!C99Shell v. 2.1 [PHP 8 Update] [02.02.2022]!

Software: Apache/2.4.53 (Unix) OpenSSL/1.1.1o PHP/7.4.29 mod_perl/2.0.12 Perl/v5.34.1. PHP/7.4.29 

uname -a: Linux vps-2738122-x 4.15.0-213-generic #224-Ubuntu SMP Mon Jun 19 13:30:12 UTC 2023 x86_64 

uid=1(daemon) gid=1(daemon) grupos=1(daemon) 

Safe-mode: OFF (not secure)

/opt/apex_tdfonline/proyectos/tdfonline/www/docs/openssl/crypto/bn/asm/   drwxr-xr-x
Free 13.96 GB of 61.93 GB (22.55%)
Home    Back    Forward    UPDIR    Refresh    Search    Buffer    Encoder    Tools    Proc.    FTP brute    Sec.    SQL    PHP-code    Update    Feedback    Self remove    Logout    


Viewing file:     rsaz-avx2.pl (51.13 KB)      -rwxr-xr-x
Select action/file-type:
(+) | (+) | (+) | Code (+) | Session (+) | (+) | SDB (+) | (+) | (+) | (+) | (+) | (+) |
#! /usr/bin/env perl
# Copyright 2013-2020 The OpenSSL Project Authors. All Rights Reserved.
# Copyright (c) 2012, Intel Corporation. All Rights Reserved.
#
# Licensed under the Apache License 2.0 (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
#
# Originally written by Shay Gueron (1, 2), and Vlad Krasnov (1)
# (1) Intel Corporation, Israel Development Center, Haifa, Israel
# (2) University of Haifa, Israel
#
# References:
# [1] S. Gueron, V. Krasnov: "Software Implementation of Modular
#     Exponentiation,  Using Advanced Vector Instructions Architectures",
#     F. Ozbudak and F. Rodriguez-Henriquez (Eds.): WAIFI 2012, LNCS 7369,
#     pp. 119?135, 2012. Springer-Verlag Berlin Heidelberg 2012
# [2] S. Gueron: "Efficient Software Implementations of Modular
#     Exponentiation", Journal of Cryptographic Engineering 2:31-43 (2012).
# [3] S. Gueron, V. Krasnov: "Speeding up Big-numbers Squaring",IEEE
#     Proceedings of 9th International Conference on Information Technology:
#     New Generations (ITNG 2012), pp.821-823 (2012)
# [4] S. Gueron, V. Krasnov: "[PATCH] Efficient and side channel analysis
#     resistant 1024-bit modular exponentiation, for optimizing RSA2048
#     on AVX2 capable x86_64 platforms",
#     http://rt.openssl.org/Ticket/Display.html?id=2850&user=guest&pass=guest
#
# +13% improvement over original submission by <appro@openssl.org>
#
# rsa2048 sign/sec    OpenSSL 1.0.1    scalar(*)    this
# 2.3GHz Haswell    621        765/+23%    1113/+79%
# 2.3GHz Broadwell(**)    688        1200(***)/+74%    1120/+63%
#
# (*)    if system doesn't support AVX2, for reference purposes;
# (**)    scaled to 2.3GHz to simplify comparison;
# (***)    scalar AD*X code is faster than AVX2 and is preferred code
#    path for Broadwell;

# $output is the last argument if it looks like a file (it has an extension)
# $flavour is the first argument if it doesn't look like a file
$output = $#ARGV >= 0 && $ARGV[$#ARGV] =~ m|\.\w+$| ? pop : undef;
$flavour = $#ARGV >= 0 && $ARGV[0] !~ m|\.| ? shift : undef;

$win64=0; $win64=1 if ($flavour =~ /[nm]asm|mingw64/ || $output =~ /\.asm$/);

$0 =~ m/(.*[\/\\])[^\/\\]+$/; $dir=$1;
( $xlate="${dir}x86_64-xlate.pl" and -f $xlate ) or
( $xlate="${dir}../../perlasm/x86_64-xlate.pl" and -f $xlate) or
die "can't locate x86_64-xlate.pl";

if (`$ENV{CC} -Wa,-v -c -o /dev/null -x assembler /dev/null 2>&1`
        =~ /GNU assembler version ([2-9]\.[0-9]+)/) {
    $avx = ($1>=2.19) + ($1>=2.22);
    $addx = ($1>=2.23);
}

if (!$avx && $win64 && ($flavour =~ /nasm/ || $ENV{ASM} =~ /nasm/) &&
        `nasm -v 2>&1` =~ /NASM version ([2-9]\.[0-9]+)/) {
    $avx = ($1>=2.09) + ($1>=2.10);
    $addx = ($1>=2.10);
}

if (!$avx && $win64 && ($flavour =~ /masm/ || $ENV{ASM} =~ /ml64/) &&
        `ml64 2>&1` =~ /Version ([0-9]+)\./) {
    $avx = ($1>=10) + ($1>=11);
    $addx = ($1>=11);
}

if (!$avx && `$ENV{CC} -v 2>&1` =~ /((?:clang|LLVM) version|based on LLVM) ([0-9]+)\.([0-9]+)/) {
    my $ver = $2 + $3/100.0;    # 3.1->3.01, 3.10->3.10
    $avx = ($ver>=3.0) + ($ver>=3.01);
    $addx = ($ver>=3.03);
}

open OUT,"| \"$^X\" \"$xlate\" $flavour \"$output\""
    or die "can't call $xlate: $!";
*STDOUT = *OUT;

if ($avx>1) {{{
{ # void AMS_WW(
my $rp="%rdi";    # BN_ULONG *rp,
my $ap="%rsi";    # const BN_ULONG *ap,
my $np="%rdx";    # const BN_ULONG *np,
my $n0="%ecx";    # const BN_ULONG n0,
my $rep="%r8d";    # int repeat);

