hc
2024-03-22 a0752693d998599af469473b8dc239ef973a012f
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
1128
1129
1130
1131
1132
1133
1134
1135
1136
1137
1138
1139
1140
1141
1142
1143
1144
1145
1146
1147
1148
1149
1150
1151
1152
1153
1154
1155
1156
1157
1158
1159
1160
1161
1162
1163
1164
1165
1166
1167
1168
1169
1170
1171
1172
1173
1174
1175
1176
1177
1178
1179
1180
1181
1182
1183
1184
1185
1186
1187
1188
1189
1190
1191
1192
1193
1194
1195
1196
1197
1198
1199
1200
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
1216
1217
1218
1219
1220
1221
1222
1223
1224
1225
1226
1227
1228
1229
1230
1231
1232
1233
1234
1235
1236
1237
1238
1239
1240
1241
1242
1243
1244
1245
1246
1247
1248
1249
1250
1251
1252
1253
1254
1255
1256
1257
1258
1259
1260
1261
1262
1263
1264
1265
1266
1267
1268
1269
1270
1271
1272
1273
1274
1275
1276
1277
1278
1279
1280
1281
1282
1283
1284
1285
1286
1287
1288
1289
1290
1291
1292
1293
1294
1295
1296
1297
1298
1299
1300
1301
1302
1303
1304
1305
1306
1307
1308
1309
1310
1311
1312
1313
1314
1315
1316
1317
1318
1319
1320
1321
1322
1323
1324
1325
1326
1327
1328
1329
1330
1331
1332
1333
1334
1335
1336
1337
1338
1339
1340
1341
1342
1343
1344
1345
1346
1347
1348
1349
1350
1351
1352
1353
1354
1355
1356
1357
1358
1359
1360
1361
1362
1363
1364
1365
1366
1367
1368
1369
1370
1371
1372
1373
1374
1375
1376
1377
1378
1379
1380
1381
1382
1383
1384
1385
1386
1387
1388
1389
1390
1391
1392
1393
1394
1395
1396
1397
1398
1399
1400
1401
1402
1403
1404
1405
1406
1407
1408
1409
1410
1411
1412
1413
1414
1415
1416
1417
1418
1419
1420
1421
1422
1423
1424
1425
1426
1427
1428
1429
1430
1431
1432
1433
1434
1435
1436
1437
1438
1439
1440
1441
1442
1443
1444
1445
1446
1447
1448
1449
1450
1451
1452
1453
1454
1455
1456
1457
1458
1459
1460
1461
1462
1463
1464
1465
1466
1467
1468
1469
1470
1471
1472
1473
1474
1475
1476
1477
1478
1479
1480
1481
1482
1483
1484
1485
1486
1487
1488
1489
1490
1491
1492
1493
1494
1495
1496
1497
1498
1499
1500
1501
1502
1503
1504
1505
1506
1507
1508
1509
1510
1511
1512
1513
1514
1515
1516
1517
1518
1519
1520
1521
1522
1523
1524
1525
1526
1527
1528
1529
1530
1531
1532
1533
1534
1535
1536
1537
1538
1539
1540
1541
1542
1543
1544
1545
1546
1547
1548
1549
1550
1551
1552
1553
1554
1555
1556
1557
1558
1559
1560
1561
1562
1563
1564
1565
.explicit
.text
.ident    "ia64.S, Version 2.1"
.ident    "IA-64 ISA artwork by Andy Polyakov <appro@openssl.org>"
 
// Copyright 2001-2019 The OpenSSL Project Authors. All Rights Reserved.
//
// Licensed under the OpenSSL license (the "License").  You may not use
// this file except in compliance with the License.  You can obtain a copy
// in the file LICENSE in the source distribution or at
// https://www.openssl.org/source/license.html
 
//
// ====================================================================
// Written by Andy Polyakov <appro@openssl.org> for the OpenSSL
// project.
//
// Rights for redistribution and usage in source and binary forms are
// granted according to the OpenSSL license. Warranty of any kind is
// disclaimed.
// ====================================================================
//
// Version 2.x is Itanium2 re-tune. Few words about how Itanium2 is
// different from Itanium to this module viewpoint. Most notably, is it
// "wider" than Itanium? Can you experience loop scalability as
// discussed in commentary sections? Not really:-( Itanium2 has 6
// integer ALU ports, i.e. it's 2 ports wider, but it's not enough to
// spin twice as fast, as I need 8 IALU ports. Amount of floating point
// ports is the same, i.e. 2, while I need 4. In other words, to this
// module Itanium2 remains effectively as "wide" as Itanium. Yet it's
// essentially different in respect to this module, and a re-tune was
// required. Well, because some instruction latencies has changed. Most
// noticeably those intensively used:
//
//            Itanium    Itanium2
//    ldf8        9    6        L2 hit
//    ld8        2    1        L1 hit
//    getf        2    5
//    xma[->getf]    7[+1]    4[+0]
//    add[->st8]    1[+1]    1[+0]
//
// What does it mean? You might ratiocinate that the original code
// should run just faster... Because sum of latencies is smaller...
// Wrong! Note that getf latency increased. This means that if a loop is
// scheduled for lower latency (as they were), then it will suffer from
// stall condition and the code will therefore turn anti-scalable, e.g.
// original bn_mul_words spun at 5*n or 2.5 times slower than expected
// on Itanium2! What to do? Reschedule loops for Itanium2? But then
// Itanium would exhibit anti-scalability. So I've chosen to reschedule
// for worst latency for every instruction aiming for best *all-round*
// performance.
 
// Q.    How much faster does it get?
// A.    Here is the output from 'openssl speed rsa dsa' for vanilla
//    0.9.6a compiled with gcc version 2.96 20000731 (Red Hat
//    Linux 7.1 2.96-81):
//
//                      sign    verify    sign/s verify/s
//    rsa  512 bits   0.0036s   0.0003s    275.3   2999.2
//    rsa 1024 bits   0.0203s   0.0011s     49.3    894.1
//    rsa 2048 bits   0.1331s   0.0040s      7.5    250.9
//    rsa 4096 bits   0.9270s   0.0147s      1.1     68.1
//                      sign    verify    sign/s verify/s
//    dsa  512 bits   0.0035s   0.0043s    288.3    234.8
//    dsa 1024 bits   0.0111s   0.0135s     90.0     74.2
//
//    And here is similar output but for this assembler
//    implementation:-)
//
//                      sign    verify    sign/s verify/s
//    rsa  512 bits   0.0021s   0.0001s    549.4   9638.5
//    rsa 1024 bits   0.0055s   0.0002s    183.8   4481.1
//    rsa 2048 bits   0.0244s   0.0006s     41.4   1726.3
//    rsa 4096 bits   0.1295s   0.0018s      7.7    561.5
//                      sign    verify    sign/s verify/s
//    dsa  512 bits   0.0012s   0.0013s    891.9    756.6
//    dsa 1024 bits   0.0023s   0.0028s    440.4    376.2
//    
//    Yes, you may argue that it's not fair comparison as it's
//    possible to craft the C implementation with BN_UMULT_HIGH
//    inline assembler macro. But of course! Here is the output
//    with the macro:
//
//                      sign    verify    sign/s verify/s
//    rsa  512 bits   0.0020s   0.0002s    495.0   6561.0
//    rsa 1024 bits   0.0086s   0.0004s    116.2   2235.7
//    rsa 2048 bits   0.0519s   0.0015s     19.3    667.3
//    rsa 4096 bits   0.3464s   0.0053s      2.9    187.7
//                      sign    verify    sign/s verify/s
//    dsa  512 bits   0.0016s   0.0020s    613.1    510.5
//    dsa 1024 bits   0.0045s   0.0054s    221.0    183.9
//
//    My code is still way faster, huh:-) And I believe that even
//    higher performance can be achieved. Note that as keys get
//    longer, performance gain is larger. Why? According to the
//    profiler there is another player in the field, namely
//    BN_from_montgomery consuming larger and larger portion of CPU
//    time as keysize decreases. I therefore consider putting effort
//    to assembler implementation of the following routine:
//
//    void bn_mul_add_mont (BN_ULONG *rp,BN_ULONG *np,int nl,BN_ULONG n0)
//    {
//    int      i,j;
//    BN_ULONG v;
//
//    for (i=0; i<nl; i++)
//        {
//        v=bn_mul_add_words(rp,np,nl,(rp[0]*n0)&BN_MASK2);
//        nrp++;
//        rp++;
//        if (((nrp[-1]+=v)&BN_MASK2) < v)
//            for (j=0; ((++nrp[j])&BN_MASK2) == 0; j++) ;
//        }
//    }
//
//    It might as well be beneficial to implement even combaX
//    variants, as it appears as it can literally unleash the
//    performance (see comment section to bn_mul_comba8 below).
//
//    And finally for your reference the output for 0.9.6a compiled
//    with SGIcc version 0.01.0-12 (keep in mind that for the moment
//    of this writing it's not possible to convince SGIcc to use
//    BN_UMULT_HIGH inline assembler macro, yet the code is fast,
//    i.e. for a compiler generated one:-):
//
//                      sign    verify    sign/s verify/s
//    rsa  512 bits   0.0022s   0.0002s    452.7   5894.3
//    rsa 1024 bits   0.0097s   0.0005s    102.7   2002.9
//    rsa 2048 bits   0.0578s   0.0017s     17.3    600.2
//    rsa 4096 bits   0.3838s   0.0061s      2.6    164.5
//                      sign    verify    sign/s verify/s
//    dsa  512 bits   0.0018s   0.0022s    547.3    459.6
//    dsa 1024 bits   0.0051s   0.0062s    196.6    161.3
//
//    Oh! Benchmarks were performed on 733MHz Lion-class Itanium
//    system running Redhat Linux 7.1 (very special thanks to Ray
//    McCaffity of Williams Communications for providing an account).
//
// Q.    What's the heck with 'rum 1<<5' at the end of every function?
// A.    Well, by clearing the "upper FP registers written" bit of the
//    User Mask I want to excuse the kernel from preserving upper
//    (f32-f128) FP register bank over process context switch, thus
//    minimizing bus bandwidth consumption during the switch (i.e.
//    after PKI operation completes and the program is off doing
//    something else like bulk symmetric encryption). Having said
//    this, I also want to point out that it might be good idea
//    to compile the whole toolkit (as well as majority of the
//    programs for that matter) with -mfixed-range=f32-f127 command
//    line option. No, it doesn't prevent the compiler from writing
//    to upper bank, but at least discourages to do so. If you don't
//    like the idea you have the option to compile the module with
//    -Drum=nop.m in command line.
//
 
