1238384Sjkim#!/usr/bin/env perl
2238384Sjkim#
3238384Sjkim# ====================================================================
4238384Sjkim# Written by Andy Polyakov <appro@fy.chalmers.se> for the OpenSSL
5238384Sjkim# project. The module is, however, dual licensed under OpenSSL and
6238384Sjkim# CRYPTOGAMS licenses depending on where you obtain it. For further
7238384Sjkim# details see http://www.openssl.org/~appro/cryptogams/.
8238384Sjkim# ====================================================================
9238384Sjkim
10238384Sjkim# January 2010
11238384Sjkim#
12238384Sjkim# "Teaser" Montgomery multiplication module for IA-64. There are
13238384Sjkim# several possibilities for improvement:
14238384Sjkim#
15238384Sjkim# - modulo-scheduling outer loop would eliminate quite a number of
16238384Sjkim#   stalls after ldf8, xma and getf.sig outside inner loop and
17238384Sjkim#   improve shorter key performance;
18238384Sjkim# - shorter vector support [with input vectors being fetched only
19238384Sjkim#   once] should be added;
20238384Sjkim# - 2x unroll with help of n0[1] would make the code scalable on
21238384Sjkim#   "wider" IA-64, "wider" than Itanium 2 that is, which is not of
22238384Sjkim#   acute interest, because upcoming Tukwila's individual cores are
23238384Sjkim#   reportedly based on Itanium 2 design;
24238384Sjkim# - dedicated squaring procedure(?);
25238384Sjkim#
26238384Sjkim# January 2010
27238384Sjkim#
28238384Sjkim# Shorter vector support is implemented by zero-padding ap and np
29238384Sjkim# vectors up to 8 elements, or 512 bits. This means that 256-bit
30238384Sjkim# inputs will be processed only 2 times faster than 512-bit inputs,
31238384Sjkim# not 4 [as one would expect, because algorithm complexity is n^2].
32238384Sjkim# The reason for padding is that inputs shorter than 512 bits won't
33238384Sjkim# be processed faster anyway, because minimal critical path of the
34238384Sjkim# core loop happens to match 512-bit timing. Either way, it resulted
35238384Sjkim# in >100% improvement of 512-bit RSA sign benchmark and 50% - of
36238384Sjkim# 1024-bit one [in comparison to original version of *this* module].
37238384Sjkim#
38238384Sjkim# So far 'openssl speed rsa dsa' output on 900MHz Itanium 2 *with*
39238384Sjkim# this module is:
40238384Sjkim#                   sign    verify    sign/s verify/s
41238384Sjkim# rsa  512 bits 0.000290s 0.000024s   3452.8  42031.4
42238384Sjkim# rsa 1024 bits 0.000793s 0.000058s   1261.7  17172.0
43238384Sjkim# rsa 2048 bits 0.005908s 0.000148s    169.3   6754.0
44238384Sjkim# rsa 4096 bits 0.033456s 0.000469s     29.9   2133.6
45238384Sjkim# dsa  512 bits 0.000253s 0.000198s   3949.9   5057.0
46238384Sjkim# dsa 1024 bits 0.000585s 0.000607s   1708.4   1647.4
47238384Sjkim# dsa 2048 bits 0.001453s 0.001703s    688.1    587.4
48238384Sjkim#
49238384Sjkim# ... and *without* (but still with ia64.S):
50238384Sjkim#
51238384Sjkim# rsa  512 bits 0.000670s 0.000041s   1491.8  24145.5
52238384Sjkim# rsa 1024 bits 0.001988s 0.000080s    502.9  12499.3
53238384Sjkim# rsa 2048 bits 0.008702s 0.000189s    114.9   5293.9
54238384Sjkim# rsa 4096 bits 0.043860s 0.000533s     22.8   1875.9
55238384Sjkim# dsa  512 bits 0.000441s 0.000427s   2265.3   2340.6
56238384Sjkim# dsa 1024 bits 0.000823s 0.000867s   1215.6   1153.2
57238384Sjkim# dsa 2048 bits 0.001894s 0.002179s    528.1    458.9
58238384Sjkim#
59238384Sjkim# As it can be seen, RSA sign performance improves by 130-30%,
60238384Sjkim# hereafter less for longer keys, while verify - by 74-13%.
61238384Sjkim# DSA performance improves by 115-30%.
62238384Sjkim
63238384Sjkimif ($^O eq "hpux") {
64238384Sjkim    $ADDP="addp4";
65238384Sjkim    for (@ARGV) { $ADDP="add" if (/[\+DD|\-mlp]64/); }
66238384Sjkim} else { $ADDP="add"; }
67238384Sjkim
68238384Sjkim$code=<<___;
69238384Sjkim.explicit
70238384Sjkim.text
71238384Sjkim
72238384Sjkim// int bn_mul_mont (BN_ULONG *rp,const BN_ULONG *ap,
73238384Sjkim//		    const BN_ULONG *bp,const BN_ULONG *np,
74238384Sjkim//		    const BN_ULONG *n0p,int num);
75238384Sjkim.align	64
76238384Sjkim.global	bn_mul_mont#
77238384Sjkim.proc	bn_mul_mont#
78238384Sjkimbn_mul_mont:
79238384Sjkim	.prologue
80238384Sjkim	.body
81238384Sjkim{ .mmi;	cmp4.le		p6,p7=2,r37;;
82238384Sjkim(p6)	cmp4.lt.unc	p8,p9=8,r37
83238384Sjkim	mov		ret0=r0		};;
84238384Sjkim{ .bbb;
85238384Sjkim(p9)	br.cond.dptk.many	bn_mul_mont_8
86238384Sjkim(p8)	br.cond.dpnt.many	bn_mul_mont_general
87238384Sjkim(p7)	br.ret.spnt.many	b0	};;
88238384Sjkim.endp	bn_mul_mont#
89238384Sjkim
90238384Sjkimprevfs=r2;	prevpr=r3;	prevlc=r10;	prevsp=r11;
91238384Sjkim
92238384Sjkimrptr=r8;	aptr=r9;	bptr=r14;	nptr=r15;
93238384Sjkimtptr=r16;	// &tp[0]
94238384Sjkimtp_1=r17;	// &tp[-1]
95238384Sjkimnum=r18;	len=r19;	lc=r20;
96238384Sjkimtopbit=r21;	// carry bit from tmp[num]
97238384Sjkim
98238384Sjkimn0=f6;
99238384Sjkimm0=f7;
100238384Sjkimbi=f8;
101238384Sjkim
102238384Sjkim.align	64
103238384Sjkim.local	bn_mul_mont_general#
104238384Sjkim.proc	bn_mul_mont_general#
105238384Sjkimbn_mul_mont_general:
106238384Sjkim	.prologue
107238384Sjkim{ .mmi;	.save	ar.pfs,prevfs
108238384Sjkim	alloc	prevfs=ar.pfs,6,2,0,8
109238384Sjkim	$ADDP	aptr=0,in1
110238384Sjkim	.save	ar.lc,prevlc
111238384Sjkim	mov	prevlc=ar.lc		}
112238384Sjkim{ .mmi;	.vframe	prevsp
113238384Sjkim	mov	prevsp=sp