# The registers that hold the accumulated redundant result
# The AMM works on 1024 bit operands, and redundant word size is 29
# Therefore: ceil(1024/29)/4 = 9
my $ACC0="%ymm0";
my $ACC1="%ymm1";
my $ACC2="%ymm2";
my $ACC3="%ymm3";
my $ACC4="%ymm4";
my $ACC5="%ymm5";
my $ACC6="%ymm6";
my $ACC7="%ymm7";
my $ACC8="%ymm8";
my $ACC9="%ymm9";
# Registers that hold the broadcasted words of bp, currently used
my $B1="%ymm10";
my $B2="%ymm11";
# Registers that hold the broadcasted words of Y, currently used
my $Y1="%ymm12";
my $Y2="%ymm13";
# Helper registers
my $TEMP1="%ymm14";
my $AND_MASK="%ymm15";
# alu registers that hold the first words of the ACC
my $r0="%r9";
my $r1="%r10";
my $r2="%r11";
my $r3="%r12";

my $i="%r14d";            # loop counter
my $tmp = "%r15";

my $FrameSize=32*18+32*8;    # place for A^2 and 2*A

my $aap=$r0;
my $tp0="%rbx";
my $tp1=$r3;
my $tpa=$tmp;

$np="%r13";            # reassigned argument

$code.=<<___;
.text

.globl    rsaz_1024_sqr_avx2
.type    rsaz_1024_sqr_avx2,\@function,5
.align    64
rsaz_1024_sqr_avx2:        # 702 cycles, 14% faster than rsaz_1024_mul_avx2
.cfi_startproc
    lea    (%rsp), %rax
.cfi_def_cfa_register    %rax
    push    %rbx
.cfi_push    %rbx
    push    %rbp
.cfi_push    %rbp
    push    %r12
.cfi_push    %r12
    push    %r13
.cfi_push    %r13
    push    %r14
.cfi_push    %r14
    push    %r15
.cfi_push    %r15
    vzeroupper
___
$code.=<<___ if ($win64);
    lea    -0xa8(%rsp),%rsp
    vmovaps    %xmm6,-0xd8(%rax)
    vmovaps    %xmm7,-0xc8(%rax)
    vmovaps    %xmm8,-0xb8(%rax)
    vmovaps    %xmm9,-0xa8(%rax)
    vmovaps    %xmm10,-0x98(%rax)
    vmovaps    %xmm11,-0x88(%rax)
    vmovaps    %xmm12,-0x78(%rax)
    vmovaps    %xmm13,-0x68(%rax)
    vmovaps    %xmm14,-0x58(%rax)
    vmovaps    %xmm15,-0x48(%rax)
.Lsqr_1024_body:
___
$code.=<<___;
    mov    %rax,%rbp
.cfi_def_cfa_register    %rbp
    mov    %rdx, $np            # reassigned argument
    sub    \$$FrameSize, %rsp
    mov    $np, $tmp
    sub    \$-128, $rp            # size optimization
    sub    \$-128, $ap
    sub    \$-128, $np

    and    \$4095, $tmp            # see if $np crosses page
    add    \$32*10, $tmp
    shr    \$12, $tmp
    vpxor    $ACC9,$ACC9,$ACC9
    jz    .Lsqr_1024_no_n_copy

    # unaligned 256-bit load that crosses page boundary can
    # cause >2x performance degradation here, so if $np does
    # cross page boundary, copy it to stack and make sure stack
    # frame doesn't...
    sub        \$32*10,%rsp
    vmovdqu        32*0-128($np), $ACC0
    and        \$-2048, %rsp
    vmovdqu        32*1-128($np), $ACC1
    vmovdqu        32*2-128($np), $ACC2
    vmovdqu        32*3-128($np), $ACC3
    vmovdqu        32*4-128($np), $ACC4
    vmovdqu        32*5-128($np), $ACC5
    vmovdqu        32*6-128($np), $ACC6
    vmovdqu        32*7-128($np), $ACC7
    vmovdqu        32*8-128($np), $ACC8
    lea        $FrameSize+128(%rsp),$np
    vmovdqu        $ACC0, 32*0-128($np)
    vmovdqu        $ACC1, 32*1-128($np)
    vmovdqu        $ACC2, 32*2-128($np)
    vmovdqu        $ACC3, 32*3-128($np)
    vmovdqu        $ACC4, 32*4-128($np)
    vmovdqu        $ACC5, 32*5-128($np)
    vmovdqu        $ACC6, 32*6-128($np)
    vmovdqu        $ACC7, 32*7-128($np)
    vmovdqu        $ACC8, 32*8-128($np)
    vmovdqu        $ACC9, 32*9-128($np)    # $ACC9 is zero

.Lsqr_1024_no_n_copy:
    and        \$-1024, %rsp

    vmovdqu        32*1-128($ap), $ACC1
    vmovdqu        32*2-128($ap), $ACC2
    vmovdqu        32*3-128($ap), $ACC3
    vmovdqu        32*4-128($ap), $ACC4
    vmovdqu        32*5-128($ap), $ACC5
    vmovdqu        32*6-128($ap), $ACC6
    vmovdqu        32*7-128($ap), $ACC7
    vmovdqu        32*8-128($ap), $ACC8

    lea    192(%rsp), $tp0            # 64+128=192
    vmovdqu    .Land_mask(%rip), $AND_MASK
    jmp    .LOOP_GRANDE_SQR_1024