#if defined(_HPUX_SOURCE) && !defined(_LP64)
#define    ADDP    addp4
#else
#define    ADDP    add
#endif
#ifdef __VMS
.alias abort, "decc$abort"
#endif
 
#if 1
//
// bn_[add|sub]_words routines.
//
// Loops are spinning in 2*(n+5) ticks on Itanium (provided that the
// data reside in L1 cache, i.e. 2 ticks away). It's possible to
// compress the epilogue and get down to 2*n+6, but at the cost of
// scalability (the neat feature of this implementation is that it
// shall automagically spin in n+5 on "wider" IA-64 implementations:-)
// I consider that the epilogue is short enough as it is to trade tiny
// performance loss on Itanium for scalability.
//
// BN_ULONG bn_add_words(BN_ULONG *rp, BN_ULONG *ap, BN_ULONG *bp,int num)
//
.global    bn_add_words#
.proc    bn_add_words#
.align    64
.skip    32    // makes the loop body aligned at 64-byte boundary
bn_add_words:
   .prologue
   .save    ar.pfs,r2
{ .mii;    alloc        r2=ar.pfs,4,12,0,16
   cmp4.le        p6,p0=r35,r0    };;
{ .mfb;    mov        r8=r0            // return value
(p6)    br.ret.spnt.many    b0    };;
 
{ .mib;    sub        r10=r35,r0,1
   .save    ar.lc,r3
   mov        r3=ar.lc
   brp.loop.imp    .L_bn_add_words_ctop,.L_bn_add_words_cend-16
                   }
{ .mib;    ADDP        r14=0,r32        // rp
   .save    pr,r9
   mov        r9=pr        };;
   .body
{ .mii;    ADDP        r15=0,r33        // ap
   mov        ar.lc=r10
   mov        ar.ec=6        }
{ .mib;    ADDP        r16=0,r34        // bp
   mov        pr.rot=1<<16    };;
 
.L_bn_add_words_ctop:
{ .mii;    (p16)    ld8        r32=[r16],8      // b=*(bp++)
   (p18)    add        r39=r37,r34
   (p19)    cmp.ltu.unc    p56,p0=r40,r38    }
{ .mfb;    (p0)    nop.m        0x0
   (p0)    nop.f        0x0
   (p0)    nop.b        0x0        }
{ .mii;    (p16)    ld8        r35=[r15],8      // a=*(ap++)
   (p58)    cmp.eq.or    p57,p0=-1,r41      // (p20)
   (p58)    add        r41=1,r41    } // (p20)
{ .mfb;    (p21)    st8        [r14]=r42,8      // *(rp++)=r
   (p0)    nop.f        0x0
   br.ctop.sptk    .L_bn_add_words_ctop    };;
.L_bn_add_words_cend:
 
{ .mii;
(p59)    add        r8=1,r8        // return value
   mov        pr=r9,0x1ffff
   mov        ar.lc=r3    }
{ .mbb;    nop.b        0x0
   br.ret.sptk.many    b0    };;
.endp    bn_add_words#
 
//
// BN_ULONG bn_sub_words(BN_ULONG *rp, BN_ULONG *ap, BN_ULONG *bp,int num)
//
.global    bn_sub_words#
.proc    bn_sub_words#
.align    64
.skip    32    // makes the loop body aligned at 64-byte boundary
bn_sub_words:
   .prologue
   .save    ar.pfs,r2
{ .mii;    alloc        r2=ar.pfs,4,12,0,16
   cmp4.le        p6,p0=r35,r0    };;
{ .mfb;    mov        r8=r0            // return value
(p6)    br.ret.spnt.many    b0    };;
 
{ .mib;    sub        r10=r35,r0,1
   .save    ar.lc,r3
   mov        r3=ar.lc
   brp.loop.imp    .L_bn_sub_words_ctop,.L_bn_sub_words_cend-16
                   }
{ .mib;    ADDP        r14=0,r32        // rp
   .save    pr,r9
   mov        r9=pr        };;
   .body
{ .mii;    ADDP        r15=0,r33        // ap
   mov        ar.lc=r10
   mov        ar.ec=6        }
{ .mib;    ADDP        r16=0,r34        // bp
   mov        pr.rot=1<<16    };;
 
.L_bn_sub_words_ctop:
{ .mii;    (p16)    ld8        r32=[r16],8      // b=*(bp++)
   (p18)    sub        r39=r37,r34
   (p19)    cmp.gtu.unc    p56,p0=r40,r38    }
{ .mfb;    (p0)    nop.m        0x0
   (p0)    nop.f        0x0
   (p0)    nop.b        0x0        }
{ .mii;    (p16)    ld8        r35=[r15],8      // a=*(ap++)
   (p58)    cmp.eq.or    p57,p0=0,r41      // (p20)
   (p58)    add        r41=-1,r41    } // (p20)
{ .mbb;    (p21)    st8        [r14]=r42,8      // *(rp++)=r
   (p0)    nop.b        0x0
   br.ctop.sptk    .L_bn_sub_words_ctop    };;
.L_bn_sub_words_cend:
 
{ .mii;
(p59)    add        r8=1,r8        // return value
   mov        pr=r9,0x1ffff
   mov        ar.lc=r3    }
{ .mbb;    nop.b        0x0
   br.ret.sptk.many    b0    };;
.endp    bn_sub_words#
#endif
 
#if 0
#define XMA_TEMPTATION
#endif
 
#if 1
//
// BN_ULONG bn_mul_words(BN_ULONG *rp, BN_ULONG *ap, int num, BN_ULONG w)
//
.global    bn_mul_words#
.proc    bn_mul_words#
.align    64
.skip    32    // makes the loop body aligned at 64-byte boundary
bn_mul_words:
   .prologue
   .save    ar.pfs,r2
#ifdef XMA_TEMPTATION
{ .mfi;    alloc        r2=ar.pfs,4,0,0,0    };;
#else
{ .mfi;    alloc        r2=ar.pfs,4,12,0,16    };;
#endif
{ .mib;    mov        r8=r0            // return value
   cmp4.le        p6,p0=r34,r0
(p6)    br.ret.spnt.many    b0        };;
 
{ .mii;    sub    r10=r34,r0,1
   .save    ar.lc,r3
   mov    r3=ar.lc
   .save    pr,r9
   mov    r9=pr            };;
 
   .body
{ .mib;    setf.sig    f8=r35    // w
   mov        pr.rot=0x800001<<16
           // ------^----- serves as (p50) at first (p27)
   brp.loop.imp    .L_bn_mul_words_ctop,.L_bn_mul_words_cend-16
                   }
 