114238384Sjkim	$ADDP	bptr=0,in2
115238384Sjkim	.save	pr,prevpr
116238384Sjkim	mov	prevpr=pr		};;
117238384Sjkim
118238384Sjkim	.body
119238384Sjkim	.rotf		alo[6],nlo[4],ahi[8],nhi[6]
120238384Sjkim	.rotr		a[3],n[3],t[2]
121238384Sjkim
122238384Sjkim{ .mmi;	ldf8		bi=[bptr],8		// (*bp++)
123238384Sjkim	ldf8		alo[4]=[aptr],16	// ap[0]
124238384Sjkim	$ADDP		r30=8,in1	};;
125238384Sjkim{ .mmi;	ldf8		alo[3]=[r30],16		// ap[1]
126238384Sjkim	ldf8		alo[2]=[aptr],16	// ap[2]
127238384Sjkim	$ADDP		in4=0,in4	};;
128238384Sjkim{ .mmi;	ldf8		alo[1]=[r30]		// ap[3]
129238384Sjkim	ldf8		n0=[in4]		// n0
130238384Sjkim	$ADDP		rptr=0,in0		}
131238384Sjkim{ .mmi;	$ADDP		nptr=0,in3
132238384Sjkim	mov		r31=16
133238384Sjkim	zxt4		num=in5		};;
134238384Sjkim{ .mmi;	ldf8		nlo[2]=[nptr],8		// np[0]
135238384Sjkim	shladd		len=num,3,r0
136238384Sjkim	shladd		r31=num,3,r31	};;
137238384Sjkim{ .mmi;	ldf8		nlo[1]=[nptr],8		// np[1]
138238384Sjkim	add		lc=-5,num
139238384Sjkim	sub		r31=sp,r31	};;
140238384Sjkim{ .mfb;	and		sp=-16,r31		// alloca
141238384Sjkim	xmpy.hu		ahi[2]=alo[4],bi	// ap[0]*bp[0]
142238384Sjkim	nop.b		0		}
143238384Sjkim{ .mfb;	nop.m		0
144238384Sjkim	xmpy.lu		alo[4]=alo[4],bi
145238384Sjkim	brp.loop.imp	.L1st_ctop,.L1st_cend-16
146238384Sjkim					};;
147238384Sjkim{ .mfi;	nop.m		0
148238384Sjkim	xma.hu		ahi[1]=alo[3],bi,ahi[2]	// ap[1]*bp[0]
149238384Sjkim	add		tp_1=8,sp	}
150238384Sjkim{ .mfi;	nop.m		0
151238384Sjkim	xma.lu		alo[3]=alo[3],bi,ahi[2]
152238384Sjkim	mov		pr.rot=0x20001f<<16
153238384Sjkim			// ------^----- (p40) at first (p23)
154238384Sjkim			// ----------^^ p[16:20]=1
155238384Sjkim					};;
156238384Sjkim{ .mfi;	nop.m		0
157238384Sjkim	xmpy.lu		m0=alo[4],n0		// (ap[0]*bp[0])*n0
158238384Sjkim	mov		ar.lc=lc	}
159238384Sjkim{ .mfi;	nop.m		0
160238384Sjkim	fcvt.fxu.s1	nhi[1]=f0
161238384Sjkim	mov		ar.ec=8		};;
162238384Sjkim
163238384Sjkim.align	32
164238384Sjkim.L1st_ctop:
165238384Sjkim.pred.rel	"mutex",p40,p42
166238384Sjkim{ .mfi;	(p16)	ldf8		alo[0]=[aptr],8		    // *(aptr++)
167238384Sjkim	(p18)	xma.hu		ahi[0]=alo[2],bi,ahi[1]
168238384Sjkim	(p40)	add		n[2]=n[2],a[2]		}   // (p23)					}
169238384Sjkim{ .mfi;	(p18)	ldf8		nlo[0]=[nptr],8		    // *(nptr++)(p16)
170238384Sjkim	(p18)	xma.lu		alo[2]=alo[2],bi,ahi[1]
171238384Sjkim	(p42)	add		n[2]=n[2],a[2],1	};; // (p23)
172238384Sjkim{ .mfi;	(p21)	getf.sig	a[0]=alo[5]
173238384Sjkim	(p20)	xma.hu		nhi[0]=nlo[2],m0,nhi[1]
174238384Sjkim	(p42)	cmp.leu		p41,p39=n[2],a[2]   	}   // (p23)
175238384Sjkim{ .mfi;	(p23)	st8		[tp_1]=n[2],8
176238384Sjkim	(p20)	xma.lu		nlo[2]=nlo[2],m0,nhi[1]
177238384Sjkim	(p40)	cmp.ltu		p41,p39=n[2],a[2]	}   // (p23)
178238384Sjkim{ .mmb;	(p21)	getf.sig	n[0]=nlo[3]
179238384Sjkim	(p16)	nop.m		0
180238384Sjkim	br.ctop.sptk	.L1st_ctop			};;
181238384Sjkim.L1st_cend:
182238384Sjkim
183238384Sjkim{ .mmi;	getf.sig	a[0]=ahi[6]		// (p24)
184238384Sjkim	getf.sig	n[0]=nhi[4]
185238384Sjkim	add		num=-1,num	};;	// num--
186238384Sjkim{ .mmi;	.pred.rel	"mutex",p40,p42
187238384Sjkim(p40)	add		n[0]=n[0],a[0]
188238384Sjkim(p42)	add		n[0]=n[0],a[0],1
189238384Sjkim	sub		aptr=aptr,len	};;	// rewind
190238384Sjkim{ .mmi;	.pred.rel	"mutex",p40,p42
191238384Sjkim(p40)	cmp.ltu		p41,p39=n[0],a[0]
192238384Sjkim(p42)	cmp.leu		p41,p39=n[0],a[0]
193238384Sjkim	sub		nptr=nptr,len	};;
194238384Sjkim{ .mmi;	.pred.rel	"mutex",p39,p41
195238384Sjkim(p39)	add		topbit=r0,r0
196238384Sjkim(p41)	add		topbit=r0,r0,1
197238384Sjkim	nop.i		0		}
198238384Sjkim{ .mmi;	st8		[tp_1]=n[0]
199238384Sjkim	add		tptr=16,sp
200238384Sjkim	add		tp_1=8,sp	};;
201238384Sjkim
202238384Sjkim.Louter:
203238384Sjkim{ .mmi;	ldf8		bi=[bptr],8		// (*bp++)
204238384Sjkim	ldf8		ahi[3]=[tptr]		// tp[0]
205238384Sjkim	add		r30=8,aptr	};;
206238384Sjkim{ .mmi;	ldf8		alo[4]=[aptr],16	// ap[0]
207238384Sjkim	ldf8		alo[3]=[r30],16		// ap[1]
208238384Sjkim	add		r31=8,nptr	};;
209238384Sjkim{ .mfb;	ldf8		alo[2]=[aptr],16	// ap[2]
210238384Sjkim	xma.hu		ahi[2]=alo[4],bi,ahi[3]	// ap[0]*bp[i]+tp[0]
211238384Sjkim	brp.loop.imp	.Linner_ctop,.Linner_cend-16
212238384Sjkim					}
213238384Sjkim{ .mfb;	ldf8		alo[1]=[r30]		// ap[3]
214238384Sjkim	xma.lu		alo[4]=alo[4],bi,ahi[3]
215238384Sjkim	clrrrb.pr			};;
216238384Sjkim{ .mfi;	ldf8		nlo[2]=[nptr],16	// np[0]
217238384Sjkim	xma.hu		ahi[1]=alo[3],bi,ahi[2]	// ap[1]*bp[i]
218238384Sjkim	nop.i		0		}
219238384Sjkim{ .mfi;	ldf8		nlo[1]=[r31]		// np[1]
220238384Sjkim	xma.lu		alo[3]=alo[3],bi,ahi[2]
221238384Sjkim	mov		pr.rot=0x20101f<<16
222238384Sjkim			// ------^----- (p40) at first (p23)
223238384Sjkim			// --------^--- (p30) at first (p22)
224238384Sjkim			// ----------^^ p[16:20]=1
225238384Sjkim					};;
226238384Sjkim{ .mfi;	st8		[tptr]=r0		// tp[0] is already accounted
227238384Sjkim	xmpy.lu		m0=alo[4],n0		// (ap[0]*bp[i]+tp[0])*n0
228238384Sjkim	mov		ar.lc=lc	}
229238384Sjkim{ .mfi;
230238384Sjkim	fcvt.fxu.s1	nhi[1]=f0
231238384Sjkim	mov		ar.ec=8		};;
232238384Sjkim
233238384Sjkim// This loop spins in 4*(n+7) ticks on Itanium 2 and should spin in
234238384Sjkim// 7*(n+7) ticks on Itanium (the one codenamed Merced). Factor of 7
235238384Sjkim// in latter case accounts for two-tick pipeline stall, which means
236238384Sjkim// that its performance would be ~20% lower than optimal one. No
237238384Sjkim// attempt was made to address this, because original Itanium is
238238384Sjkim// hardly represented out in the wild...