.align    32
.LOOP_GRANDE_SQR_1024:
    lea    32*18+128(%rsp), $aap        # size optimization
    lea    448(%rsp), $tp1            # 64+128+256=448

    # the squaring is performed as described in Variant B of
    # "Speeding up Big-Number Squaring", so start by calculating
    # the A*2=A+A vector
    vpaddq        $ACC1, $ACC1, $ACC1
     vpbroadcastq    32*0-128($ap), $B1
    vpaddq        $ACC2, $ACC2, $ACC2
    vmovdqa        $ACC1, 32*0-128($aap)
    vpaddq        $ACC3, $ACC3, $ACC3
    vmovdqa        $ACC2, 32*1-128($aap)
    vpaddq        $ACC4, $ACC4, $ACC4
    vmovdqa        $ACC3, 32*2-128($aap)
    vpaddq        $ACC5, $ACC5, $ACC5
    vmovdqa        $ACC4, 32*3-128($aap)
    vpaddq        $ACC6, $ACC6, $ACC6
    vmovdqa        $ACC5, 32*4-128($aap)
    vpaddq        $ACC7, $ACC7, $ACC7
    vmovdqa        $ACC6, 32*5-128($aap)
    vpaddq        $ACC8, $ACC8, $ACC8
    vmovdqa        $ACC7, 32*6-128($aap)
    vpxor        $ACC9, $ACC9, $ACC9
    vmovdqa        $ACC8, 32*7-128($aap)

    vpmuludq    32*0-128($ap), $B1, $ACC0
     vpbroadcastq    32*1-128($ap), $B2
     vmovdqu    $ACC9, 32*9-192($tp0)    # zero upper half
    vpmuludq    $B1, $ACC1, $ACC1
     vmovdqu    $ACC9, 32*10-448($tp1)
    vpmuludq    $B1, $ACC2, $ACC2
     vmovdqu    $ACC9, 32*11-448($tp1)
    vpmuludq    $B1, $ACC3, $ACC3
     vmovdqu    $ACC9, 32*12-448($tp1)
    vpmuludq    $B1, $ACC4, $ACC4
     vmovdqu    $ACC9, 32*13-448($tp1)
    vpmuludq    $B1, $ACC5, $ACC5
     vmovdqu    $ACC9, 32*14-448($tp1)
    vpmuludq    $B1, $ACC6, $ACC6
     vmovdqu    $ACC9, 32*15-448($tp1)
    vpmuludq    $B1, $ACC7, $ACC7
     vmovdqu    $ACC9, 32*16-448($tp1)
    vpmuludq    $B1, $ACC8, $ACC8
     vpbroadcastq    32*2-128($ap), $B1
     vmovdqu    $ACC9, 32*17-448($tp1)

    mov    $ap, $tpa
    mov     \$4, $i
    jmp    .Lsqr_entry_1024
___
$TEMP0=$Y1;
$TEMP2=$Y2;
$code.=<<___;
.align    32
.LOOP_SQR_1024:
     vpbroadcastq    32*1-128($tpa), $B2
    vpmuludq    32*0-128($ap), $B1, $ACC0
    vpaddq        32*0-192($tp0), $ACC0, $ACC0
    vpmuludq    32*0-128($aap), $B1, $ACC1
    vpaddq        32*1-192($tp0), $ACC1, $ACC1
    vpmuludq    32*1-128($aap), $B1, $ACC2
    vpaddq        32*2-192($tp0), $ACC2, $ACC2
    vpmuludq    32*2-128($aap), $B1, $ACC3
    vpaddq        32*3-192($tp0), $ACC3, $ACC3
    vpmuludq    32*3-128($aap), $B1, $ACC4
    vpaddq        32*4-192($tp0), $ACC4, $ACC4
    vpmuludq    32*4-128($aap), $B1, $ACC5
    vpaddq        32*5-192($tp0), $ACC5, $ACC5
    vpmuludq    32*5-128($aap), $B1, $ACC6
    vpaddq        32*6-192($tp0), $ACC6, $ACC6
    vpmuludq    32*6-128($aap), $B1, $ACC7
    vpaddq        32*7-192($tp0), $ACC7, $ACC7
    vpmuludq    32*7-128($aap), $B1, $ACC8
     vpbroadcastq    32*2-128($tpa), $B1
    vpaddq        32*8-192($tp0), $ACC8, $ACC8
.Lsqr_entry_1024:
    vmovdqu        $ACC0, 32*0-192($tp0)
    vmovdqu        $ACC1, 32*1-192($tp0)

    vpmuludq    32*1-128($ap), $B2, $TEMP0
    vpaddq        $TEMP0, $ACC2, $ACC2
    vpmuludq    32*1-128($aap), $B2, $TEMP1
    vpaddq        $TEMP1, $ACC3, $ACC3
    vpmuludq    32*2-128($aap), $B2, $TEMP2
    vpaddq        $TEMP2, $ACC4, $ACC4
    vpmuludq    32*3-128($aap), $B2, $TEMP0
    vpaddq        $TEMP0, $ACC5, $ACC5
    vpmuludq    32*4-128($aap), $B2, $TEMP1
    vpaddq        $TEMP1, $ACC6, $ACC6
    vpmuludq    32*5-128($aap), $B2, $TEMP2
    vpaddq        $TEMP2, $ACC7, $ACC7
    vpmuludq    32*6-128($aap), $B2, $TEMP0
    vpaddq        $TEMP0, $ACC8, $ACC8
    vpmuludq    32*7-128($aap), $B2, $ACC0
     vpbroadcastq    32*3-128($tpa), $B2
    vpaddq        32*9-192($tp0), $ACC0, $ACC0

    vmovdqu        $ACC2, 32*2-192($tp0)
    vmovdqu        $ACC3, 32*3-192($tp0)