#ifndef XMA_TEMPTATION
 
{ .mmi;    ADDP        r14=0,r32    // rp
   ADDP        r15=0,r33    // ap
   mov        ar.lc=r10    }
{ .mmi;    mov        r40=0        // serves as r35 at first (p27)
   mov        ar.ec=13    };;
 
// This loop spins in 2*(n+12) ticks. It's scheduled for data in Itanium
// L2 cache (i.e. 9 ticks away) as floating point load/store instructions
// bypass L1 cache and L2 latency is actually best-case scenario for
// ldf8. The loop is not scalable and shall run in 2*(n+12) even on
// "wider" IA-64 implementations. It's a trade-off here. n+24 loop
// would give us ~5% in *overall* performance improvement on "wider"
// IA-64, but would hurt Itanium for about same because of longer
// epilogue. As it's a matter of few percents in either case I've
// chosen to trade the scalability for development time (you can see
// this very instruction sequence in bn_mul_add_words loop which in
// turn is scalable).
.L_bn_mul_words_ctop:
{ .mfi;    (p25)    getf.sig    r36=f52            // low
   (p21)    xmpy.lu        f48=f37,f8
   (p28)    cmp.ltu        p54,p50=r41,r39    }
{ .mfi;    (p16)    ldf8        f32=[r15],8
   (p21)    xmpy.hu        f40=f37,f8
   (p0)    nop.i        0x0        };;
{ .mii;    (p25)    getf.sig    r32=f44            // high
   .pred.rel    "mutex",p50,p54
   (p50)    add        r40=r38,r35        // (p27)
   (p54)    add        r40=r38,r35,1    }    // (p27)
{ .mfb;    (p28)    st8        [r14]=r41,8
   (p0)    nop.f        0x0
   br.ctop.sptk    .L_bn_mul_words_ctop    };;
.L_bn_mul_words_cend:
 
{ .mii;    nop.m        0x0
.pred.rel    "mutex",p51,p55
(p51)    add        r8=r36,r0
(p55)    add        r8=r36,r0,1    }
{ .mfb;    nop.m    0x0
   nop.f    0x0
   nop.b    0x0            }
 
#else    // XMA_TEMPTATION
 
   setf.sig    f37=r0    // serves as carry at (p18) tick
   mov        ar.lc=r10
   mov        ar.ec=5;;
 
// Most of you examining this code very likely wonder why in the name
// of Intel the following loop is commented out? Indeed, it looks so
// neat that you find it hard to believe that it's something wrong
// with it, right? The catch is that every iteration depends on the
// result from previous one and the latter isn't available instantly.
// The loop therefore spins at the latency of xma minus 1, or in other
// words at 6*(n+4) ticks:-( Compare to the "production" loop above
// that runs in 2*(n+11) where the low latency problem is worked around
// by moving the dependency to one-tick latent integer ALU. Note that
// "distance" between ldf8 and xma is not latency of ldf8, but the
// *difference* between xma and ldf8 latencies.
.L_bn_mul_words_ctop:
{ .mfi;    (p16)    ldf8        f32=[r33],8
   (p18)    xma.hu        f38=f34,f8,f39    }
{ .mfb;    (p20)    stf8        [r32]=f37,8
   (p18)    xma.lu        f35=f34,f8,f39
   br.ctop.sptk    .L_bn_mul_words_ctop    };;
.L_bn_mul_words_cend:
 
   getf.sig    r8=f41        // the return value
 
#endif    // XMA_TEMPTATION
 
{ .mii;    nop.m        0x0
   mov        pr=r9,0x1ffff
   mov        ar.lc=r3    }
{ .mfb;    rum        1<<5        // clear um.mfh
   nop.f        0x0
   br.ret.sptk.many    b0    };;
.endp    bn_mul_words#
#endif
 
#if 1
//
// BN_ULONG bn_mul_add_words(BN_ULONG *rp, BN_ULONG *ap, int num, BN_ULONG w)
//
.global    bn_mul_add_words#
.proc    bn_mul_add_words#
.align    64
.skip    48    // makes the loop body aligned at 64-byte boundary
bn_mul_add_words:
   .prologue
   .save    ar.pfs,r2
{ .mmi;    alloc        r2=ar.pfs,4,4,0,8
   cmp4.le        p6,p0=r34,r0
   .save    ar.lc,r3
   mov        r3=ar.lc    };;
{ .mib;    mov        r8=r0        // return value
   sub        r10=r34,r0,1
(p6)    br.ret.spnt.many    b0    };;
 
{ .mib;    setf.sig    f8=r35        // w
   .save    pr,r9
   mov        r9=pr
   brp.loop.imp    .L_bn_mul_add_words_ctop,.L_bn_mul_add_words_cend-16
                   }
   .body
{ .mmi;    ADDP        r14=0,r32    // rp
   ADDP        r15=0,r33    // ap
   mov        ar.lc=r10    }
{ .mii;    ADDP        r16=0,r32    // rp copy
   mov        pr.rot=0x2001<<16
           // ------^----- serves as (p40) at first (p27)
   mov        ar.ec=11    };;
 
// This loop spins in 3*(n+10) ticks on Itanium and in 2*(n+10) on
// Itanium 2. Yes, unlike previous versions it scales:-) Previous
// version was performing *all* additions in IALU and was starving
// for those even on Itanium 2. In this version one addition is
// moved to FPU and is folded with multiplication. This is at cost
// of propagating the result from previous call to this subroutine
// to L2 cache... In other words negligible even for shorter keys.
// *Overall* performance improvement [over previous version] varies
// from 11 to 22 percent depending on key length.
.L_bn_mul_add_words_ctop:
.pred.rel    "mutex",p40,p42
{ .mfi;    (p23)    getf.sig    r36=f45            // low
   (p20)    xma.lu        f42=f36,f8,f50        // low
   (p40)    add        r39=r39,r35    }    // (p27)
{ .mfi;    (p16)    ldf8        f32=[r15],8        // *(ap++)
   (p20)    xma.hu        f36=f36,f8,f50        // high
   (p42)    add        r39=r39,r35,1    };;    // (p27)
{ .mmi;    (p24)    getf.sig    r32=f40            // high
   (p16)    ldf8        f46=[r16],8        // *(rp1++)
   (p40)    cmp.ltu        p41,p39=r39,r35    }    // (p27)
{ .mib;    (p26)    st8        [r14]=r39,8        // *(rp2++)
   (p42)    cmp.leu        p41,p39=r39,r35        // (p27)
   br.ctop.sptk    .L_bn_mul_add_words_ctop};;
.L_bn_mul_add_words_cend:
 
{ .mmi;    .pred.rel    "mutex",p40,p42
(p40)    add        r8=r35,r0
(p42)    add        r8=r35,r0,1
   mov        pr=r9,0x1ffff    }
{ .mib;    rum        1<<5        // clear um.mfh
   mov        ar.lc=r3
   br.ret.sptk.many    b0    };;
.endp    bn_mul_add_words#
#endif
 
#if 1
//
// void bn_sqr_words(BN_ULONG *rp, BN_ULONG *ap, int num)
//
.global    bn_sqr_words#
.proc    bn_sqr_words#
.align    64
.skip    32    // makes the loop body aligned at 64-byte boundary
bn_sqr_words:
   .prologue
   .save    ar.pfs,r2
{ .mii;    alloc        r2=ar.pfs,3,0,0,0
   sxt4        r34=r34        };;
{ .mii;    cmp.le        p6,p0=r34,r0
   mov        r8=r0        }    // return value
{ .mfb;    ADDP        r32=0,r32
   nop.f        0x0
(p6)    br.ret.spnt.many    b0    };;
 
{ .mii;    sub    r10=r34,r0,1
   .save    ar.lc,r3
   mov    r3=ar.lc
   .save    pr,r9
   mov    r9=pr            };;
 
   .body
{ .mib;    ADDP        r33=0,r33
   mov        pr.rot=1<<16
   brp.loop.imp    .L_bn_sqr_words_ctop,.L_bn_sqr_words_cend-16
                   }
{ .mii;    add        r34=8,r32
   mov        ar.lc=r10
   mov        ar.ec=18    };;
 
