256i t8, t9; uint64_t in89; in8 = x[8]; in9 = x[13]; /* see arrays above for the address translation */ in89 = ((uint64_t) in8) | (((uint64_t) in9) << 32); z8 = z9 = _mm256_broadcastq_epi64(_mm_cvtsi64_si128(in89)); t8 = _mm256_add_epi64(addv8, z8); t9 = _mm256_add_epi64(addv9, z9); z8 = _mm256_unpacklo_epi32(t8, t9); z9 = _mm256_unpackhi_epi32(t8, t9); t8 = _mm256_unpacklo_epi32(z8, z9); t9 = _mm256_unpackhi_epi32(z8, z9); /* required because unpack* are intra-lane */ z8 = _mm256_permutevar8x32_epi32(t8, permute); z9 = _mm256_permutevar8x32_epi32(t9, permute); orig8 = z8; orig9 = z9; in89 += 8; x[8] = in89 & 0xFFFFFFFF; x[13] = (in89 >> 32) & 0xFFFFFFFF; z5 = orig5; z10 = orig10; z15 = orig15; z14 = orig14; z3 = orig3; z6 = orig6; z11 = orig11; z1 = orig1; z7 = orig7; z13 = orig13; z2 = orig2; z9 = orig9; z0 = orig0; z12 = orig12; z4 = orig4; z8 = orig8; for (i = 0; i < ROUNDS; i += 2) { /* the inner loop is a direct translation (regexp search/replace) * from the amd64-xmm6 ASM */ __m256i r0, r1, r2, r3, r4, r5, r6, r7, r8, r9, r10, r11, r12, r13, r14, r15; y4 = z12; y4 = _mm256_add_epi32(y4, z0); r4 = y4; y4 = _mm256_slli_epi32(y4, 7); z4 = _mm256_xor_si256(z4, y4); r4 = _mm256_srli_epi32(r4, 25); z4 = _mm256_xor_si256(z4, r4); y9 = z1; y9 = _mm256_add_epi32(y9, z5); r9 = y9; y9 = _mm256_slli_epi32(y9, 7); z9 = _mm256_xor_si256(z9, y9); r9 = _mm256_srli_epi32(r9, 25); z9 = _mm256_xor_si256(z9, r9); y8 = z0; y8 = _mm256_add_epi32(y8, z4); r8 = y8; y8 = _mm256_slli_epi32(y8, 9); z8 = _mm256_xor_si256(z8, y8); r8 = _mm256_srli_epi32(r8, 23); z8 = _mm256_xor_si256(z8, r8); y13 = z5; y13 = _mm256_add_epi32(y13, z9); r13 = y13; y13 = _mm256_slli_epi32(y13, 9); z13 = _mm256_xor_si256(z13, y13); r13 = _mm256_srli_epi32(r13, 23); z13 = _mm256_xor_si256(z13, r13); y12 = z4; y12 = _mm256_add_epi32(y12, z8); r12 = y12; y12 = _mm256_slli_epi32(y12, 13); z12 = _mm256_xor_si256(z12, y12); r12 = _mm256_srli_epi32(r12, 19); z12 = _mm256_xor_si256(z12, r12); y1 = z9; y1 = _mm256_add_epi32(y1, z13); r1 = y1; y1 = _mm256_slli_epi32(y1, 13); z1 = _mm256_xor_si256(z1, y1); r1 = _mm256_srli_epi32(r1, 19); z1 = _mm256_xor_si256(z1, r1); y0 = z8; y0 = _mm256_add_epi32(y0, z12); r0 = y0; y0 = _mm256_slli_epi32(y0, 18); z0 = _mm256_xor_si256(z0, y0); r0 = _mm256_srli_epi32(r0, 14); z0 = _mm256_xor_si256(z0, r0); y5 = z13; y5 = _mm256_add_epi32(y5, z1); r5 = y5; y5 = _mm256_slli_epi32(y5, 18); z5 = _mm256_xor_si256(z5, y5); r5 = _mm256_srli_epi32(r5, 14); z5 = _mm256_xor_si256(z5, r5); y14 = z6; y14 = _mm256_add_epi32(y14, z10); r14 = y14; y14 = _mm256_slli_epi32(y14, 7); z14 = _mm256_xor_si256(z14, y14); r14 = _mm256_srli_epi32(r14, 25); z14 = _mm256_xor_si256(z14, r14); y3 = z11; y3 = _mm256_add_epi32(y3, z15); r3 = y3; y3 = _mm256_slli_epi32(y3, 7); z3 = _mm256_xor_si256(z3, y3); r3 = _mm256_srli_epi32(r3, 25); z3 = _mm256_xor_si256(z3, r3); y2 = z10; y2 = _mm256_add_epi32(y2, z14); r2 = y2; y2 = _mm256_slli_epi32(y2, 9); z2 = _mm256_xor_si256(z2, y2); r2 = _mm256_srli_epi32(r2, 23); z2 = _mm256_xor_si256(z2, r2); y7 = z15; y7 = _mm256_add_epi32(y7, z3); r7 = y7; y7 = _mm256_slli_epi32(y7, 9); z7 = _mm256_xor_si256(z7, y7); r7 = _mm256_srli_epi32(r7, 23); z7 = _mm256_xor_si256(z7, r7); y6 = z14; y6 = _mm256_add_epi32(y6, z2); r6 = y6; y6 = _mm256_slli_epi32(y6, 13); z6 = _mm256_xor_si256(z6, y6); r6 = _mm256_srli_epi32(r6, 19); z6 = _mm256_xor_si256(z6, r6); y11 = z3; y11 = _mm256_add_epi32(y11, z7); r11 = y11; y11 = _mm256_slli_epi32(y11, 13); z11 = _mm256_xor_si256(z11, y11); r11 = _mm256_srli_epi32(r11, 19); z11 = _mm256_xor_si256(z11, r11); y10 = z2; y10 = _mm256_add_epi32(y10, z6); r10 = y10; y10 = _mm256_slli_epi32(y10, 18); z10 = _mm256_xor_si256(z10, y10); r10 = _mm256_srli_epi32(r10, 14); z10 = _mm256_xor_si256(z10, r10); y1 = z3; y1 = _mm256_add_epi32(y1, z0); r1 = y1; y1 = _mm256_slli_epi32(y1, 7); z1 = _mm256_xor_si256(z1, y1); r1 = _mm256_srli_epi32(r1, 25); z1 = _mm256_xor_si256(z1, r1); y15 = z7; y15 = _mm256_add_epi32(y15, z11); r15 = y15; y15 = _mm256_slli_epi32(y15, 18); z15 = _mm256_xor_si256(z15, y15); r15 = _mm256_srli_epi32(r15, 14); z15 = _mm256_xor_si256(z15, r15); y6 = z4; y6 = _mm256_add_epi32(y6, z5); r6 = y6; y6 = _mm256_slli_epi32(y6, 7); z6 = _mm256_xor_si256(z6, y6); r6 = _mm256_srli_epi32(r6, 25); z6 = _mm256_xor_si256(z6, r6); y2 = z0; y2 = _mm256_add_epi32(y2, z1); r2 = y2; y2 = _mm256_slli_epi32(y2, 9); z2 = _mm256_xor_si256(z2, y2); r2 = _mm256_srli_epi32(r2, 23); z2 = _mm256_xor_si256(z2, r2); y7 = z5; y7 = _mm256_add_epi32(y7, z6); r7 = y7; y7 = _mm256_slli_epi32(y7, 9); z7 = _mm256_xor_si256(z7, y7); r7 = _mm256_srli_epi32(r7, 23); z7 = _mm256_xor_si256(z7, r7); y3 = z1; y3 = _mm256_add_epi32(y3, z2); r3 = y3; y3 = _mm256_slli_epi32(y3, 13); z3 = _mm256_xor_si256(z3, y3); r3 = _mm256_srli_epi32(r3, 19); z3 = _mm256_xor_si256(z3, r3); y4 = z6; y4 = _mm256_add_epi32(y4, z7); r4 = y4; y4 = _mm256_slli_epi32(y4, 13); z4 = _mm256_xor_si256(z4, y4); r4 = _mm256_srli_epi32(r4, 19); z4 = _mm256_xor_si256(z4, r4); y0 = z2; y0 = _mm256_add_epi32(y0, z3); r0 = y0; y0 = _mm256_slli_epi32(y0, 18); z0 = _mm256_xor_si256(z0, y0); r0 = _mm256_srli_epi32(r0, 14); z0 = _mm256_xor_si256(z0, r0); y5 = z7; y5 = _mm256_add_epi32(y5, z4); r5 = y5; y5 = _mm256_slli_epi32(y5, 18); z5 = _mm256_xor_si256(z5, y5); r5 = _mm256_srli_epi32(r5, 14); z5 = _mm256_xor_si256(z5, r5); y11 = z9; y11 = _mm256_add_epi32(y11, z10); r11 = y11; y11 = _mm256_slli_epi32(y11, 7); z11 = _mm256_xor_si256(z11, y11); r11 = _mm256_srli_epi32(r11, 25); z11 = _mm256_xor_si256(z11, r11); y12 = z14; y12 = _mm256_add_epi32(y12, z15); r12 = y12; y12 = _mm256_slli_epi32(y12, 7); z12 = _mm256_xor_si256(z12, y12); r12 = _mm256_srli_epi32(r12, 25); z12 = _mm256_xor_si256(z12, r12); y8 = z10; y8 = _mm256_add_epi32(y8, z11); r8 = y8; y8 = _mm256_slli_epi32(y8, 9); z8 = _mm256_xor_si256(z8, y8); r8 = _mm256_srli_epi32(r8, 23); z8 = _mm256_xor_si256(z8, r8); y13 = z15; y13 = _mm256_add_epi32(y13, z12); r13 = y13; y13 = _mm256_slli_epi32(y13, 9); z13 = _mm256_xor_si256(z13, y13); r13 = _mm256_srli_epi32(r13, 23); z13 = _mm256_xor_si256(z13, r13); y9 = z11; y9 = _mm256_add_epi32(y9, z8); r9 = y9; y9 = _mm256_slli_epi32(y9, 13); z9 = _mm256_xor_si256(z9, y9); r9 = _mm256_srli_epi32(r9, 19); z9 = _mm256_xor_si256(z9, r9); y14 = z12; y14 = _mm256_add_epi32(y14, z13); r14 = y14; y14 = _mm256_slli_epi32(y14, 13); z14 = _mm256_xor_si256(z14, y14); r14 = _mm256_srli_epi32(r14, 19); z14 = _mm256_xor_si256(z14, r14); y10 = z8; y10 = _mm256_add_epi32(y10, z9); r10 = y10; y10 = _mm256_slli_epi32(y10, 18); z10 = _mm256_xor_si256(z10, y10); r10 = _mm256_srli_epi32(r10, 14); z10 = _mm256_xor_si256(z10, r10); y15 = z13; y15 = _mm256_add_epi32(y15, z14); r15 = y15; y15 = _mm256_slli_epi32(y15, 18); z15 = _mm256_xor_si256(z15, y15); r15 = _mm256_srli_epi32(r15, 14); z15 = _mm256_xor_si256(z15, r15); } /* store data ; this macro first transpose data in-registers, and then store * them in memory. much faster with icc. */ #define ONEQUAD_TRANSPOSE(A, B, C, D) \ { \ __m128i t0, t1, t2, t3; \ z##A = _mm256_add_epi32(z##A, orig##A); \ z##B = _mm256_add_epi32(z##B, orig##B); \ z##C = _mm256_add_epi32(z##C, orig##C); \ z##D = _mm256_add_epi32(z##D, orig##D); \ y##A = _mm256_unpacklo_epi32(z##A, z##B); \ y##B = _mm256_unpacklo_epi32(z##C, z##D); \ y##C = _mm256_unpackhi_epi32(z##A, z##B); \ y##D = _mm256_unpackhi_epi32(z##C, z##D); \ z##A = _mm256_unpacklo_epi64(y##A, y##B); \ z##B = _mm256_unpackhi_epi64(y##A, y##B); \ z##C = _mm256_unpacklo_epi64(y##C, y##D); \ z##D = _mm256_unpackhi_epi64(y##C, y##D); \ t0 = _mm_xor_si128(_mm256_extracti128_si256(z##A, 0), \ _mm_loadu_si128((__m128i*) (m + 0))); \ _mm_storeu_si128((__m128i*) (c + 0), t0); \ t1 = _mm_xor_si128(_mm256_extracti128_si256(z##B, 0), \ _mm_loadu_si128((__m128i*) (m + 64))); \ _mm_storeu_si128((__m128i*) (c + 64), t1); \ t2 = _mm_xor_si128(_mm256_extracti128_si256(z##C, 0), \ _mm_loadu_si128((__m128i*) (m + 128))); \ _mm_storeu_si128((__m128i*) (c + 128), t2); \ t3 = _mm_xor_si128(_mm256_extracti128_si256(z##D, 0), \ _mm_loadu_si128((__m128i*) (m + 192))); \ _mm_storeu_si128((__m128i*) (c + 192), t3); \ t0 = _mm_xor_si128(_mm256_extracti128_si256(z##A, 1), \ _mm_loadu_si128((__m128i*) (m + 256))); \ _mm_storeu_si128((__m128i*) (c + 256), t0); \ t1 = _mm_xor_si128(_mm256_extracti128_si256(z##B, 1), \ _mm_loadu_si128((__m128i*) (m + 320))); \ _mm_storeu_si128((__m128i*) (c + 320), t1); \ t2 = _mm_xor_si128(_mm256_extracti128_si256(z##C, 1), \ _mm_loadu_si128((__m128i*) (m + 384))); \ _mm_storeu_si128((__m128i*) (c + 384), t2); \ t3 = _mm_xor_si128(_mm256_extracti128_si256(z##D, 1), \ _mm_loadu_si128((__m128i*) (m + 448))); \ _mm_storeu_si128((__m128i*) (c + 448), t3); \ } #define ONEQUAD(A, B, C, D) ONEQUAD_TRANSPOSE(A, B, C, D) #define ONEQUAD_UNPCK(A, B, C, D) \ { \ z##A = _mm256_add_epi32(z##A, orig##A); \ z##B = _mm256_add_epi32(z##B, orig##B); \ z##C = _mm256_add_epi32(z##C, orig##C); \ z##D = _mm256_add_epi32(z##D, orig##D); \ y##A = _mm256_unpacklo_epi32(z##A, z##B); \ y##B = _mm256_unpacklo_epi32(z##C, z##D); \ y##C = _mm256_unpackhi_epi32(z##A, z##B); \ y##D = _mm256_unpackhi_epi32(z##C, z##D); \ z##A = _mm256_unpacklo_epi64(y##A, y##B); \ z##B = _mm256_unpackhi_epi64(y##A, y##B); \ z##C = _mm256_unpacklo_epi64(y##C, y##D); \ z##D = _mm256_unpackhi_epi64(y##C, y##D); \ } #define ONEOCTO(A, B, C, D, A2, B2, C2, D2) \ { \ ONEQUAD_UNPCK(A, B, C, D); \ ONEQUAD_UNPCK(A2, B2, C2, D2); \ y##A = _mm256_permute2x128_si256(z##A, z##A2, 0x20); \ y##A2 = _mm256_permute2x128_si256(z##A, z##A2, 0x31); \ y##B = _mm256_permute2x128_si256(z##B, z##B2, 0x20); \ y##B2 = _mm256_permute2x128_si256(z##B, z##B2, 0x31); \ y##C = _mm256_permute2x128_si256(z##C, z##C2, 0x20); \ y##C2 = _mm256_permute2x128_si256(z##C, z##C2, 0x31); \ y##D = _mm256_permute2x128_si256(z##D, z##D2, 0x20); \ y##D2 = _mm256_permute2x128_si256(z##D, z##D2, 0x31); \ y##A = _mm256_xor_si256(y##A, _mm256_loadu_si256((__m256i*) (m + 0))); \ y##B = \ _mm256_xor_si256(y##B, _mm256_loadu_si256((__m256i*) (m + 64))); \ y##C = \ _mm256_xor_si256(y##C, _mm256_loadu_si256((__m256i*) (m + 128))); \ y##D = \ _mm256_xor_si256(y##D, _mm256_loadu_si256((__m256i*) (m + 192))); \ y##A2 = \ _mm256_xor_si256(y##A2, _mm256_loadu_si256((__m256i*) (m + 256))); \ y##B2 = \ _mm256_xor_si256(y##B2, _mm256_loadu_si256((__m256i*) (m + 320))); \ y##C2 = \ _mm256_xor_si256(y##C2, _mm256_loadu_si256((__m256i*) (m + 384))); \ y##D2 = \ _mm256_xor_si256(y##D2, _mm256_loadu_si256((__m256i*) (m + 448))); \ _mm256_storeu_si256((__m256i*) (c + 0), y##A); \ _mm256_storeu_si256((__m256i*) (c + 64), y##B); \ _mm256_storeu_si256((__m256i*) (c + 128), y##C); \ _mm256_storeu_si256((__m256i*) (c + 192), y##D); \ _mm256_storeu_si256((__m256i*) (c + 256), y##A2); \ _mm256_storeu_si256((__m256i*) (c + 320), y##B2); \ _mm256_storeu_si256((__m256i*) (c + 384), y##C2); \ _mm256_storeu_si256((__m256i*) (c + 448), y##D2); \ } ONEOCTO(0, 1, 2, 3, 4, 5, 6, 7); m += 32; c += 32; ONEOCTO(8, 9, 10, 11, 12, 13, 14, 15); m -= 32; c -= 32; #undef ONEQUAD #undef ONEQUAD_TRANSPOSE #undef ONEQUAD_UNPCK #undef ONEOCTO bytes -= 512; c += 512; m += 512; } }