    vpmuludq    32*2-128($ap), $B1, $TEMP2
    vpaddq        $TEMP2, $ACC4, $ACC4
    vpmuludq    32*2-128($aap), $B1, $TEMP0
    vpaddq        $TEMP0, $ACC5, $ACC5
    vpmuludq    32*3-128($aap), $B1, $TEMP1
    vpaddq        $TEMP1, $ACC6, $ACC6
    vpmuludq    32*4-128($aap), $B1, $TEMP2
    vpaddq        $TEMP2, $ACC7, $ACC7
    vpmuludq    32*5-128($aap), $B1, $TEMP0
    vpaddq        $TEMP0, $ACC8, $ACC8
    vpmuludq    32*6-128($aap), $B1, $TEMP1
    vpaddq        $TEMP1, $ACC0, $ACC0
    vpmuludq    32*7-128($aap), $B1, $ACC1
     vpbroadcastq    32*4-128($tpa), $B1
    vpaddq        32*10-448($tp1), $ACC1, $ACC1

    vmovdqu        $ACC4, 32*4-192($tp0)
    vmovdqu        $ACC5, 32*5-192($tp0)

    vpmuludq    32*3-128($ap), $B2, $TEMP0
    vpaddq        $TEMP0, $ACC6, $ACC6
    vpmuludq    32*3-128($aap), $B2, $TEMP1
    vpaddq        $TEMP1, $ACC7, $ACC7
    vpmuludq    32*4-128($aap), $B2, $TEMP2
    vpaddq        $TEMP2, $ACC8, $ACC8
    vpmuludq    32*5-128($aap), $B2, $TEMP0
    vpaddq        $TEMP0, $ACC0, $ACC0
    vpmuludq    32*6-128($aap), $B2, $TEMP1
    vpaddq        $TEMP1, $ACC1, $ACC1
    vpmuludq    32*7-128($aap), $B2, $ACC2
     vpbroadcastq    32*5-128($tpa), $B2
    vpaddq        32*11-448($tp1), $ACC2, $ACC2

    vmovdqu        $ACC6, 32*6-192($tp0)
    vmovdqu        $ACC7, 32*7-192($tp0)

    vpmuludq    32*4-128($ap), $B1, $TEMP0
    vpaddq        $TEMP0, $ACC8, $ACC8
    vpmuludq    32*4-128($aap), $B1, $TEMP1
    vpaddq        $TEMP1, $ACC0, $ACC0
    vpmuludq    32*5-128($aap), $B1, $TEMP2
    vpaddq        $TEMP2, $ACC1, $ACC1
    vpmuludq    32*6-128($aap), $B1, $TEMP0
    vpaddq        $TEMP0, $ACC2, $ACC2
    vpmuludq    32*7-128($aap), $B1, $ACC3
     vpbroadcastq    32*6-128($tpa), $B1
    vpaddq        32*12-448($tp1), $ACC3, $ACC3

    vmovdqu        $ACC8, 32*8-192($tp0)
    vmovdqu        $ACC0, 32*9-192($tp0)
    lea        8($tp0), $tp0

    vpmuludq    32*5-128($ap), $B2, $TEMP2
    vpaddq        $TEMP2, $ACC1, $ACC1
    vpmuludq    32*5-128($aap), $B2, $TEMP0
    vpaddq        $TEMP0, $ACC2, $ACC2
    vpmuludq    32*6-128($aap), $B2, $TEMP1
    vpaddq        $TEMP1, $ACC3, $ACC3
    vpmuludq    32*7-128($aap), $B2, $ACC4
     vpbroadcastq    32*7-128($tpa), $B2
    vpaddq        32*13-448($tp1), $ACC4, $ACC4

    vmovdqu        $ACC1, 32*10-448($tp1)
    vmovdqu        $ACC2, 32*11-448($tp1)

    vpmuludq    32*6-128($ap), $B1, $TEMP0
    vpaddq        $TEMP0, $ACC3, $ACC3
    vpmuludq    32*6-128($aap), $B1, $TEMP1
     vpbroadcastq    32*8-128($tpa), $ACC0        # borrow $ACC0 for $B1
    vpaddq        $TEMP1, $ACC4, $ACC4
    vpmuludq    32*7-128($aap), $B1, $ACC5
     vpbroadcastq    32*0+8-128($tpa), $B1        # for next iteration
    vpaddq        32*14-448($tp1), $ACC5, $ACC5

    vmovdqu        $ACC3, 32*12-448($tp1)
    vmovdqu        $ACC4, 32*13-448($tp1)
    lea        8($tpa), $tpa

    vpmuludq    32*7-128($ap), $B2, $TEMP0
    vpaddq        $TEMP0, $ACC5, $ACC5
    vpmuludq    32*7-128($aap), $B2, $ACC6
    vpaddq        32*15-448($tp1), $ACC6, $ACC6

    vpmuludq    32*8-128($ap), $ACC0, $ACC7
    vmovdqu        $ACC5, 32*14-448($tp1)
    vpaddq        32*16-448($tp1), $ACC7, $ACC7
    vmovdqu        $ACC6, 32*15-448($tp1)
    vmovdqu        $ACC7, 32*16-448($tp1)
    lea        8($tp1), $tp1

    dec    $i
    jnz    .LOOP_SQR_1024
___
$ZERO = $ACC9;
$TEMP0 = $B1;
$TEMP2 = $B2;
$TEMP3 = $Y1;
$TEMP4 = $Y2;
$code.=<<___;
    # we need to fix indices 32-39 to avoid overflow
    vmovdqu        32*8(%rsp), $ACC8        # 32*8-192($tp0),
    vmovdqu        32*9(%rsp), $ACC1        # 32*9-192($tp0)
    vmovdqu        32*10(%rsp), $ACC2        # 32*10-192($tp0)
    lea        192(%rsp), $tp0            # 64+128=192

    vpsrlq        \$29, $ACC8, $TEMP1
    vpand        $AND_MASK, $ACC8, $ACC8
    vpsrlq        \$29, $ACC1, $TEMP2
    vpand        $AND_MASK, $ACC1, $ACC1

    vpermq        \$0x93, $TEMP1, $TEMP1
    vpxor        $ZERO, $ZERO, $ZERO
    vpermq        \$0x93, $TEMP2, $TEMP2