239238384Sjkim.align	32
240238384Sjkim.Linner_ctop:
241238384Sjkim.pred.rel	"mutex",p40,p42
242238384Sjkim.pred.rel	"mutex",p30,p32
243238384Sjkim{ .mfi;	(p16)	ldf8		alo[0]=[aptr],8		    // *(aptr++)
244238384Sjkim	(p18)	xma.hu		ahi[0]=alo[2],bi,ahi[1]
245238384Sjkim	(p40)	add		n[2]=n[2],a[2]		}   // (p23)
246238384Sjkim{ .mfi;	(p16)	nop.m		0
247238384Sjkim	(p18)	xma.lu		alo[2]=alo[2],bi,ahi[1]
248238384Sjkim	(p42)	add		n[2]=n[2],a[2],1	};; // (p23)
249238384Sjkim{ .mfi;	(p21)	getf.sig	a[0]=alo[5]
250238384Sjkim	(p16)	nop.f		0
251238384Sjkim	(p40)	cmp.ltu		p41,p39=n[2],a[2]	}   // (p23)
252238384Sjkim{ .mfi;	(p21)	ld8		t[0]=[tptr],8
253238384Sjkim	(p16)	nop.f		0
254238384Sjkim	(p42)	cmp.leu		p41,p39=n[2],a[2]	};; // (p23)
255238384Sjkim{ .mfi;	(p18)	ldf8		nlo[0]=[nptr],8		    // *(nptr++)
256238384Sjkim	(p20)	xma.hu		nhi[0]=nlo[2],m0,nhi[1]
257238384Sjkim	(p30)	add		a[1]=a[1],t[1]		}   // (p22)
258238384Sjkim{ .mfi;	(p16)	nop.m		0
259238384Sjkim	(p20)	xma.lu		nlo[2]=nlo[2],m0,nhi[1]
260238384Sjkim	(p32)	add		a[1]=a[1],t[1],1	};; // (p22)
261238384Sjkim{ .mmi;	(p21)	getf.sig	n[0]=nlo[3]
262238384Sjkim	(p16)	nop.m		0
263238384Sjkim	(p30)	cmp.ltu		p31,p29=a[1],t[1]	}   // (p22)
264238384Sjkim{ .mmb;	(p23)	st8		[tp_1]=n[2],8
265238384Sjkim	(p32)	cmp.leu		p31,p29=a[1],t[1]	    // (p22)
266238384Sjkim	br.ctop.sptk	.Linner_ctop			};;
267238384Sjkim.Linner_cend:
268238384Sjkim
269238384Sjkim{ .mmi;	getf.sig	a[0]=ahi[6]		// (p24)
270238384Sjkim	getf.sig	n[0]=nhi[4]
271238384Sjkim	nop.i		0		};;
272238384Sjkim
273238384Sjkim{ .mmi;	.pred.rel	"mutex",p31,p33
274238384Sjkim(p31)	add		a[0]=a[0],topbit
275238384Sjkim(p33)	add		a[0]=a[0],topbit,1
276238384Sjkim	mov		topbit=r0	};;
277238384Sjkim{ .mfi; .pred.rel	"mutex",p31,p33
278238384Sjkim(p31)	cmp.ltu		p32,p30=a[0],topbit
279238384Sjkim(p33)	cmp.leu		p32,p30=a[0],topbit
280238384Sjkim					}
281238384Sjkim{ .mfi;	.pred.rel	"mutex",p40,p42
282238384Sjkim(p40)	add		n[0]=n[0],a[0]
283238384Sjkim(p42)	add		n[0]=n[0],a[0],1
284238384Sjkim					};;
285238384Sjkim{ .mmi;	.pred.rel	"mutex",p44,p46
286238384Sjkim(p40)	cmp.ltu		p41,p39=n[0],a[0]
287238384Sjkim(p42)	cmp.leu		p41,p39=n[0],a[0]
288238384Sjkim(p32)	add		topbit=r0,r0,1	}
289238384Sjkim
290238384Sjkim{ .mmi;	st8		[tp_1]=n[0],8
291238384Sjkim	cmp4.ne		p6,p0=1,num
292238384Sjkim	sub		aptr=aptr,len	};;	// rewind
293238384Sjkim{ .mmi;	sub		nptr=nptr,len
294238384Sjkim(p41)	add		topbit=r0,r0,1
295238384Sjkim	add		tptr=16,sp	}
296238384Sjkim{ .mmb;	add		tp_1=8,sp
297238384Sjkim	add		num=-1,num		// num--
298238384Sjkim(p6)	br.cond.sptk.many	.Louter	};;
299238384Sjkim
300238384Sjkim{ .mbb;	add		lc=4,lc
301238384Sjkim	brp.loop.imp	.Lsub_ctop,.Lsub_cend-16
302238384Sjkim	clrrrb.pr			};;
303238384Sjkim{ .mii;	nop.m		0
304238384Sjkim	mov		pr.rot=0x10001<<16
305238384Sjkim			// ------^---- (p33) at first (p17)
306238384Sjkim	mov		ar.lc=lc	}
307238384Sjkim{ .mii;	nop.m		0
308238384Sjkim	mov		ar.ec=3
309238384Sjkim	nop.i		0		};;
310238384Sjkim
311238384Sjkim.Lsub_ctop:
312238384Sjkim.pred.rel	"mutex",p33,p35
313238384Sjkim{ .mfi;	(p16)	ld8		t[0]=[tptr],8		    // t=*(tp++)
314238384Sjkim	(p16)	nop.f		0
315238384Sjkim	(p33)	sub		n[1]=t[1],n[1]		}   // (p17)
316238384Sjkim{ .mfi;	(p16)	ld8		n[0]=[nptr],8		    // n=*(np++)
317238384Sjkim	(p16)	nop.f		0
318238384Sjkim	(p35)	sub		n[1]=t[1],n[1],1	};; // (p17)
319238384Sjkim{ .mib;	(p18)	st8		[rptr]=n[2],8		    // *(rp++)=r
320238384Sjkim	(p33)	cmp.gtu		p34,p32=n[1],t[1]	    // (p17)
321238384Sjkim	(p18)	nop.b		0			}
322238384Sjkim{ .mib;	(p18)	nop.m		0
323238384Sjkim	(p35)	cmp.geu		p34,p32=n[1],t[1]	    // (p17)
324238384Sjkim	br.ctop.sptk	.Lsub_ctop			};;
325238384Sjkim.Lsub_cend:
326238384Sjkim
327238384Sjkim{ .mmb;	.pred.rel	"mutex",p34,p36
328238384Sjkim(p34)	sub	topbit=topbit,r0	// (p19)
329238384Sjkim(p36)	sub	topbit=topbit,r0,1
330238384Sjkim	brp.loop.imp	.Lcopy_ctop,.Lcopy_cend-16
331238384Sjkim					}
332238384Sjkim{ .mmb;	sub	rptr=rptr,len		// rewind
333238384Sjkim	sub	tptr=tptr,len
334238384Sjkim	clrrrb.pr			};;
335238384Sjkim{ .mmi;	and	aptr=tptr,topbit
336238384Sjkim	andcm	bptr=rptr,topbit
337238384Sjkim	mov	pr.rot=1<<16		};;
338238384Sjkim{ .mii;	or	nptr=aptr,bptr
339238384Sjkim	mov	ar.lc=lc
340238384Sjkim	mov	ar.ec=3			};;
341238384Sjkim
342238384Sjkim.Lcopy_ctop:
343238384Sjkim{ .mmb;	(p16)	ld8	n[0]=[nptr],8
344238384Sjkim	(p18)	st8	[tptr]=r0,8
345238384Sjkim	(p16)	nop.b	0		}
346238384Sjkim{ .mmb;	(p16)	nop.m	0
347238384Sjkim	(p18)	st8	[rptr]=n[2],8
348238384Sjkim	br.ctop.sptk	.Lcopy_ctop	};;
349238384Sjkim.Lcopy_cend:
350238384Sjkim
351238384Sjkim{ .mmi;	mov		ret0=1			// signal "handled"
352238384Sjkim	rum		1<<5			// clear um.mfh
353238384Sjkim	mov		ar.lc=prevlc	}
354238384Sjkim{ .mib;	.restore	sp
355238384Sjkim	mov		sp=prevsp
356238384Sjkim	mov		pr=prevpr,0x1ffff
357238384Sjkim	br.ret.sptk.many	b0	};;
358238384Sjkim.endp	bn_mul_mont_general#
359238384Sjkim
360238384Sjkima1=r16;  a2=r17;  a3=r18;  a4=r19;  a5=r20;  a6=r21;  a7=r22;  a8=r23;
361238384Sjkimn1=r24;  n2=r25;  n3=r26;  n4=r27;  n5=r28;  n6=r29;  n7=r30;  n8=r31;
362238384Sjkimt0=r15;
363238384Sjkim
364238384Sjkimai0=f8;  ai1=f9;  ai2=f10; ai3=f11; ai4=f12; ai5=f13; ai6=f14; ai7=f15;