// 2*(n+17) on Itanium, (n+17) on "wider" IA-64 implementations. It's
// possible to compress the epilogue (I'm getting tired to write this
// comment over and over) and get down to 2*n+16 at the cost of
// scalability. The decision will very likely be reconsidered after the
// benchmark program is profiled. I.e. if performance gain on Itanium
// will appear larger than loss on "wider" IA-64, then the loop should
// be explicitly split and the epilogue compressed.
.L_bn_sqr_words_ctop:
{ .mfi;    (p16)    ldf8        f32=[r33],8
   (p25)    xmpy.lu        f42=f41,f41
   (p0)    nop.i        0x0        }
{ .mib;    (p33)    stf8        [r32]=f50,16
   (p0)    nop.i        0x0
   (p0)    nop.b        0x0        }
{ .mfi;    (p0)    nop.m        0x0
   (p25)    xmpy.hu        f52=f41,f41
   (p0)    nop.i        0x0        }
{ .mib;    (p33)    stf8        [r34]=f60,16
   (p0)    nop.i        0x0
   br.ctop.sptk    .L_bn_sqr_words_ctop    };;
.L_bn_sqr_words_cend:
 
{ .mii;    nop.m        0x0
   mov        pr=r9,0x1ffff
   mov        ar.lc=r3    }
{ .mfb;    rum        1<<5        // clear um.mfh
   nop.f        0x0
   br.ret.sptk.many    b0    };;
.endp    bn_sqr_words#
#endif
 
#if 1
// Apparently we win nothing by implementing special bn_sqr_comba8.
// Yes, it is possible to reduce the number of multiplications by
// almost factor of two, but then the amount of additions would
// increase by factor of two (as we would have to perform those
// otherwise performed by xma ourselves). Normally we would trade
// anyway as multiplications are way more expensive, but not this
// time... Multiplication kernel is fully pipelined and as we drain
// one 128-bit multiplication result per clock cycle multiplications
// are effectively as inexpensive as additions. Special implementation
// might become of interest for "wider" IA-64 implementation as you'll
// be able to get through the multiplication phase faster (there won't
// be any stall issues as discussed in the commentary section below and
// you therefore will be able to employ all 4 FP units)... But these
// Itanium days it's simply too hard to justify the effort so I just
// drop down to bn_mul_comba8 code:-)
//
// void bn_sqr_comba8(BN_ULONG *r, BN_ULONG *a)
//
.global    bn_sqr_comba8#
.proc    bn_sqr_comba8#
.align    64
bn_sqr_comba8:
   .prologue
   .save    ar.pfs,r2
#if defined(_HPUX_SOURCE) && !defined(_LP64)
{ .mii;    alloc    r2=ar.pfs,2,1,0,0
   addp4    r33=0,r33
   addp4    r32=0,r32        };;
{ .mii;
#else
{ .mii;    alloc    r2=ar.pfs,2,1,0,0
#endif
   mov    r34=r33
   add    r14=8,r33        };;
   .body
{ .mii;    add    r17=8,r34
   add    r15=16,r33
   add    r18=16,r34        }
{ .mfb;    add    r16=24,r33
   br    .L_cheat_entry_point8    };;
.endp    bn_sqr_comba8#
#endif
 
#if 1
// I've estimated this routine to run in ~120 ticks, but in reality
// (i.e. according to ar.itc) it takes ~160 ticks. Are those extra
// cycles consumed for instructions fetch? Or did I misinterpret some
// clause in Itanium Âµ-architecture manual? Comments are welcomed and
// highly appreciated.
//
// On Itanium 2 it takes ~190 ticks. This is because of stalls on
// result from getf.sig. I do nothing about it at this point for
// reasons depicted below.
//
// However! It should be noted that even 160 ticks is darn good result
// as it's over 10 (yes, ten, spelled as t-e-n) times faster than the
// C version (compiled with gcc with inline assembler). I really
// kicked compiler's butt here, didn't I? Yeah! This brings us to the
// following statement. It's damn shame that this routine isn't called
// very often nowadays! According to the profiler most CPU time is
// consumed by bn_mul_add_words called from BN_from_montgomery. In
// order to estimate what we're missing, I've compared the performance
// of this routine against "traditional" implementation, i.e. against
// following routine:
//
// void bn_mul_comba8(BN_ULONG *r, BN_ULONG *a, BN_ULONG *b)
// {    r[ 8]=bn_mul_words(    &(r[0]),a,8,b[0]);
//    r[ 9]=bn_mul_add_words(&(r[1]),a,8,b[1]);
//    r[10]=bn_mul_add_words(&(r[2]),a,8,b[2]);
//    r[11]=bn_mul_add_words(&(r[3]),a,8,b[3]);
//    r[12]=bn_mul_add_words(&(r[4]),a,8,b[4]);
//    r[13]=bn_mul_add_words(&(r[5]),a,8,b[5]);
//    r[14]=bn_mul_add_words(&(r[6]),a,8,b[6]);
//    r[15]=bn_mul_add_words(&(r[7]),a,8,b[7]);
// }
//
// The one below is over 8 times faster than the one above:-( Even
// more reasons to "combafy" bn_mul_add_mont...
//
// And yes, this routine really made me wish there were an optimizing
// assembler! It also feels like it deserves a dedication.
//
//    To my wife for being there and to my kids...
//
// void bn_mul_comba8(BN_ULONG *r, BN_ULONG *a, BN_ULONG *b)
//
#define    carry1    r14
#define    carry2    r15
#define    carry3    r34
.global    bn_mul_comba8#
.proc    bn_mul_comba8#
.align    64
bn_mul_comba8:
   .prologue
   .save    ar.pfs,r2
#if defined(_HPUX_SOURCE) && !defined(_LP64)
{ .mii;    alloc    r2=ar.pfs,3,0,0,0
   addp4    r33=0,r33
   addp4    r34=0,r34        };;
{ .mii;    addp4    r32=0,r32
#else
{ .mii;    alloc   r2=ar.pfs,3,0,0,0
#endif
   add    r14=8,r33
   add    r17=8,r34        }
   .body
{ .mii;    add    r15=16,r33
   add    r18=16,r34
   add    r16=24,r33        }
.L_cheat_entry_point8:
{ .mmi;    add    r19=24,r34
 
   ldf8    f32=[r33],32        };;
 
{ .mmi;    ldf8    f120=[r34],32
   ldf8    f121=[r17],32        }
{ .mmi;    ldf8    f122=[r18],32
   ldf8    f123=[r19],32        };;
{ .mmi;    ldf8    f124=[r34]
   ldf8    f125=[r17]        }
{ .mmi;    ldf8    f126=[r18]
   ldf8    f127=[r19]        }
 