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC8, $ACC8
    vpblendd    \$3, $TEMP2, $ZERO, $TEMP2
    vpaddq        $TEMP1, $ACC1, $ACC1
    vpaddq        $TEMP2, $ACC2, $ACC2
    vmovdqu        $ACC1, 32*9-192($tp0)
    vmovdqu        $ACC2, 32*10-192($tp0)

    mov    (%rsp), %rax
    mov    8(%rsp), $r1
    mov    16(%rsp), $r2
    mov    24(%rsp), $r3
    vmovdqu    32*1(%rsp), $ACC1
    vmovdqu    32*2-192($tp0), $ACC2
    vmovdqu    32*3-192($tp0), $ACC3
    vmovdqu    32*4-192($tp0), $ACC4
    vmovdqu    32*5-192($tp0), $ACC5
    vmovdqu    32*6-192($tp0), $ACC6
    vmovdqu    32*7-192($tp0), $ACC7

    mov    %rax, $r0
    imull    $n0, %eax
    and    \$0x1fffffff, %eax
    vmovd    %eax, $Y1

    mov    %rax, %rdx
    imulq    -128($np), %rax
     vpbroadcastq    $Y1, $Y1
    add    %rax, $r0
    mov    %rdx, %rax
    imulq    8-128($np), %rax
    shr    \$29, $r0
    add    %rax, $r1
    mov    %rdx, %rax
    imulq    16-128($np), %rax
    add    $r0, $r1
    add    %rax, $r2
    imulq    24-128($np), %rdx
    add    %rdx, $r3

    mov    $r1, %rax
    imull    $n0, %eax
    and    \$0x1fffffff, %eax

    mov \$9, $i
    jmp .LOOP_REDUCE_1024

.align    32
.LOOP_REDUCE_1024:
    vmovd    %eax, $Y2
    vpbroadcastq    $Y2, $Y2

    vpmuludq    32*1-128($np), $Y1, $TEMP0
     mov    %rax, %rdx
     imulq    -128($np), %rax
    vpaddq        $TEMP0, $ACC1, $ACC1
     add    %rax, $r1
    vpmuludq    32*2-128($np), $Y1, $TEMP1
     mov    %rdx, %rax
     imulq    8-128($np), %rax
    vpaddq        $TEMP1, $ACC2, $ACC2
    vpmuludq    32*3-128($np), $Y1, $TEMP2
     .byte    0x67
     add    %rax, $r2
     .byte    0x67
     mov    %rdx, %rax
     imulq    16-128($np), %rax
     shr    \$29, $r1
    vpaddq        $TEMP2, $ACC3, $ACC3
    vpmuludq    32*4-128($np), $Y1, $TEMP0
     add    %rax, $r3
     add    $r1, $r2
    vpaddq        $TEMP0, $ACC4, $ACC4
    vpmuludq    32*5-128($np), $Y1, $TEMP1
     mov    $r2, %rax
     imull    $n0, %eax
    vpaddq        $TEMP1, $ACC5, $ACC5
    vpmuludq    32*6-128($np), $Y1, $TEMP2
     and    \$0x1fffffff, %eax
    vpaddq        $TEMP2, $ACC6, $ACC6
    vpmuludq    32*7-128($np), $Y1, $TEMP0
    vpaddq        $TEMP0, $ACC7, $ACC7
    vpmuludq    32*8-128($np), $Y1, $TEMP1
     vmovd    %eax, $Y1
     #vmovdqu    32*1-8-128($np), $TEMP2        # moved below
    vpaddq        $TEMP1, $ACC8, $ACC8
     #vmovdqu    32*2-8-128($np), $TEMP0        # moved below
     vpbroadcastq    $Y1, $Y1

    vpmuludq    32*1-8-128($np), $Y2, $TEMP2    # see above
    vmovdqu        32*3-8-128($np), $TEMP1
     mov    %rax, %rdx
     imulq    -128($np), %rax
    vpaddq        $TEMP2, $ACC1, $ACC1
    vpmuludq    32*2-8-128($np), $Y2, $TEMP0    # see above
    vmovdqu        32*4-8-128($np), $TEMP2
     add    %rax, $r2
     mov    %rdx, %rax
     imulq    8-128($np), %rax
    vpaddq        $TEMP0, $ACC2, $ACC2
     add    $r3, %rax
     shr    \$29, $r2
    vpmuludq    $Y2, $TEMP1, $TEMP1
    vmovdqu        32*5-8-128($np), $TEMP0
     add    $r2, %rax
    vpaddq        $TEMP1, $ACC3, $ACC3
    vpmuludq    $Y2, $TEMP2, $TEMP2
    vmovdqu        32*6-8-128($np), $TEMP1
     .byte    0x67
     mov    %rax, $r3
     imull    $n0, %eax
    vpaddq        $TEMP2, $ACC4, $ACC4
    vpmuludq    $Y2, $TEMP0, $TEMP0
    .byte    0xc4,0x41,0x7e,0x6f,0x9d,0x58,0x00,0x00,0x00    # vmovdqu        32*7-8-128($np), $TEMP2
     and    \$0x1fffffff, %eax
    vpaddq        $TEMP0, $ACC5, $ACC5
    vpmuludq    $Y2, $TEMP1, $TEMP1
    vmovdqu        32*8-8-128($np), $TEMP0
    vpaddq        $TEMP1, $ACC6, $ACC6
    vpmuludq    $Y2, $TEMP2, $TEMP2
    vmovdqu        32*9-8-128($np), $ACC9
     vmovd    %eax, $ACC0            # borrow ACC0 for Y2
     imulq    -128($np), %rax
    vpaddq        $TEMP2, $ACC7, $ACC7
    vpmuludq    $Y2, $TEMP0, $TEMP0
     vmovdqu    32*1-16-128($np), $TEMP1
     vpbroadcastq    $ACC0, $ACC0
    vpaddq        $TEMP0, $ACC8, $ACC8
    vpmuludq    $Y2, $ACC9, $ACC9
     vmovdqu    32*2-16-128($np), $TEMP2
     add    %rax, $r3