365238384Sjkimni0=f16; ni1=f17; ni2=f18; ni3=f19; ni4=f20; ni5=f21; ni6=f22; ni7=f23;
366238384Sjkim
367238384Sjkim.align	64
368238384Sjkim.skip	48		// aligns loop body
369238384Sjkim.local	bn_mul_mont_8#
370238384Sjkim.proc	bn_mul_mont_8#
371238384Sjkimbn_mul_mont_8:
372238384Sjkim	.prologue
373238384Sjkim{ .mmi;	.save		ar.pfs,prevfs
374238384Sjkim	alloc		prevfs=ar.pfs,6,2,0,8
375238384Sjkim	.vframe		prevsp
376238384Sjkim	mov		prevsp=sp
377238384Sjkim	.save		ar.lc,prevlc
378238384Sjkim	mov		prevlc=ar.lc	}
379238384Sjkim{ .mmi;	add		r17=-6*16,sp
380238384Sjkim	add		sp=-7*16,sp
381238384Sjkim	.save		pr,prevpr
382238384Sjkim	mov		prevpr=pr	};;
383238384Sjkim
384238384Sjkim{ .mmi;	.save.gf	0,0x10
385238384Sjkim	stf.spill	[sp]=f16,-16
386238384Sjkim	.save.gf	0,0x20
387238384Sjkim	stf.spill	[r17]=f17,32
388238384Sjkim	add		r16=-5*16,prevsp};;
389238384Sjkim{ .mmi;	.save.gf	0,0x40
390238384Sjkim	stf.spill	[r16]=f18,32
391238384Sjkim	.save.gf	0,0x80
392238384Sjkim	stf.spill	[r17]=f19,32
393238384Sjkim	$ADDP		aptr=0,in1	};;
394238384Sjkim{ .mmi;	.save.gf	0,0x100
395238384Sjkim	stf.spill	[r16]=f20,32
396238384Sjkim	.save.gf	0,0x200
397238384Sjkim	stf.spill	[r17]=f21,32
398238384Sjkim	$ADDP		r29=8,in1	};;
399238384Sjkim{ .mmi;	.save.gf	0,0x400
400238384Sjkim	stf.spill	[r16]=f22
401238384Sjkim	.save.gf	0,0x800
402238384Sjkim	stf.spill	[r17]=f23
403238384Sjkim	$ADDP		rptr=0,in0	};;
404238384Sjkim
405238384Sjkim	.body
406238384Sjkim	.rotf		bj[8],mj[2],tf[2],alo[10],ahi[10],nlo[10],nhi[10]
407238384Sjkim	.rotr		t[8]
408238384Sjkim
409238384Sjkim// load input vectors padding them to 8 elements
410238384Sjkim{ .mmi;	ldf8		ai0=[aptr],16		// ap[0]
411238384Sjkim	ldf8		ai1=[r29],16		// ap[1]
412238384Sjkim	$ADDP		bptr=0,in2	}
413238384Sjkim{ .mmi;	$ADDP		r30=8,in2
414238384Sjkim	$ADDP		nptr=0,in3
415238384Sjkim	$ADDP		r31=8,in3	};;
416238384Sjkim{ .mmi;	ldf8		bj[7]=[bptr],16		// bp[0]
417238384Sjkim	ldf8		bj[6]=[r30],16		// bp[1]
418238384Sjkim	cmp4.le		p4,p5=3,in5	}
419238384Sjkim{ .mmi;	ldf8		ni0=[nptr],16		// np[0]
420238384Sjkim	ldf8		ni1=[r31],16		// np[1]
421238384Sjkim	cmp4.le		p6,p7=4,in5	};;
422238384Sjkim
423238384Sjkim{ .mfi;	(p4)ldf8	ai2=[aptr],16		// ap[2]
424238384Sjkim	(p5)fcvt.fxu	ai2=f0
425238384Sjkim	cmp4.le		p8,p9=5,in5	}
426238384Sjkim{ .mfi;	(p6)ldf8	ai3=[r29],16		// ap[3]
427238384Sjkim	(p7)fcvt.fxu	ai3=f0
428238384Sjkim	cmp4.le		p10,p11=6,in5	}
429238384Sjkim{ .mfi;	(p4)ldf8	bj[5]=[bptr],16		// bp[2]
430238384Sjkim	(p5)fcvt.fxu	bj[5]=f0
431238384Sjkim	cmp4.le		p12,p13=7,in5	}
432238384Sjkim{ .mfi;	(p6)ldf8	bj[4]=[r30],16		// bp[3]
433238384Sjkim	(p7)fcvt.fxu	bj[4]=f0
434238384Sjkim	cmp4.le		p14,p15=8,in5	}
435238384Sjkim{ .mfi;	(p4)ldf8	ni2=[nptr],16		// np[2]
436238384Sjkim	(p5)fcvt.fxu	ni2=f0
437238384Sjkim	addp4		r28=-1,in5	}
438238384Sjkim{ .mfi;	(p6)ldf8	ni3=[r31],16		// np[3]
439238384Sjkim	(p7)fcvt.fxu	ni3=f0
440238384Sjkim	$ADDP		in4=0,in4	};;
441238384Sjkim
442238384Sjkim{ .mfi;	ldf8		n0=[in4]
443238384Sjkim	fcvt.fxu	tf[1]=f0
444238384Sjkim	nop.i		0		}
445238384Sjkim
446238384Sjkim{ .mfi;	(p8)ldf8	ai4=[aptr],16		// ap[4]
447238384Sjkim	(p9)fcvt.fxu	ai4=f0
448238384Sjkim	mov		t[0]=r0		}
449238384Sjkim{ .mfi;	(p10)ldf8	ai5=[r29],16		// ap[5]
450238384Sjkim	(p11)fcvt.fxu	ai5=f0
451238384Sjkim	mov		t[1]=r0		}
452238384Sjkim{ .mfi;	(p8)ldf8	bj[3]=[bptr],16		// bp[4]
453238384Sjkim	(p9)fcvt.fxu	bj[3]=f0
454238384Sjkim	mov		t[2]=r0		}
455238384Sjkim{ .mfi;	(p10)ldf8	bj[2]=[r30],16		// bp[5]
456238384Sjkim	(p11)fcvt.fxu	bj[2]=f0
457238384Sjkim	mov		t[3]=r0		}
458238384Sjkim{ .mfi;	(p8)ldf8	ni4=[nptr],16		// np[4]
459238384Sjkim	(p9)fcvt.fxu	ni4=f0
460238384Sjkim	mov		t[4]=r0		}
461238384Sjkim{ .mfi;	(p10)ldf8	ni5=[r31],16		// np[5]
462238384Sjkim	(p11)fcvt.fxu	ni5=f0
463238384Sjkim	mov		t[5]=r0		};;
464238384Sjkim
465238384Sjkim{ .mfi;	(p12)ldf8	ai6=[aptr],16		// ap[6]
466238384Sjkim	(p13)fcvt.fxu	ai6=f0
467238384Sjkim	mov		t[6]=r0		}
468238384Sjkim{ .mfi;	(p14)ldf8	ai7=[r29],16		// ap[7]
469238384Sjkim	(p15)fcvt.fxu	ai7=f0
470238384Sjkim	mov		t[7]=r0		}
471238384Sjkim{ .mfi;	(p12)ldf8	bj[1]=[bptr],16		// bp[6]
472238384Sjkim	(p13)fcvt.fxu	bj[1]=f0
473238384Sjkim	mov		ar.lc=r28	}
474238384Sjkim{ .mfi;	(p14)ldf8	bj[0]=[r30],16		// bp[7]
475238384Sjkim	(p15)fcvt.fxu	bj[0]=f0
476238384Sjkim	mov		ar.ec=1		}
477238384Sjkim{ .mfi;	(p12)ldf8	ni6=[nptr],16		// np[6]
478238384Sjkim	(p13)fcvt.fxu	ni6=f0
479238384Sjkim	mov		pr.rot=1<<16	}
480238384Sjkim{ .mfb;	(p14)ldf8	ni7=[r31],16		// np[7]
481238384Sjkim	(p15)fcvt.fxu	ni7=f0
482238384Sjkim	brp.loop.imp	.Louter_8_ctop,.Louter_8_cend-16
483238384Sjkim					};;
484238384Sjkim
485238384Sjkim// The loop is scheduled for 32*n ticks on Itanium 2. Actual attempt
486238384Sjkim// to measure with help of Interval Time Counter indicated that the
487238384Sjkim// factor is a tad higher: 33 or 34, if not 35. Exact measurement and
488238384Sjkim// addressing the issue is problematic, because I don't have access
489238384Sjkim// to platform-specific instruction-level profiler. On Itanium it
490238384Sjkim// should run in 56*n ticks, because of higher xma latency...