{ .mmi;    ldf8    f33=[r14],32
   ldf8    f34=[r15],32        }
{ .mmi;    ldf8    f35=[r16],32;;
   ldf8    f36=[r33]        }
{ .mmi;    ldf8    f37=[r14]
   ldf8    f38=[r15]        }
{ .mfi;    ldf8    f39=[r16]
// -------\ Entering multiplier's heaven /-------
// ------------\                    /------------
// -----------------\          /-----------------
// ----------------------\/----------------------
       xma.hu    f41=f32,f120,f0        }
{ .mfi;        xma.lu    f40=f32,f120,f0        };; // (*)
{ .mfi;        xma.hu    f51=f32,f121,f0        }
{ .mfi;        xma.lu    f50=f32,f121,f0        };;
{ .mfi;        xma.hu    f61=f32,f122,f0        }
{ .mfi;        xma.lu    f60=f32,f122,f0        };;
{ .mfi;        xma.hu    f71=f32,f123,f0        }
{ .mfi;        xma.lu    f70=f32,f123,f0        };;
{ .mfi;        xma.hu    f81=f32,f124,f0        }
{ .mfi;        xma.lu    f80=f32,f124,f0        };;
{ .mfi;        xma.hu    f91=f32,f125,f0        }
{ .mfi;        xma.lu    f90=f32,f125,f0        };;
{ .mfi;        xma.hu    f101=f32,f126,f0    }
{ .mfi;        xma.lu    f100=f32,f126,f0    };;
{ .mfi;        xma.hu    f111=f32,f127,f0    }
{ .mfi;        xma.lu    f110=f32,f127,f0    };;//
// (*)    You can argue that splitting at every second bundle would
//    prevent "wider" IA-64 implementations from achieving the peak
//    performance. Well, not really... The catch is that if you
//    intend to keep 4 FP units busy by splitting at every fourth
//    bundle and thus perform these 16 multiplications in 4 ticks,
//    the first bundle *below* would stall because the result from
//    the first xma bundle *above* won't be available for another 3
//    ticks (if not more, being an optimist, I assume that "wider"
//    implementation will have same latency:-). This stall will hold
//    you back and the performance would be as if every second bundle
//    were split *anyway*...
{ .mfi;    getf.sig    r16=f40
       xma.hu    f42=f33,f120,f41
   add        r33=8,r32        }
{ .mfi;        xma.lu    f41=f33,f120,f41    };;
{ .mfi;    getf.sig    r24=f50
       xma.hu    f52=f33,f121,f51    }
{ .mfi;        xma.lu    f51=f33,f121,f51    };;
{ .mfi;    st8        [r32]=r16,16
       xma.hu    f62=f33,f122,f61    }
{ .mfi;        xma.lu    f61=f33,f122,f61    };;
{ .mfi;        xma.hu    f72=f33,f123,f71    }
{ .mfi;        xma.lu    f71=f33,f123,f71    };;
{ .mfi;        xma.hu    f82=f33,f124,f81    }
{ .mfi;        xma.lu    f81=f33,f124,f81    };;
{ .mfi;        xma.hu    f92=f33,f125,f91    }
{ .mfi;        xma.lu    f91=f33,f125,f91    };;
{ .mfi;        xma.hu    f102=f33,f126,f101    }
{ .mfi;        xma.lu    f101=f33,f126,f101    };;
{ .mfi;        xma.hu    f112=f33,f127,f111    }
{ .mfi;        xma.lu    f111=f33,f127,f111    };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r25=f41
       xma.hu    f43=f34,f120,f42    }
{ .mfi;        xma.lu    f42=f34,f120,f42    };;
{ .mfi;    getf.sig    r16=f60
       xma.hu    f53=f34,f121,f52    }
{ .mfi;        xma.lu    f52=f34,f121,f52    };;
{ .mfi;    getf.sig    r17=f51
       xma.hu    f63=f34,f122,f62
   add        r25=r25,r24        }
{ .mfi;        xma.lu    f62=f34,f122,f62
   mov        carry1=0        };;
{ .mfi;    cmp.ltu        p6,p0=r25,r24
       xma.hu    f73=f34,f123,f72    }
{ .mfi;        xma.lu    f72=f34,f123,f72    };;
{ .mfi;    st8        [r33]=r25,16
       xma.hu    f83=f34,f124,f82
(p6)    add        carry1=1,carry1        }
{ .mfi;        xma.lu    f82=f34,f124,f82    };;
{ .mfi;        xma.hu    f93=f34,f125,f92    }
{ .mfi;        xma.lu    f92=f34,f125,f92    };;
{ .mfi;        xma.hu    f103=f34,f126,f102    }
{ .mfi;        xma.lu    f102=f34,f126,f102    };;
{ .mfi;        xma.hu    f113=f34,f127,f112    }
{ .mfi;        xma.lu    f112=f34,f127,f112    };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r18=f42
       xma.hu    f44=f35,f120,f43
   add        r17=r17,r16        }
{ .mfi;        xma.lu    f43=f35,f120,f43    };;
{ .mfi;    getf.sig    r24=f70
       xma.hu    f54=f35,f121,f53    }
{ .mfi;    mov        carry2=0
       xma.lu    f53=f35,f121,f53    };;
{ .mfi;    getf.sig    r25=f61
       xma.hu    f64=f35,f122,f63
   cmp.ltu        p7,p0=r17,r16        }
{ .mfi;    add        r18=r18,r17
       xma.lu    f63=f35,f122,f63    };;
{ .mfi;    getf.sig    r26=f52
       xma.hu    f74=f35,f123,f73
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r18,r17
       xma.lu    f73=f35,f123,f73
   add        r18=r18,carry1        };;
{ .mfi;
       xma.hu    f84=f35,f124,f83
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r18,carry1
       xma.lu    f83=f35,f124,f83    };;
{ .mfi;    st8        [r32]=r18,16
       xma.hu    f94=f35,f125,f93
(p7)    add        carry2=1,carry2        }
{ .mfi;        xma.lu    f93=f35,f125,f93    };;
{ .mfi;        xma.hu    f104=f35,f126,f103    }
{ .mfi;        xma.lu    f103=f35,f126,f103    };;
{ .mfi;        xma.hu    f114=f35,f127,f113    }
{ .mfi;    mov        carry1=0
       xma.lu    f113=f35,f127,f113
   add        r25=r25,r24        };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r27=f43
       xma.hu    f45=f36,f120,f44
   cmp.ltu        p6,p0=r25,r24        }
{ .mfi;        xma.lu    f44=f36,f120,f44    
   add        r26=r26,r25        };;
{ .mfi;    getf.sig    r16=f80
       xma.hu    f55=f36,f121,f54
(p6)    add        carry1=1,carry1        }
{ .mfi;        xma.lu    f54=f36,f121,f54    };;
{ .mfi;    getf.sig    r17=f71
       xma.hu    f65=f36,f122,f64
   cmp.ltu        p6,p0=r26,r25        }
{ .mfi;        xma.lu    f64=f36,f122,f64
   add        r27=r27,r26        };;
{ .mfi;    getf.sig    r18=f62
       xma.hu    f75=f36,f123,f74
(p6)    add        carry1=1,carry1        }
{ .mfi;    cmp.ltu        p6,p0=r27,r26
       xma.lu    f74=f36,f123,f74
   add        r27=r27,carry2        };;
{ .mfi;    getf.sig    r19=f53
       xma.hu    f85=f36,f124,f84
(p6)    add        carry1=1,carry1        }
{ .mfi;        xma.lu    f84=f36,f124,f84
   cmp.ltu        p6,p0=r27,carry2    };;
{ .mfi;    st8        [r33]=r27,16
       xma.hu    f95=f36,f125,f94
(p6)    add        carry1=1,carry1        }
{ .mfi;        xma.lu    f94=f36,f125,f94    };;
{ .mfi;        xma.hu    f105=f36,f126,f104    }
{ .mfi;    mov        carry2=0
       xma.lu    f104=f36,f126,f104
   add        r17=r17,r16        };;
{ .mfi;        xma.hu    f115=f36,f127,f114
   cmp.ltu        p7,p0=r17,r16        }
{ .mfi;        xma.lu    f114=f36,f127,f114
   add        r18=r18,r17        };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r20=f44
       xma.hu    f46=f37,f120,f45
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r18,r17
       xma.lu    f45=f37,f120,f45
   add        r19=r19,r18        };;
{ .mfi;    getf.sig    r24=f90
       xma.hu    f56=f37,f121,f55    }
{ .mfi;        xma.lu    f55=f37,f121,f55    };;
{ .mfi;    getf.sig    r25=f81
       xma.hu    f66=f37,f122,f65
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r19,r18
       xma.lu    f65=f37,f122,f65
   add        r20=r20,r19        };;
{ .mfi;    getf.sig    r26=f72
       xma.hu    f76=f37,f123,f75
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r20,r19
       xma.lu    f75=f37,f123,f75
   add        r20=r20,carry1        };;
{ .mfi;    getf.sig    r27=f63
       xma.hu    f86=f37,f124,f85
(p7)    add        carry2=1,carry2        }
{ .mfi;        xma.lu    f85=f37,f124,f85
   cmp.ltu        p7,p0=r20,carry1    };;
{ .mfi;    getf.sig    r28=f54
       xma.hu    f96=f37,f125,f95
(p7)    add        carry2=1,carry2        }
{ .mfi;    st8        [r32]=r20,16
       xma.lu    f95=f37,f125,f95    };;
{ .mfi;        xma.hu    f106=f37,f126,f105    }
{ .mfi;    mov        carry1=0
       xma.lu    f105=f37,f126,f105
   add        r25=r25,r24        };;
{ .mfi;        xma.hu    f116=f37,f127,f115
   cmp.ltu        p6,p0=r25,r24        }
{ .mfi;        xma.lu    f115=f37,f127,f115
   add        r26=r26,r25        };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r29=f45
       xma.hu    f47=f38,f120,f46
(p6)    add        carry1=1,carry1        }
{ .mfi;    cmp.ltu        p6,p0=r26,r25
       xma.lu    f46=f38,f120,f46
   add        r27=r27,r26        };;
{ .mfi;    getf.sig    r16=f100
       xma.hu    f57=f38,f121,f56
(p6)    add        carry1=1,carry1        }
{ .mfi;    cmp.ltu        p6,p0=r27,r26
       xma.lu    f56=f38,f121,f56
   add        r28=r28,r27        };;
{ .mfi;    getf.sig    r17=f91
       xma.hu    f67=f38,f122,f66
(p6)    add        carry1=1,carry1        }
{ .mfi;    cmp.ltu        p6,p0=r28,r27
       xma.lu    f66=f38,f122,f66
   add        r29=r29,r28        };;
{ .mfi;    getf.sig    r18=f82
       xma.hu    f77=f38,f123,f76
(p6)    add        carry1=1,carry1        }
{ .mfi;    cmp.ltu        p6,p0=r29,r28
       xma.lu    f76=f38,f123,f76
   add        r29=r29,carry2        };;
{ .mfi;    getf.sig    r19=f73
       xma.hu    f87=f38,f124,f86
(p6)    add        carry1=1,carry1        }
{ .mfi;        xma.lu    f86=f38,f124,f86
   cmp.ltu        p6,p0=r29,carry2    };;
{ .mfi;    getf.sig    r20=f64
       xma.hu    f97=f38,f125,f96
(p6)    add        carry1=1,carry1        }
{ .mfi;    st8        [r33]=r29,16
       xma.lu    f96=f38,f125,f96    };;
{ .mfi;    getf.sig    r21=f55
       xma.hu    f107=f38,f126,f106    }
{ .mfi;    mov        carry2=0
       xma.lu    f106=f38,f126,f106
   add        r17=r17,r16        };;
{ .mfi;        xma.hu    f117=f38,f127,f116
   cmp.ltu        p7,p0=r17,r16        }
{ .mfi;        xma.lu    f116=f38,f127,f116
   add        r18=r18,r17        };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r22=f46
       xma.hu    f48=f39,f120,f47
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r18,r17
       xma.lu    f47=f39,f120,f47
   add        r19=r19,r18        };;
{ .mfi;    getf.sig    r24=f110
       xma.hu    f58=f39,f121,f57
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r19,r18
       xma.lu    f57=f39,f121,f57
   add        r20=r20,r19        };;
{ .mfi;    getf.sig    r25=f101
       xma.hu    f68=f39,f122,f67
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r20,r19
       xma.lu    f67=f39,f122,f67
   add        r21=r21,r20        };;
{ .mfi;    getf.sig    r26=f92
       xma.hu    f78=f39,f123,f77
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r21,r20
       xma.lu    f77=f39,f123,f77
   add        r22=r22,r21        };;
{ .mfi;    getf.sig    r27=f83
       xma.hu    f88=f39,f124,f87
(p7)    add        carry2=1,carry2        }
{ .mfi;    cmp.ltu        p7,p0=r22,r21
       xma.lu    f87=f39,f124,f87
   add        r22=r22,carry1        };;
{ .mfi;    getf.sig    r28=f74
       xma.hu    f98=f39,f125,f97
(p7)    add        carry2=1,carry2        }
{ .mfi;        xma.lu    f97=f39,f125,f97
   cmp.ltu        p7,p0=r22,carry1    };;
{ .mfi;    getf.sig    r29=f65
       xma.hu    f108=f39,f126,f107
(p7)    add        carry2=1,carry2        }
{ .mfi;    st8        [r32]=r22,16
       xma.lu    f107=f39,f126,f107    };;
{ .mfi;    getf.sig    r30=f56
       xma.hu    f118=f39,f127,f117    }
{ .mfi;        xma.lu    f117=f39,f127,f117    };;//
//-------------------------------------------------//
// Leaving multiplier's heaven... Quite a ride, huh?
 