___
($ACC0,$Y2)=($Y2,$ACC0);
$code.=<<___;
     vmovdqu    32*1-24-128($np), $ACC0
    vpmuludq    $Y1, $TEMP1, $TEMP1
    vmovdqu        32*3-16-128($np), $TEMP0
    vpaddq        $TEMP1, $ACC1, $ACC1
     vpmuludq    $Y2, $ACC0, $ACC0
    vpmuludq    $Y1, $TEMP2, $TEMP2
    .byte    0xc4,0x41,0x7e,0x6f,0xb5,0xf0,0xff,0xff,0xff    # vmovdqu        32*4-16-128($np), $TEMP1
     vpaddq        $ACC1, $ACC0, $ACC0
    vpaddq        $TEMP2, $ACC2, $ACC2
    vpmuludq    $Y1, $TEMP0, $TEMP0
    vmovdqu        32*5-16-128($np), $TEMP2
     .byte    0x67
     vmovq        $ACC0, %rax
     vmovdqu    $ACC0, (%rsp)        # transfer $r0-$r3
    vpaddq        $TEMP0, $ACC3, $ACC3
    vpmuludq    $Y1, $TEMP1, $TEMP1
    vmovdqu        32*6-16-128($np), $TEMP0
    vpaddq        $TEMP1, $ACC4, $ACC4
    vpmuludq    $Y1, $TEMP2, $TEMP2
    vmovdqu        32*7-16-128($np), $TEMP1
    vpaddq        $TEMP2, $ACC5, $ACC5
    vpmuludq    $Y1, $TEMP0, $TEMP0
    vmovdqu        32*8-16-128($np), $TEMP2
    vpaddq        $TEMP0, $ACC6, $ACC6
    vpmuludq    $Y1, $TEMP1, $TEMP1
     shr    \$29, $r3
    vmovdqu        32*9-16-128($np), $TEMP0
     add    $r3, %rax
    vpaddq        $TEMP1, $ACC7, $ACC7
    vpmuludq    $Y1, $TEMP2, $TEMP2
     #vmovdqu    32*2-24-128($np), $TEMP1    # moved below
     mov    %rax, $r0
     imull    $n0, %eax
    vpaddq        $TEMP2, $ACC8, $ACC8
    vpmuludq    $Y1, $TEMP0, $TEMP0
     and    \$0x1fffffff, %eax
     vmovd    %eax, $Y1
     vmovdqu    32*3-24-128($np), $TEMP2
    .byte    0x67
    vpaddq        $TEMP0, $ACC9, $ACC9
     vpbroadcastq    $Y1, $Y1

    vpmuludq    32*2-24-128($np), $Y2, $TEMP1    # see above
    vmovdqu        32*4-24-128($np), $TEMP0
     mov    %rax, %rdx
     imulq    -128($np), %rax
     mov    8(%rsp), $r1
    vpaddq        $TEMP1, $ACC2, $ACC1
    vpmuludq    $Y2, $TEMP2, $TEMP2
    vmovdqu        32*5-24-128($np), $TEMP1
     add    %rax, $r0
     mov    %rdx, %rax
     imulq    8-128($np), %rax
     .byte    0x67
     shr    \$29, $r0
     mov    16(%rsp), $r2
    vpaddq        $TEMP2, $ACC3, $ACC2
    vpmuludq    $Y2, $TEMP0, $TEMP0
    vmovdqu        32*6-24-128($np), $TEMP2
     add    %rax, $r1
     mov    %rdx, %rax
     imulq    16-128($np), %rax
    vpaddq        $TEMP0, $ACC4, $ACC3
    vpmuludq    $Y2, $TEMP1, $TEMP1
    vmovdqu        32*7-24-128($np), $TEMP0
     imulq    24-128($np), %rdx        # future $r3
     add    %rax, $r2
     lea    ($r0,$r1), %rax
    vpaddq        $TEMP1, $ACC5, $ACC4
    vpmuludq    $Y2, $TEMP2, $TEMP2
    vmovdqu        32*8-24-128($np), $TEMP1
     mov    %rax, $r1
     imull    $n0, %eax
    vpmuludq    $Y2, $TEMP0, $TEMP0
    vpaddq        $TEMP2, $ACC6, $ACC5
    vmovdqu        32*9-24-128($np), $TEMP2
     and    \$0x1fffffff, %eax
    vpaddq        $TEMP0, $ACC7, $ACC6
    vpmuludq    $Y2, $TEMP1, $TEMP1
     add    24(%rsp), %rdx
    vpaddq        $TEMP1, $ACC8, $ACC7
    vpmuludq    $Y2, $TEMP2, $TEMP2
    vpaddq        $TEMP2, $ACC9, $ACC8
     vmovq    $r3, $ACC9
     mov    %rdx, $r3