491238384Sjkim.Louter_8_ctop:
492238384Sjkim	.pred.rel		"mutex",p40,p42
493238384Sjkim	.pred.rel		"mutex",p48,p50
494238384Sjkim{ .mfi;	(p16)	nop.m		0			// 0:
495238384Sjkim	(p16)	xma.hu		ahi[0]=ai0,bj[7],tf[1]	//	ap[0]*b[i]+t[0]
496238384Sjkim	(p40)	add		a3=a3,n3	}	//	(p17) a3+=n3
497238384Sjkim{ .mfi;	(p42)	add		a3=a3,n3,1
498238384Sjkim	(p16)	xma.lu		alo[0]=ai0,bj[7],tf[1]
499238384Sjkim	(p16)	nop.i		0		};;
500238384Sjkim{ .mii;	(p17)	getf.sig	a7=alo[8]		// 1:
501238384Sjkim	(p48)	add		t[6]=t[6],a3		//	(p17) t[6]+=a3
502238384Sjkim	(p50)	add		t[6]=t[6],a3,1	};;
503238384Sjkim{ .mfi;	(p17)	getf.sig	a8=ahi[8]		// 2:
504238384Sjkim	(p17)	xma.hu		nhi[7]=ni6,mj[1],nhi[6]	//	np[6]*m0
505238384Sjkim	(p40)	cmp.ltu		p43,p41=a3,n3	}
506238384Sjkim{ .mfi;	(p42)	cmp.leu		p43,p41=a3,n3
507238384Sjkim	(p17)	xma.lu		nlo[7]=ni6,mj[1],nhi[6]
508238384Sjkim	(p16)	nop.i		0		};;
509238384Sjkim{ .mii;	(p17)	getf.sig	n5=nlo[6]		// 3:
510238384Sjkim	(p48)	cmp.ltu		p51,p49=t[6],a3
511238384Sjkim	(p50)	cmp.leu		p51,p49=t[6],a3	};;
512238384Sjkim	.pred.rel		"mutex",p41,p43
513238384Sjkim	.pred.rel		"mutex",p49,p51
514238384Sjkim{ .mfi;	(p16)	nop.m		0			// 4:
515238384Sjkim	(p16)	xma.hu		ahi[1]=ai1,bj[7],ahi[0]	//	ap[1]*b[i]
516238384Sjkim	(p41)	add		a4=a4,n4	}	//	(p17) a4+=n4
517238384Sjkim{ .mfi;	(p43)	add		a4=a4,n4,1
518238384Sjkim	(p16)	xma.lu		alo[1]=ai1,bj[7],ahi[0]
519238384Sjkim	(p16)	nop.i		0		};;
520238384Sjkim{ .mfi;	(p49)	add		t[5]=t[5],a4		// 5:	(p17) t[5]+=a4
521238384Sjkim	(p16)	xmpy.lu		mj[0]=alo[0],n0		//	(ap[0]*b[i]+t[0])*n0
522238384Sjkim	(p51)	add		t[5]=t[5],a4,1	};;
523238384Sjkim{ .mfi;	(p16)	nop.m		0			// 6:
524238384Sjkim	(p17)	xma.hu		nhi[8]=ni7,mj[1],nhi[7]	//	np[7]*m0
525238384Sjkim	(p41)	cmp.ltu		p42,p40=a4,n4	}
526238384Sjkim{ .mfi;	(p43)	cmp.leu		p42,p40=a4,n4
527238384Sjkim	(p17)	xma.lu		nlo[8]=ni7,mj[1],nhi[7]
528238384Sjkim	(p16)	nop.i		0		};;
529238384Sjkim{ .mii;	(p17)	getf.sig	n6=nlo[7]		// 7:
530238384Sjkim	(p49)	cmp.ltu		p50,p48=t[5],a4
531238384Sjkim	(p51)	cmp.leu		p50,p48=t[5],a4	};;
532238384Sjkim	.pred.rel		"mutex",p40,p42
533238384Sjkim	.pred.rel		"mutex",p48,p50
534238384Sjkim{ .mfi;	(p16)	nop.m		0			// 8:
535238384Sjkim	(p16)	xma.hu		ahi[2]=ai2,bj[7],ahi[1]	//	ap[2]*b[i]
536238384Sjkim	(p40)	add		a5=a5,n5	}	//	(p17) a5+=n5
537238384Sjkim{ .mfi;	(p42)	add		a5=a5,n5,1
538238384Sjkim	(p16)	xma.lu		alo[2]=ai2,bj[7],ahi[1]
539238384Sjkim	(p16)	nop.i		0		};;
540238384Sjkim{ .mii;	(p16)	getf.sig	a1=alo[1]		// 9:
541238384Sjkim	(p48)	add		t[4]=t[4],a5		//	p(17) t[4]+=a5
542238384Sjkim	(p50)	add		t[4]=t[4],a5,1	};;
543238384Sjkim{ .mfi;	(p16)	nop.m		0			// 10:
544238384Sjkim	(p16)	xma.hu		nhi[0]=ni0,mj[0],alo[0]	//	np[0]*m0
545238384Sjkim	(p40)	cmp.ltu		p43,p41=a5,n5	}
546238384Sjkim{ .mfi;	(p42)	cmp.leu		p43,p41=a5,n5
547238384Sjkim	(p16)	xma.lu		nlo[0]=ni0,mj[0],alo[0]
548238384Sjkim	(p16)	nop.i		0		};;
549238384Sjkim{ .mii;	(p17)	getf.sig	n7=nlo[8]		// 11:
550238384Sjkim	(p48)	cmp.ltu		p51,p49=t[4],a5
551238384Sjkim	(p50)	cmp.leu		p51,p49=t[4],a5	};;
552238384Sjkim	.pred.rel		"mutex",p41,p43
553238384Sjkim	.pred.rel		"mutex",p49,p51
554238384Sjkim{ .mfi;	(p17)	getf.sig	n8=nhi[8]		// 12:
555238384Sjkim	(p16)	xma.hu		ahi[3]=ai3,bj[7],ahi[2]	//	ap[3]*b[i]
556238384Sjkim	(p41)	add		a6=a6,n6	}	//	(p17) a6+=n6
557238384Sjkim{ .mfi;	(p43)	add		a6=a6,n6,1
558238384Sjkim	(p16)	xma.lu		alo[3]=ai3,bj[7],ahi[2]
559238384Sjkim	(p16)	nop.i		0		};;
560238384Sjkim{ .mii;	(p16)	getf.sig	a2=alo[2]		// 13:
561238384Sjkim	(p49)	add		t[3]=t[3],a6		//	(p17) t[3]+=a6
562238384Sjkim	(p51)	add		t[3]=t[3],a6,1	};;
563238384Sjkim{ .mfi;	(p16)	nop.m		0			// 14:
564238384Sjkim	(p16)	xma.hu		nhi[1]=ni1,mj[0],nhi[0]	//	np[1]*m0
565238384Sjkim	(p41)	cmp.ltu		p42,p40=a6,n6	}
566238384Sjkim{ .mfi;	(p43)	cmp.leu		p42,p40=a6,n6
567238384Sjkim	(p16)	xma.lu		nlo[1]=ni1,mj[0],nhi[0]
568238384Sjkim	(p16)	nop.i		0		};;
569238384Sjkim{ .mii;	(p16)	nop.m		0			// 15:
570238384Sjkim	(p49)	cmp.ltu		p50,p48=t[3],a6
571238384Sjkim	(p51)	cmp.leu		p50,p48=t[3],a6	};;
572238384Sjkim	.pred.rel		"mutex",p40,p42
573238384Sjkim	.pred.rel		"mutex",p48,p50
574238384Sjkim{ .mfi;	(p16)	nop.m		0			// 16:
575238384Sjkim	(p16)	xma.hu		ahi[4]=ai4,bj[7],ahi[3]	//	ap[4]*b[i]