{ .mii;    getf.sig    r31=f47
   add        r25=r25,r24
   mov        carry1=0        };;
{ .mii;        getf.sig    r16=f111
   cmp.ltu        p6,p0=r25,r24
   add        r26=r26,r25        };;
{ .mfb;        getf.sig    r17=f102    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,r25
   add        r27=r27,r26        };;
{ .mfb;    nop.m    0x0                }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r27,r26
   add        r28=r28,r27        };;
{ .mii;        getf.sig    r18=f93
       add        r17=r17,r16
       mov        carry3=0    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r28,r27
   add        r29=r29,r28        };;
{ .mii;        getf.sig    r19=f84
       cmp.ltu        p7,p0=r17,r16    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r29,r28
   add        r30=r30,r29        };;
{ .mii;        getf.sig    r20=f75
       add        r18=r18,r17    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r30,r29
   add        r31=r31,r30        };;
{ .mfb;        getf.sig    r21=f66        }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r18,r17
       add        r19=r19,r18    }
{ .mfb;    nop.m    0x0                }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r31,r30
   add        r31=r31,carry2        };;
{ .mfb;        getf.sig    r22=f57        }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r19,r18
       add        r20=r20,r19    }
{ .mfb;    nop.m    0x0                }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r31,carry2    };;
{ .mfb;        getf.sig    r23=f48        }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r20,r19
       add        r21=r21,r20    }
{ .mii;
(p6)    add        carry1=1,carry1        }
{ .mfb;    st8        [r33]=r31,16        };;
 
{ .mfb;    getf.sig    r24=f112        }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r21,r20
       add        r22=r22,r21    };;
{ .mfb;    getf.sig    r25=f103        }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r22,r21
       add        r23=r23,r22    };;
{ .mfb;    getf.sig    r26=f94            }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r23,r22
       add        r23=r23,carry1    };;
{ .mfb;    getf.sig    r27=f85            }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p8=r23,carry1};;
{ .mii;    getf.sig    r28=f76
   add        r25=r25,r24
   mov        carry1=0        }
{ .mii;        st8        [r32]=r23,16
   (p7)    add        carry2=1,carry3
   (p8)    add        carry2=0,carry3    };;
 
{ .mfb;    nop.m    0x0                }
{ .mii;    getf.sig    r29=f67
   cmp.ltu        p6,p0=r25,r24
   add        r26=r26,r25        };;
{ .mfb;    getf.sig    r30=f58            }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,r25
   add        r27=r27,r26        };;
{ .mfb;        getf.sig    r16=f113    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r27,r26
   add        r28=r28,r27        };;
{ .mfb;        getf.sig    r17=f104    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r28,r27
   add        r29=r29,r28        };;
{ .mfb;        getf.sig    r18=f95        }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r29,r28
   add        r30=r30,r29        };;
{ .mii;        getf.sig    r19=f86
       add        r17=r17,r16
       mov        carry3=0    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r30,r29
   add        r30=r30,carry2        };;
{ .mii;        getf.sig    r20=f77
       cmp.ltu        p7,p0=r17,r16
       add        r18=r18,r17    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r30,carry2    };;
{ .mfb;        getf.sig    r21=f68        }
{ .mii;    st8        [r33]=r30,16
(p6)    add        carry1=1,carry1        };;
 
{ .mfb;    getf.sig    r24=f114        }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r18,r17
       add        r19=r19,r18    };;
{ .mfb;    getf.sig    r25=f105        }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r19,r18
       add        r20=r20,r19    };;
{ .mfb;    getf.sig    r26=f96            }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r20,r19
       add        r21=r21,r20    };;
{ .mfb;    getf.sig    r27=f87            }
{ .mii;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p0=r21,r20
       add        r21=r21,carry1    };;
{ .mib;    getf.sig    r28=f78            
   add        r25=r25,r24        }
{ .mib;    (p7)    add        carry3=1,carry3
       cmp.ltu        p7,p8=r21,carry1};;
{ .mii;        st8        [r32]=r21,16
   (p7)    add        carry2=1,carry3
   (p8)    add        carry2=0,carry3    }
 
{ .mii;    mov        carry1=0
   cmp.ltu        p6,p0=r25,r24
   add        r26=r26,r25        };;
{ .mfb;        getf.sig    r16=f115    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,r25
   add        r27=r27,r26        };;
{ .mfb;        getf.sig    r17=f106    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r27,r26
   add        r28=r28,r27        };;
{ .mfb;        getf.sig    r18=f97        }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r28,r27
   add        r28=r28,carry2        };;
{ .mib;        getf.sig    r19=f88
       add        r17=r17,r16    }
{ .mib;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r28,carry2    };;
{ .mii;    st8        [r33]=r28,16
(p6)    add        carry1=1,carry1        }
 
{ .mii;        mov        carry2=0
       cmp.ltu        p7,p0=r17,r16
       add        r18=r18,r17    };;
{ .mfb;    getf.sig    r24=f116        }
{ .mii;    (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r18,r17
       add        r19=r19,r18    };;
{ .mfb;    getf.sig    r25=f107        }
{ .mii;    (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r19,r18
       add        r19=r19,carry1    };;
{ .mfb;    getf.sig    r26=f98            }
{ .mii;    (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r19,carry1};;
{ .mii;        st8        [r32]=r19,16
   (p7)    add        carry2=1,carry2    }
 
{ .mfb;    add        r25=r25,r24        };;
 