    dec    $i
    jnz    .LOOP_REDUCE_1024
___
($ACC0,$Y2)=($Y2,$ACC0);
$code.=<<___;
    lea    448(%rsp), $tp1            # size optimization
    vpaddq    $ACC9, $Y2, $ACC0
    vpxor    $ZERO, $ZERO, $ZERO

    vpaddq        32*9-192($tp0), $ACC0, $ACC0
    vpaddq        32*10-448($tp1), $ACC1, $ACC1
    vpaddq        32*11-448($tp1), $ACC2, $ACC2
    vpaddq        32*12-448($tp1), $ACC3, $ACC3
    vpaddq        32*13-448($tp1), $ACC4, $ACC4
    vpaddq        32*14-448($tp1), $ACC5, $ACC5
    vpaddq        32*15-448($tp1), $ACC6, $ACC6
    vpaddq        32*16-448($tp1), $ACC7, $ACC7
    vpaddq        32*17-448($tp1), $ACC8, $ACC8

    vpsrlq        \$29, $ACC0, $TEMP1
    vpand        $AND_MASK, $ACC0, $ACC0
    vpsrlq        \$29, $ACC1, $TEMP2
    vpand        $AND_MASK, $ACC1, $ACC1
    vpsrlq        \$29, $ACC2, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC2, $ACC2
    vpsrlq        \$29, $ACC3, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC3, $ACC3
    vpermq        \$0x93, $TEMP3, $TEMP3

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP4, $TEMP4
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC0, $ACC0
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC1, $ACC1
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC2, $ACC2
    vpblendd    \$3, $TEMP4, $ZERO, $TEMP4
    vpaddq        $TEMP3, $ACC3, $ACC3
    vpaddq        $TEMP4, $ACC4, $ACC4

    vpsrlq        \$29, $ACC0, $TEMP1
    vpand        $AND_MASK, $ACC0, $ACC0
    vpsrlq        \$29, $ACC1, $TEMP2
    vpand        $AND_MASK, $ACC1, $ACC1
    vpsrlq        \$29, $ACC2, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC2, $ACC2
    vpsrlq        \$29, $ACC3, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC3, $ACC3
    vpermq        \$0x93, $TEMP3, $TEMP3

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP4, $TEMP4
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC0, $ACC0
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC1, $ACC1
    vmovdqu        $ACC0, 32*0-128($rp)
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC2, $ACC2
    vmovdqu        $ACC1, 32*1-128($rp)
    vpblendd    \$3, $TEMP4, $ZERO, $TEMP4
    vpaddq        $TEMP3, $ACC3, $ACC3
    vmovdqu        $ACC2, 32*2-128($rp)
    vpaddq        $TEMP4, $ACC4, $ACC4
    vmovdqu        $ACC3, 32*3-128($rp)
___
$TEMP5=$ACC0;
$code.=<<___;
    vpsrlq        \$29, $ACC4, $TEMP1
    vpand        $AND_MASK, $ACC4, $ACC4
    vpsrlq        \$29, $ACC5, $TEMP2
    vpand        $AND_MASK, $ACC5, $ACC5
    vpsrlq        \$29, $ACC6, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC6, $ACC6
    vpsrlq        \$29, $ACC7, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC7, $ACC7
    vpsrlq        \$29, $ACC8, $TEMP5
    vpermq        \$0x93, $TEMP3, $TEMP3
    vpand        $AND_MASK, $ACC8, $ACC8
    vpermq        \$0x93, $TEMP4, $TEMP4

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP5, $TEMP5
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC4, $ACC4
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC5, $ACC5
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC6, $ACC6
    vpblendd    \$3, $TEMP4, $TEMP5, $TEMP4
    vpaddq        $TEMP3, $ACC7, $ACC7
    vpaddq        $TEMP4, $ACC8, $ACC8

    vpsrlq        \$29, $ACC4, $TEMP1
    vpand        $AND_MASK, $ACC4, $ACC4
    vpsrlq        \$29, $ACC5, $TEMP2
    vpand        $AND_MASK, $ACC5, $ACC5
    vpsrlq        \$29, $ACC6, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC6, $ACC6
    vpsrlq        \$29, $ACC7, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC7, $ACC7
    vpsrlq        \$29, $ACC8, $TEMP5
    vpermq        \$0x93, $TEMP3, $TEMP3
    vpand        $AND_MASK, $ACC8, $ACC8
    vpermq        \$0x93, $TEMP4, $TEMP4

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP5, $TEMP5
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC4, $ACC4
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC5, $ACC5
    vmovdqu        $ACC4, 32*4-128($rp)
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC6, $ACC6
    vmovdqu        $ACC5, 32*5-128($rp)
    vpblendd    \$3, $TEMP4, $TEMP5, $TEMP4
    vpaddq        $TEMP3, $ACC7, $ACC7
    vmovdqu        $ACC6, 32*6-128($rp)
    vpaddq        $TEMP4, $ACC8, $ACC8
    vmovdqu        $ACC7, 32*7-128($rp)
    vmovdqu        $ACC8, 32*8-128($rp)