576238384Sjkim	(p40)	add		a7=a7,n7	}	//	(p17) a7+=n7
577238384Sjkim{ .mfi;	(p42)	add		a7=a7,n7,1
578238384Sjkim	(p16)	xma.lu		alo[4]=ai4,bj[7],ahi[3]
579238384Sjkim	(p16)	nop.i		0		};;
580238384Sjkim{ .mii;	(p16)	getf.sig	a3=alo[3]		// 17:
581238384Sjkim	(p48)	add		t[2]=t[2],a7		//	(p17) t[2]+=a7
582238384Sjkim	(p50)	add		t[2]=t[2],a7,1	};;
583238384Sjkim{ .mfi;	(p16)	nop.m		0			// 18:
584238384Sjkim	(p16)	xma.hu		nhi[2]=ni2,mj[0],nhi[1]	//	np[2]*m0
585238384Sjkim	(p40)	cmp.ltu		p43,p41=a7,n7	}
586238384Sjkim{ .mfi;	(p42)	cmp.leu		p43,p41=a7,n7
587238384Sjkim	(p16)	xma.lu		nlo[2]=ni2,mj[0],nhi[1]
588238384Sjkim	(p16)	nop.i		0		};;
589238384Sjkim{ .mii;	(p16)	getf.sig	n1=nlo[1]		// 19:
590238384Sjkim	(p48)	cmp.ltu		p51,p49=t[2],a7
591238384Sjkim	(p50)	cmp.leu		p51,p49=t[2],a7	};;
592238384Sjkim	.pred.rel		"mutex",p41,p43
593238384Sjkim	.pred.rel		"mutex",p49,p51
594238384Sjkim{ .mfi;	(p16)	nop.m		0			// 20:
595238384Sjkim	(p16)	xma.hu		ahi[5]=ai5,bj[7],ahi[4]	//	ap[5]*b[i]
596238384Sjkim	(p41)	add		a8=a8,n8	}	//	(p17) a8+=n8
597238384Sjkim{ .mfi;	(p43)	add		a8=a8,n8,1
598238384Sjkim	(p16)	xma.lu		alo[5]=ai5,bj[7],ahi[4]
599238384Sjkim	(p16)	nop.i		0		};;
600238384Sjkim{ .mii;	(p16)	getf.sig	a4=alo[4]		// 21:
601238384Sjkim	(p49)	add		t[1]=t[1],a8		//	(p17) t[1]+=a8
602238384Sjkim	(p51)	add		t[1]=t[1],a8,1	};;
603238384Sjkim{ .mfi;	(p16)	nop.m		0			// 22:
604238384Sjkim	(p16)	xma.hu		nhi[3]=ni3,mj[0],nhi[2]	//	np[3]*m0
605238384Sjkim	(p41)	cmp.ltu		p42,p40=a8,n8	}
606238384Sjkim{ .mfi;	(p43)	cmp.leu		p42,p40=a8,n8
607238384Sjkim	(p16)	xma.lu		nlo[3]=ni3,mj[0],nhi[2]
608238384Sjkim	(p16)	nop.i		0		};;
609238384Sjkim{ .mii;	(p16)	getf.sig	n2=nlo[2]		// 23:
610238384Sjkim	(p49)	cmp.ltu		p50,p48=t[1],a8
611238384Sjkim	(p51)	cmp.leu		p50,p48=t[1],a8	};;
612238384Sjkim{ .mfi;	(p16)	nop.m		0			// 24:
613238384Sjkim	(p16)	xma.hu		ahi[6]=ai6,bj[7],ahi[5]	//	ap[6]*b[i]
614238384Sjkim	(p16)	add		a1=a1,n1	}	//	(p16) a1+=n1
615238384Sjkim{ .mfi;	(p16)	nop.m		0
616238384Sjkim	(p16)	xma.lu		alo[6]=ai6,bj[7],ahi[5]
617238384Sjkim	(p17)	mov		t[0]=r0		};;
618238384Sjkim{ .mii;	(p16)	getf.sig	a5=alo[5]		// 25:
619238384Sjkim	(p16)	add		t0=t[7],a1		//	(p16) t[7]+=a1
620238384Sjkim	(p42)	add		t[0]=t[0],r0,1	};;
621238384Sjkim{ .mfi;	(p16)	setf.sig	tf[0]=t0		// 26:
622238384Sjkim	(p16)	xma.hu		nhi[4]=ni4,mj[0],nhi[3]	//	np[4]*m0
623238384Sjkim	(p50)	add		t[0]=t[0],r0,1	}
624238384Sjkim{ .mfi;	(p16)	cmp.ltu.unc	p42,p40=a1,n1
625238384Sjkim	(p16)	xma.lu		nlo[4]=ni4,mj[0],nhi[3]
626238384Sjkim	(p16)	nop.i		0		};;
627238384Sjkim{ .mii;	(p16)	getf.sig	n3=nlo[3]		// 27:
628238384Sjkim	(p16)	cmp.ltu.unc	p50,p48=t0,a1
629238384Sjkim	(p16)	nop.i		0		};;
630238384Sjkim	.pred.rel		"mutex",p40,p42
631238384Sjkim	.pred.rel		"mutex",p48,p50
632238384Sjkim{ .mfi;	(p16)	nop.m		0			// 28:
633238384Sjkim	(p16)	xma.hu		ahi[7]=ai7,bj[7],ahi[6]	//	ap[7]*b[i]
634238384Sjkim	(p40)	add		a2=a2,n2	}	//	(p16) a2+=n2
635238384Sjkim{ .mfi;	(p42)	add		a2=a2,n2,1
636238384Sjkim	(p16)	xma.lu		alo[7]=ai7,bj[7],ahi[6]
637238384Sjkim	(p16)	nop.i		0		};;
638238384Sjkim{ .mii;	(p16)	getf.sig	a6=alo[6]		// 29:
639238384Sjkim	(p48)	add		t[6]=t[6],a2		//	(p16) t[6]+=a2
640238384Sjkim	(p50)	add		t[6]=t[6],a2,1	};;
641238384Sjkim{ .mfi;	(p16)	nop.m		0			// 30:
642238384Sjkim	(p16)	xma.hu		nhi[5]=ni5,mj[0],nhi[4]	//	np[5]*m0
643238384Sjkim	(p40)	cmp.ltu		p41,p39=a2,n2	}
644238384Sjkim{ .mfi;	(p42)	cmp.leu		p41,p39=a2,n2
645238384Sjkim	(p16)	xma.lu		nlo[5]=ni5,mj[0],nhi[4]
646238384Sjkim	(p16)	nop.i		0		};;
647238384Sjkim{ .mfi;	(p16)	getf.sig	n4=nlo[4]		// 31:
648238384Sjkim	(p16)	nop.f		0
649238384Sjkim	(p48)	cmp.ltu		p49,p47=t[6],a2	}
650238384Sjkim{ .mfb;	(p50)	cmp.leu		p49,p47=t[6],a2
651238384Sjkim	(p16)	nop.f		0
652238384Sjkim	br.ctop.sptk.many	.Louter_8_ctop	};;
653238384Sjkim.Louter_8_cend:
654238384Sjkim
655238384Sjkim// above loop has to execute one more time, without (p16), which is
656238384Sjkim// replaced with merged move of np[8] to GPR bank
657238384Sjkim	.pred.rel		"mutex",p40,p42
658238384Sjkim	.pred.rel		"mutex",p48,p50
659238384Sjkim{ .mmi;	(p0)	getf.sig	n1=ni0			// 0:
660238384Sjkim	(p40)	add		a3=a3,n3		//	(p17) a3+=n3
661238384Sjkim	(p42)	add		a3=a3,n3,1	};;