{ .mfb;        getf.sig    r16=f117    }
{ .mii;    mov        carry1=0
   cmp.ltu        p6,p0=r25,r24
   add        r26=r26,r25        };;
{ .mfb;        getf.sig    r17=f108    }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,r25
   add        r26=r26,carry2        };;
{ .mfb;    nop.m    0x0                }
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,carry2    };;
{ .mii;    st8        [r33]=r26,16
(p6)    add        carry1=1,carry1        }
 
{ .mfb;        add        r17=r17,r16    };;
{ .mfb;    getf.sig    r24=f118        }
{ .mii;        mov        carry2=0
       cmp.ltu        p7,p0=r17,r16
       add        r17=r17,carry1    };;
{ .mii;    (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r17,carry1};;
{ .mii;        st8        [r32]=r17
   (p7)    add        carry2=1,carry2    };;
{ .mfb;    add        r24=r24,carry2        };;
{ .mib;    st8        [r33]=r24        }
 
{ .mib;    rum        1<<5        // clear um.mfh
   br.ret.sptk.many    b0    };;
.endp    bn_mul_comba8#
#undef    carry3
#undef    carry2
#undef    carry1
#endif
 
#if 1
// It's possible to make it faster (see comment to bn_sqr_comba8), but
// I reckon it doesn't worth the effort. Basically because the routine
// (actually both of them) practically never called... So I just play
// same trick as with bn_sqr_comba8.
//
// void bn_sqr_comba4(BN_ULONG *r, BN_ULONG *a)
//
.global    bn_sqr_comba4#
.proc    bn_sqr_comba4#
.align    64
bn_sqr_comba4:
   .prologue
   .save    ar.pfs,r2
#if defined(_HPUX_SOURCE) && !defined(_LP64)
{ .mii;    alloc   r2=ar.pfs,2,1,0,0
   addp4    r32=0,r32
   addp4    r33=0,r33        };;
{ .mii;
#else
{ .mii;    alloc    r2=ar.pfs,2,1,0,0
#endif
   mov    r34=r33
   add    r14=8,r33        };;
   .body
{ .mii;    add    r17=8,r34
   add    r15=16,r33
   add    r18=16,r34        }
{ .mfb;    add    r16=24,r33
   br    .L_cheat_entry_point4    };;
.endp    bn_sqr_comba4#
#endif
 
#if 1
// Runs in ~115 cycles and ~4.5 times faster than C. Well, whatever...
//
// void bn_mul_comba4(BN_ULONG *r, BN_ULONG *a, BN_ULONG *b)
//
#define    carry1    r14
#define    carry2    r15
.global    bn_mul_comba4#
.proc    bn_mul_comba4#
.align    64
bn_mul_comba4:
   .prologue
   .save    ar.pfs,r2
#if defined(_HPUX_SOURCE) && !defined(_LP64)
{ .mii;    alloc   r2=ar.pfs,3,0,0,0
   addp4    r33=0,r33
   addp4    r34=0,r34        };;
{ .mii;    addp4    r32=0,r32
#else
{ .mii;    alloc    r2=ar.pfs,3,0,0,0
#endif
   add    r14=8,r33
   add    r17=8,r34        }
   .body
{ .mii;    add    r15=16,r33
   add    r18=16,r34
   add    r16=24,r33        };;
.L_cheat_entry_point4:
{ .mmi;    add    r19=24,r34
 
   ldf8    f32=[r33]        }
 
{ .mmi;    ldf8    f120=[r34]
   ldf8    f121=[r17]        };;
{ .mmi;    ldf8    f122=[r18]
   ldf8    f123=[r19]        }
 
{ .mmi;    ldf8    f33=[r14]
   ldf8    f34=[r15]        }
{ .mfi;    ldf8    f35=[r16]
 
       xma.hu    f41=f32,f120,f0        }
{ .mfi;        xma.lu    f40=f32,f120,f0        };;
{ .mfi;        xma.hu    f51=f32,f121,f0        }
{ .mfi;        xma.lu    f50=f32,f121,f0        };;
{ .mfi;        xma.hu    f61=f32,f122,f0        }
{ .mfi;        xma.lu    f60=f32,f122,f0        };;
{ .mfi;        xma.hu    f71=f32,f123,f0        }
{ .mfi;        xma.lu    f70=f32,f123,f0        };;//
// Major stall takes place here, and 3 more places below. Result from
// first xma is not available for another 3 ticks.
{ .mfi;    getf.sig    r16=f40
       xma.hu    f42=f33,f120,f41
   add        r33=8,r32        }
{ .mfi;        xma.lu    f41=f33,f120,f41    };;
{ .mfi;    getf.sig    r24=f50
       xma.hu    f52=f33,f121,f51    }
{ .mfi;        xma.lu    f51=f33,f121,f51    };;
{ .mfi;    st8        [r32]=r16,16
       xma.hu    f62=f33,f122,f61    }
{ .mfi;        xma.lu    f61=f33,f122,f61    };;
{ .mfi;        xma.hu    f72=f33,f123,f71    }
{ .mfi;        xma.lu    f71=f33,f123,f71    };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r25=f41
       xma.hu    f43=f34,f120,f42    }
{ .mfi;        xma.lu    f42=f34,f120,f42    };;
{ .mfi;    getf.sig    r16=f60
       xma.hu    f53=f34,f121,f52    }
{ .mfi;        xma.lu    f52=f34,f121,f52    };;
{ .mfi;    getf.sig    r17=f51
       xma.hu    f63=f34,f122,f62
   add        r25=r25,r24        }
{ .mfi;    mov        carry1=0
       xma.lu    f62=f34,f122,f62    };;
{ .mfi;    st8        [r33]=r25,16
       xma.hu    f73=f34,f123,f72
   cmp.ltu        p6,p0=r25,r24        }
{ .mfi;        xma.lu    f72=f34,f123,f72    };;//
//-------------------------------------------------//
{ .mfi;    getf.sig    r18=f42
       xma.hu    f44=f35,f120,f43
(p6)    add        carry1=1,carry1        }
{ .mfi;    add        r17=r17,r16
       xma.lu    f43=f35,f120,f43
   mov        carry2=0        };;
{ .mfi;    getf.sig    r24=f70
       xma.hu    f54=f35,f121,f53
   cmp.ltu        p7,p0=r17,r16        }
{ .mfi;        xma.lu    f53=f35,f121,f53    };;
{ .mfi;    getf.sig    r25=f61
       xma.hu    f64=f35,f122,f63
   add        r18=r18,r17        }
{ .mfi;        xma.lu    f63=f35,f122,f63
(p7)    add        carry2=1,carry2        };;
{ .mfi;    getf.sig    r26=f52
       xma.hu    f74=f35,f123,f73
   cmp.ltu        p7,p0=r18,r17        }
{ .mfi;        xma.lu    f73=f35,f123,f73
   add        r18=r18,carry1        };;
//-------------------------------------------------//
{ .mii;    st8        [r32]=r18,16
(p7)    add        carry2=1,carry2
   cmp.ltu        p7,p0=r18,carry1    };;
 
{ .mfi;    getf.sig    r27=f43    // last major stall
(p7)    add        carry2=1,carry2        };;
{ .mii;        getf.sig    r16=f71
   add        r25=r25,r24
   mov        carry1=0        };;
{ .mii;        getf.sig    r17=f62    
   cmp.ltu        p6,p0=r25,r24
   add        r26=r26,r25        };;
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,r25
   add        r27=r27,r26        };;
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r27,r26
   add        r27=r27,carry2        };;
{ .mii;        getf.sig    r18=f53
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r27,carry2    };;
{ .mfi;    st8        [r33]=r27,16
(p6)    add        carry1=1,carry1        }
 
{ .mii;        getf.sig    r19=f44
       add        r17=r17,r16
       mov        carry2=0    };;
{ .mii;    getf.sig    r24=f72
       cmp.ltu        p7,p0=r17,r16
       add        r18=r18,r17    };;
{ .mii;    (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r18,r17
       add        r19=r19,r18    };;
{ .mii;    (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r19,r18
       add        r19=r19,carry1    };;
{ .mii;    getf.sig    r25=f63
   (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r19,carry1};;
{ .mii;        st8        [r32]=r19,16
   (p7)    add        carry2=1,carry2    }
 
{ .mii;    getf.sig    r26=f54
   add        r25=r25,r24
   mov        carry1=0        };;
{ .mii;        getf.sig    r16=f73
   cmp.ltu        p6,p0=r25,r24
   add        r26=r26,r25        };;
{ .mii;
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,r25
   add        r26=r26,carry2        };;
{ .mii;        getf.sig    r17=f64
(p6)    add        carry1=1,carry1
   cmp.ltu        p6,p0=r26,carry2    };;
{ .mii;    st8        [r33]=r26,16
(p6)    add        carry1=1,carry1        }
 
{ .mii;    getf.sig    r24=f74
       add        r17=r17,r16    
       mov        carry2=0    };;
{ .mii;        cmp.ltu        p7,p0=r17,r16
       add        r17=r17,carry1    };;
 
{ .mii;    (p7)    add        carry2=1,carry2
       cmp.ltu        p7,p0=r17,carry1};;
{ .mii;        st8        [r32]=r17,16
   (p7)    add        carry2=1,carry2    };;
 
{ .mii;    add        r24=r24,carry2        };;
{ .mii;    st8        [r33]=r24        }
 
{ .mib;    rum        1<<5        // clear um.mfh
   br.ret.sptk.many    b0    };;
.endp    bn_mul_comba4#
#undef    carry2
#undef    carry1
#endif
 
#if 1
//
// BN_ULONG bn_div_words(BN_ULONG h, BN_ULONG l, BN_ULONG d)
//
// In the nutshell it's a port of my MIPS III/IV implementation.
//
#define    AT    r14
#define    H    r16
#define    HH    r20
#define    L    r17
#define    D    r18
#define    DH    r22
#define    I    r21
 
#if 0
// Some preprocessors (most notably HP-UX) appear to be allergic to
// macros enclosed to parenthesis [as these three were].
#define    cont    p16
#define    break    p0    // p20
#define    equ    p24
#else
cont=p16
break=p0
equ=p24
#endif
 
.global    abort#
.global    bn_div_words#
.proc    bn_div_words#
.align    64
bn_div_words:
   .prologue
   .save    ar.pfs,r2
{ .mii;    alloc        r2=ar.pfs,3,5,0,8
   .save    b0,r3
   mov        r3=b0
   .save    pr,r10
   mov        r10=pr        };;
{ .mmb;    cmp.eq        p6,p0=r34,r0
   mov        r8=-1
(p6)    br.ret.spnt.many    b0    };;
 
   .body
{ .mii;    mov        H=r32        // save h
   mov        ar.ec=0        // don't rotate at exit
   mov        pr.rot=0    }
{ .mii;    mov        L=r33        // save l
   mov        r25=r0        // needed if abort is called on VMS
   mov        r36=r0        };;
 
.L_divw_shift:    // -vv- note signed comparison
{ .mfi;    (p0)    cmp.lt        p16,p0=r0,r34    // d
   (p0)    shladd        r33=r34,1,r0    }
{ .mfb;    (p0)    add        r35=1,r36
   (p0)    nop.f        0x0
(p16)    br.wtop.dpnt        .L_divw_shift    };;
 
{ .mii;    mov        D=r34
   shr.u        DH=r34,32
   sub        r35=64,r36        };;
{ .mii;    setf.sig    f7=DH
   shr.u        AT=H,r35
   mov        I=r36            };;
{ .mib;    cmp.ne        p6,p0=r0,AT
   shl        H=H,r36
(p6)    br.call.spnt.clr    b0=abort    };;    // overflow, die...
 
{ .mfi;    fcvt.xuf.s1    f7=f7
   shr.u        AT=L,r35        };;
{ .mii;    shl        L=L,r36
   or        H=H,AT            };;
 
{ .mii;    nop.m        0x0
   cmp.leu        p6,p0=D,H;;
(p6)    sub        H=H,D            }
 
{ .mlx;    setf.sig    f14=D
   movl        AT=0xffffffff        };;
///////////////////////////////////////////////////////////
{ .mii;    setf.sig    f6=H
   shr.u        HH=H,32;;
   cmp.eq        p6,p7=HH,DH        };;
{ .mfb;
(p6)    setf.sig    f8=AT
(p7)    fcvt.xuf.s1    f6=f6
(p7)    br.call.sptk    b6=.L_udiv64_32_b6    };;
 
{ .mfi;    getf.sig    r33=f8                // q
   xmpy.lu        f9=f8,f14        }
{ .mfi;    xmpy.hu        f10=f8,f14
   shrp        H=H,L,32        };;
 
{ .mmi;    getf.sig    r35=f9                // tl
   getf.sig    r31=f10            };;    // th
 
.L_divw_1st_iter:
{ .mii;    (p0)    add        r32=-1,r33
   (p0)    cmp.eq        equ,cont=HH,r31        };;
{ .mii;    (p0)    cmp.ltu        p8,p0=r35,D
   (p0)    sub        r34=r35,D
   (equ)    cmp.leu        break,cont=r35,H    };;
{ .mib;    (cont)    cmp.leu        cont,break=HH,r31
   (p8)    add        r31=-1,r31
(cont)    br.wtop.spnt        .L_divw_1st_iter    };;
///////////////////////////////////////////////////////////
{ .mii;    sub        H=H,r35
   shl        r8=r33,32
   shl        L=L,32            };;
///////////////////////////////////////////////////////////
{ .mii;    setf.sig    f6=H
   shr.u        HH=H,32;;
   cmp.eq        p6,p7=HH,DH        };;
{ .mfb;
(p6)    setf.sig    f8=AT
(p7)    fcvt.xuf.s1    f6=f6
(p7)    br.call.sptk    b6=.L_udiv64_32_b6    };;
 
{ .mfi;    getf.sig    r33=f8                // q
   xmpy.lu        f9=f8,f14        }
{ .mfi;    xmpy.hu        f10=f8,f14
   shrp        H=H,L,32        };;
 
{ .mmi;    getf.sig    r35=f9                // tl
   getf.sig    r31=f10            };;    // th
 
.L_divw_2nd_iter:
{ .mii;    (p0)    add        r32=-1,r33
   (p0)    cmp.eq        equ,cont=HH,r31        };;
{ .mii;    (p0)    cmp.ltu        p8,p0=r35,D
   (p0)    sub        r34=r35,D
   (equ)    cmp.leu        break,cont=r35,H    };;
{ .mib;    (cont)    cmp.leu        cont,break=HH,r31
   (p8)    add        r31=-1,r31
(cont)    br.wtop.spnt        .L_divw_2nd_iter    };;
///////////////////////////////////////////////////////////
{ .mii;    sub    H=H,r35
   or    r8=r8,r33
   mov    ar.pfs=r2        };;
{ .mii;    shr.u    r9=H,I            // remainder if anybody wants it
   mov    pr=r10,0x1ffff        }
{ .mfb;    br.ret.sptk.many    b0    };;
 
// Unsigned 64 by 32 (well, by 64 for the moment) bit integer division
// procedure.
//
// inputs:    f6 = (double)a, f7 = (double)b
// output:    f8 = (int)(a/b)
// clobbered:    f8,f9,f10,f11,pred
pred=p15
// This snippet is based on text found in the "Divide, Square
// Root and Remainder" section at
// http://www.intel.com/software/products/opensource/libraries/num.htm.
// Yes, I admit that the referred code was used as template,
// but after I realized that there hardly is any other instruction
// sequence which would perform this operation. I mean I figure that
// any independent attempt to implement high-performance division
// will result in code virtually identical to the Intel code. It
// should be noted though that below division kernel is 1 cycle
// faster than Intel one (note commented splits:-), not to mention
// original prologue (rather lack of one) and epilogue.
.align    32
.skip    16
.L_udiv64_32_b6:
   frcpa.s1    f8,pred=f6,f7;;        // [0]  y0 = 1 / b
 
(pred)    fnma.s1        f9=f7,f8,f1        // [5]  e0 = 1 - b * y0
(pred)    fmpy.s1        f10=f6,f8;;        // [5]  q0 = a * y0
(pred)    fmpy.s1        f11=f9,f9        // [10] e1 = e0 * e0
(pred)    fma.s1        f10=f9,f10,f10;;    // [10] q1 = q0 + e0 * q0
(pred)    fma.s1        f8=f9,f8,f8    //;;    // [15] y1 = y0 + e0 * y0
(pred)    fma.s1        f9=f11,f10,f10;;    // [15] q2 = q1 + e1 * q1
(pred)    fma.s1        f8=f11,f8,f8    //;;    // [20] y2 = y1 + e1 * y1
(pred)    fnma.s1        f10=f7,f9,f6;;        // [20] r2 = a - b * q2
(pred)    fma.s1        f8=f10,f8,f9;;        // [25] q3 = q2 + r2 * y2
 
   fcvt.fxu.trunc.s1    f8=f8        // [30] q = trunc(q3)
   br.ret.sptk.many    b6;;
.endp    bn_div_words#
#endif