662238384Sjkim{ .mii;	(p17)	getf.sig	a7=alo[8]		// 1:
663238384Sjkim	(p48)	add		t[6]=t[6],a3		//	(p17) t[6]+=a3
664238384Sjkim	(p50)	add		t[6]=t[6],a3,1	};;
665238384Sjkim{ .mfi;	(p17)	getf.sig	a8=ahi[8]		// 2:
666238384Sjkim	(p17)	xma.hu		nhi[7]=ni6,mj[1],nhi[6]	//	np[6]*m0
667238384Sjkim	(p40)	cmp.ltu		p43,p41=a3,n3	}
668238384Sjkim{ .mfi;	(p42)	cmp.leu		p43,p41=a3,n3
669238384Sjkim	(p17)	xma.lu		nlo[7]=ni6,mj[1],nhi[6]
670238384Sjkim	(p0)	nop.i		0		};;
671238384Sjkim{ .mii;	(p17)	getf.sig	n5=nlo[6]		// 3:
672238384Sjkim	(p48)	cmp.ltu		p51,p49=t[6],a3
673238384Sjkim	(p50)	cmp.leu		p51,p49=t[6],a3	};;
674238384Sjkim	.pred.rel		"mutex",p41,p43
675238384Sjkim	.pred.rel		"mutex",p49,p51
676238384Sjkim{ .mmi;	(p0)	getf.sig	n2=ni1			// 4:
677238384Sjkim	(p41)	add		a4=a4,n4		//	(p17) a4+=n4
678238384Sjkim	(p43)	add		a4=a4,n4,1	};;
679238384Sjkim{ .mfi;	(p49)	add		t[5]=t[5],a4		// 5:	(p17) t[5]+=a4
680238384Sjkim	(p0)	nop.f		0
681238384Sjkim	(p51)	add		t[5]=t[5],a4,1	};;
682238384Sjkim{ .mfi;	(p0)	getf.sig	n3=ni2			// 6:
683238384Sjkim	(p17)	xma.hu		nhi[8]=ni7,mj[1],nhi[7]	//	np[7]*m0
684238384Sjkim	(p41)	cmp.ltu		p42,p40=a4,n4	}
685238384Sjkim{ .mfi;	(p43)	cmp.leu		p42,p40=a4,n4
686238384Sjkim	(p17)	xma.lu		nlo[8]=ni7,mj[1],nhi[7]
687238384Sjkim	(p0)	nop.i		0		};;
688238384Sjkim{ .mii;	(p17)	getf.sig	n6=nlo[7]		// 7:
689238384Sjkim	(p49)	cmp.ltu		p50,p48=t[5],a4
690238384Sjkim	(p51)	cmp.leu		p50,p48=t[5],a4	};;
691238384Sjkim	.pred.rel		"mutex",p40,p42
692238384Sjkim	.pred.rel		"mutex",p48,p50
693238384Sjkim{ .mii;	(p0)	getf.sig	n4=ni3			// 8:
694238384Sjkim	(p40)	add		a5=a5,n5		//	(p17) a5+=n5
695238384Sjkim	(p42)	add		a5=a5,n5,1	};;
696238384Sjkim{ .mii;	(p0)	nop.m		0			// 9:
697238384Sjkim	(p48)	add		t[4]=t[4],a5		//	p(17) t[4]+=a5
698238384Sjkim	(p50)	add		t[4]=t[4],a5,1	};;
699238384Sjkim{ .mii;	(p0)	nop.m		0			// 10:
700238384Sjkim	(p40)	cmp.ltu		p43,p41=a5,n5
701238384Sjkim	(p42)	cmp.leu		p43,p41=a5,n5	};;
702238384Sjkim{ .mii;	(p17)	getf.sig	n7=nlo[8]		// 11:
703238384Sjkim	(p48)	cmp.ltu		p51,p49=t[4],a5
704238384Sjkim	(p50)	cmp.leu		p51,p49=t[4],a5	};;
705238384Sjkim	.pred.rel		"mutex",p41,p43
706238384Sjkim	.pred.rel		"mutex",p49,p51
707238384Sjkim{ .mii;	(p17)	getf.sig	n8=nhi[8]		// 12:
708238384Sjkim	(p41)	add		a6=a6,n6		//	(p17) a6+=n6
709238384Sjkim	(p43)	add		a6=a6,n6,1	};;
710238384Sjkim{ .mii;	(p0)	getf.sig	n5=ni4			// 13:
711238384Sjkim	(p49)	add		t[3]=t[3],a6		//	(p17) t[3]+=a6
712238384Sjkim	(p51)	add		t[3]=t[3],a6,1	};;
713238384Sjkim{ .mii;	(p0)	nop.m		0			// 14:
714238384Sjkim	(p41)	cmp.ltu		p42,p40=a6,n6
715238384Sjkim	(p43)	cmp.leu		p42,p40=a6,n6	};;
716238384Sjkim{ .mii;	(p0)	getf.sig	n6=ni5			// 15:
717238384Sjkim	(p49)	cmp.ltu		p50,p48=t[3],a6
718238384Sjkim	(p51)	cmp.leu		p50,p48=t[3],a6	};;
719238384Sjkim	.pred.rel		"mutex",p40,p42
720238384Sjkim	.pred.rel		"mutex",p48,p50
721238384Sjkim{ .mii;	(p0)	nop.m		0			// 16:
722238384Sjkim	(p40)	add		a7=a7,n7		//	(p17) a7+=n7
723238384Sjkim	(p42)	add		a7=a7,n7,1	};;
724238384Sjkim{ .mii;	(p0)	nop.m		0			// 17:
725238384Sjkim	(p48)	add		t[2]=t[2],a7		//	(p17) t[2]+=a7
726238384Sjkim	(p50)	add		t[2]=t[2],a7,1	};;
727238384Sjkim{ .mii;	(p0)	nop.m		0			// 18:
728238384Sjkim	(p40)	cmp.ltu		p43,p41=a7,n7
729238384Sjkim	(p42)	cmp.leu		p43,p41=a7,n7	};;
730238384Sjkim{ .mii;	(p0)	getf.sig	n7=ni6			// 19:
731238384Sjkim	(p48)	cmp.ltu		p51,p49=t[2],a7
732238384Sjkim	(p50)	cmp.leu		p51,p49=t[2],a7	};;
733238384Sjkim	.pred.rel		"mutex",p41,p43
734238384Sjkim	.pred.rel		"mutex",p49,p51
735238384Sjkim{ .mii;	(p0)	nop.m		0			// 20:
736238384Sjkim	(p41)	add		a8=a8,n8		//	(p17) a8+=n8
737238384Sjkim	(p43)	add		a8=a8,n8,1	};;
738238384Sjkim{ .mmi;	(p0)	nop.m		0			// 21:
739238384Sjkim	(p49)	add		t[1]=t[1],a8		//	(p17) t[1]+=a8
740238384Sjkim	(p51)	add		t[1]=t[1],a8,1	}
741238384Sjkim{ .mmi;	(p17)	mov		t[0]=r0
742238384Sjkim	(p41)	cmp.ltu		p42,p40=a8,n8
743238384Sjkim	(p43)	cmp.leu		p42,p40=a8,n8	};;
744238384Sjkim{ .mmi;	(p0)	getf.sig	n8=ni7			// 22:
745238384Sjkim	(p49)	cmp.ltu		p50,p48=t[1],a8
746238384Sjkim	(p51)	cmp.leu		p50,p48=t[1],a8	}
747238384Sjkim{ .mmi;	(p42)	add		t[0]=t[0],r0,1
748238384Sjkim	(p0)	add		r16=-7*16,prevsp
749238384Sjkim	(p0)	add		r17=-6*16,prevsp	};;
750238384Sjkim
751238384Sjkim// subtract np[8] from carrybit|tmp[8]
752238384Sjkim// carrybit|tmp[8] layout upon exit from above loop is:
753238384Sjkim//	t[0]|t[1]|t[2]|t[3]|t[4]|t[5]|t[6]|t[7]|t0 (least significant)
754238384Sjkim{ .mmi;	(p50)add	t[0]=t[0],r0,1
755238384Sjkim	add		r18=-5*16,prevsp
756238384Sjkim	sub		n1=t0,n1	};;
757238384Sjkim{ .mmi;	cmp.gtu		p34,p32=n1,t0;;
758238384Sjkim	.pred.rel	"mutex",p32,p34
759238384Sjkim	(p32)sub	n2=t[7],n2
760238384Sjkim	(p34)sub	n2=t[7],n2,1	};;
761238384Sjkim{ .mii;	(p32)cmp.gtu	p35,p33=n2,t[7]
762238384Sjkim	(p34)cmp.geu	p35,p33=n2,t[7];;
763238384Sjkim	.pred.rel	"mutex",p33,p35
764238384Sjkim	(p33)sub	n3=t[6],n3	}
765238384Sjkim{ .mmi;	(p35)sub	n3=t[6],n3,1;;
766238384Sjkim	(p33)cmp.gtu	p34,p32=n3,t[6]
767238384Sjkim	(p35)cmp.geu	p34,p32=n3,t[6]	};;
768238384Sjkim	.pred.rel	"mutex",p32,p34
769238384Sjkim{ .mii;	(p32)sub	n4=t[5],n4
770238384Sjkim	(p34)sub	n4=t[5],n4,1;;
771238384Sjkim	(p32)cmp.gtu	p35,p33=n4,t[5]	}
772238384Sjkim{ .mmi;	(p34)cmp.geu	p35,p33=n4,t[5];;
773238384Sjkim	.pred.rel	"mutex",p33,p35
774238384Sjkim	(p33)sub	n5=t[4],n5
775238384Sjkim	(p35)sub	n5=t[4],n5,1	};;
776238384Sjkim{ .mii;	(p33)cmp.gtu	p34,p32=n5,t[4]
777238384Sjkim	(p35)cmp.geu	p34,p32=n5,t[4];;
778238384Sjkim	.pred.rel	"mutex",p32,p34
779238384Sjkim	(p32)sub	n6=t[3],n6	}
780238384Sjkim{ .mmi;	(p34)sub	n6=t[3],n6,1;;
781238384Sjkim	(p32)cmp.gtu	p35,p33=n6,t[3]
782238384Sjkim	(p34)cmp.geu	p35,p33=n6,t[3]	};;
783238384Sjkim	.pred.rel	"mutex",p33,p35
784238384Sjkim{ .mii;	(p33)sub	n7=t[2],n7
785238384Sjkim	(p35)sub	n7=t[2],n7,1;;
786238384Sjkim	(p33)cmp.gtu	p34,p32=n7,t[2]	}
787238384Sjkim{ .mmi;	(p35)cmp.geu	p34,p32=n7,t[2];;
788238384Sjkim	.pred.rel	"mutex",p32,p34
789238384Sjkim	(p32)sub	n8=t[1],n8
790238384Sjkim	(p34)sub	n8=t[1],n8,1	};;
791238384Sjkim{ .mii;	(p32)cmp.gtu	p35,p33=n8,t[1]
792238384Sjkim	(p34)cmp.geu	p35,p33=n8,t[1];;
793238384Sjkim	.pred.rel	"mutex",p33,p35
794238384Sjkim	(p33)sub	a8=t[0],r0	}
795238384Sjkim{ .mmi;	(p35)sub	a8=t[0],r0,1;;
796238384Sjkim	(p33)cmp.gtu	p34,p32=a8,t[0]
797238384Sjkim	(p35)cmp.geu	p34,p32=a8,t[0]	};;
798238384Sjkim
799238384Sjkim// save the result, either tmp[num] or tmp[num]-np[num]
800238384Sjkim	.pred.rel	"mutex",p32,p34
801238384Sjkim{ .mmi;	(p32)st8	[rptr]=n1,8
802238384Sjkim	(p34)st8	[rptr]=t0,8
803238384Sjkim	add		r19=-4*16,prevsp};;
804238384Sjkim{ .mmb;	(p32)st8	[rptr]=n2,8
805238384Sjkim	(p34)st8	[rptr]=t[7],8
806238384Sjkim	(p5)br.cond.dpnt.few	.Ldone	};;
807238384Sjkim{ .mmb;	(p32)st8	[rptr]=n3,8
808238384Sjkim	(p34)st8	[rptr]=t[6],8
809238384Sjkim	(p7)br.cond.dpnt.few	.Ldone	};;
810238384Sjkim{ .mmb;	(p32)st8	[rptr]=n4,8
811238384Sjkim	(p34)st8	[rptr]=t[5],8
812238384Sjkim	(p9)br.cond.dpnt.few	.Ldone	};;
813238384Sjkim{ .mmb;	(p32)st8	[rptr]=n5,8
814238384Sjkim	(p34)st8	[rptr]=t[4],8
815238384Sjkim	(p11)br.cond.dpnt.few	.Ldone	};;
816238384Sjkim{ .mmb;	(p32)st8	[rptr]=n6,8
817238384Sjkim	(p34)st8	[rptr]=t[3],8
818238384Sjkim	(p13)br.cond.dpnt.few	.Ldone	};;
819238384Sjkim{ .mmb;	(p32)st8	[rptr]=n7,8
820238384Sjkim	(p34)st8	[rptr]=t[2],8
821238384Sjkim	(p15)br.cond.dpnt.few	.Ldone	};;
822238384Sjkim{ .mmb;	(p32)st8	[rptr]=n8,8
823238384Sjkim	(p34)st8	[rptr]=t[1],8
824238384Sjkim	nop.b		0		};;
825238384Sjkim.Ldone:						// epilogue
826238384Sjkim{ .mmi;	ldf.fill	f16=[r16],64
827238384Sjkim	ldf.fill	f17=[r17],64
828238384Sjkim	nop.i		0		}
829238384Sjkim{ .mmi;	ldf.fill	f18=[r18],64
830238384Sjkim	ldf.fill	f19=[r19],64
831238384Sjkim	mov		pr=prevpr,0x1ffff	};;
832238384Sjkim{ .mmi;	ldf.fill	f20=[r16]
833238384Sjkim	ldf.fill	f21=[r17]
834238384Sjkim	mov		ar.lc=prevlc	}
835238384Sjkim{ .mmi;	ldf.fill	f22=[r18]
836238384Sjkim	ldf.fill	f23=[r19]
837238384Sjkim	mov		ret0=1		}	// signal "handled"
838238384Sjkim{ .mib;	rum		1<<5
839238384Sjkim	.restore	sp
840238384Sjkim	mov		sp=prevsp
841238384Sjkim	br.ret.sptk.many	b0	};;
842238384Sjkim.endp	bn_mul_mont_8#
843238384Sjkim
844238384Sjkim.type	copyright#,\@object
845238384Sjkimcopyright:
846238384Sjkimstringz	"Montgomery multiplication for IA-64, CRYPTOGAMS by <appro\@openssl.org>"
847238384Sjkim___
848238384Sjkim
849238384Sjkim$output=shift and open STDOUT,">$output";
850238384Sjkimprint $code;
851238384Sjkimclose STDOUT;
852