    mov    $rp, $ap
    dec    $rep
    jne    .LOOP_GRANDE_SQR_1024

    vzeroall
    mov    %rbp, %rax
.cfi_def_cfa_register    %rax
___
$code.=<<___ if ($win64);
.Lsqr_1024_in_tail:
    movaps    -0xd8(%rax),%xmm6
    movaps    -0xc8(%rax),%xmm7
    movaps    -0xb8(%rax),%xmm8
    movaps    -0xa8(%rax),%xmm9
    movaps    -0x98(%rax),%xmm10
    movaps    -0x88(%rax),%xmm11
    movaps    -0x78(%rax),%xmm12
    movaps    -0x68(%rax),%xmm13
    movaps    -0x58(%rax),%xmm14
    movaps    -0x48(%rax),%xmm15
___
$code.=<<___;
    mov    -48(%rax),%r15
.cfi_restore    %r15
    mov    -40(%rax),%r14
.cfi_restore    %r14
    mov    -32(%rax),%r13
.cfi_restore    %r13
    mov    -24(%rax),%r12
.cfi_restore    %r12
    mov    -16(%rax),%rbp
.cfi_restore    %rbp
    mov    -8(%rax),%rbx
.cfi_restore    %rbx
    lea    (%rax),%rsp        # restore %rsp
.cfi_def_cfa_register    %rsp
.Lsqr_1024_epilogue:
    ret
.cfi_endproc
.size    rsaz_1024_sqr_avx2,.-rsaz_1024_sqr_avx2
___
}

{ # void AMM_WW(
my $rp="%rdi";    # BN_ULONG *rp,
my $ap="%rsi";    # const BN_ULONG *ap,
my $bp="%rdx";    # const BN_ULONG *bp,
my $np="%rcx";    # const BN_ULONG *np,
my $n0="%r8d";    # unsigned int n0);

# The registers that hold the accumulated redundant result
# The AMM works on 1024 bit operands, and redundant word size is 29
# Therefore: ceil(1024/29)/4 = 9
my $ACC0="%ymm0";
my $ACC1="%ymm1";
my $ACC2="%ymm2";
my $ACC3="%ymm3";
my $ACC4="%ymm4";
my $ACC5="%ymm5";
my $ACC6="%ymm6";
my $ACC7="%ymm7";
my $ACC8="%ymm8";
my $ACC9="%ymm9";

# Registers that hold the broadcasted words of multiplier, currently used
my $Bi="%ymm10";
my $Yi="%ymm11";

# Helper registers
my $TEMP0=$ACC0;
my $TEMP1="%ymm12";
my $TEMP2="%ymm13";
my $ZERO="%ymm14";
my $AND_MASK="%ymm15";

# alu registers that hold the first words of the ACC
my $r0="%r9";
my $r1="%r10";
my $r2="%r11";
my $r3="%r12";

my $i="%r14d";
my $tmp="%r15";

$bp="%r13";    # reassigned argument

$code.=<<___;
.globl    rsaz_1024_mul_avx2
.type    rsaz_1024_mul_avx2,\@function,5
.align    64
rsaz_1024_mul_avx2:
.cfi_startproc
    lea    (%rsp), %rax
.cfi_def_cfa_register    %rax
    push    %rbx
.cfi_push    %rbx
    push    %rbp
.cfi_push    %rbp
    push    %r12
.cfi_push    %r12
    push    %r13
.cfi_push    %r13
    push    %r14
.cfi_push    %r14
    push    %r15
.cfi_push    %r15
___
$code.=<<___ if ($win64);
    vzeroupper
    lea    -0xa8(%rsp),%rsp
    vmovaps    %xmm6,-0xd8(%rax)
    vmovaps    %xmm7,-0xc8(%rax)
    vmovaps    %xmm8,-0xb8(%rax)
    vmovaps    %xmm9,-0xa8(%rax)
    vmovaps    %xmm10,-0x98(%rax)
    vmovaps    %xmm11,-0x88(%rax)
    vmovaps    %xmm12,-0x78(%rax)
    vmovaps    %xmm13,-0x68(%rax)
    vmovaps    %xmm14,-0x58(%rax)
    vmovaps    %xmm15,-0x48(%rax)
.Lmul_1024_body:
___
$code.=<<___;
    mov    %rax,%rbp
.cfi_def_cfa_register    %rbp
    vzeroall
    mov    %rdx, $bp    # reassigned argument
    sub    \$64,%rsp

    # unaligned 256-bit load that crosses page boundary can
    # cause severe performance degradation here, so if $ap does
    # cross page boundary, swap it with $bp [meaning that caller
    # is advised to lay down $ap and $bp next to each other, so
    # that only one can cross page boundary].
    .byte    0x67,0x67
    mov    $ap, $tmp
    and    \$4095, $tmp
    add    \$32*10, $tmp
    shr    \$12, $tmp
    mov    $ap, $tmp
    cmovnz    $bp, $ap
    cmovnz    $tmp, $bp

    mov    $np, $tmp
    sub    \$-128,$ap    # size optimization
    sub    \$-128,$np
    sub    \$-128,$rp

    and    \$4095, $tmp    # see if $np crosses page
    add    \$32*10, $tmp
    .byte    0x67,0x67
    shr    \$12, $tmp
    jz    .Lmul_1024_no_n_copy

    # unaligned 256-bit load that crosses page boundary can
    # cause severe performance degradation here, so if $np does
    # cross page boundary, copy it to stack and make sure stack
    # frame doesn't...
    sub        \$32*10,%rsp
    vmovdqu        32*0-128($np), $ACC0
    and        \$-512, %rsp
    vmovdqu        32*1-128($np), $ACC1
    vmovdqu        32*2-128($np), $ACC2
    vmovdqu        32*3-128($np), $ACC3
    vmovdqu        32*4-128($np), $ACC4
    vmovdqu        32*5-128($np), $ACC5
    vmovdqu        32*6-128($np), $ACC6
    vmovdqu        32*7-128($np), $ACC7
    vmovdqu        32*8-128($np), $ACC8
    lea        64+128(%rsp),$np
    vmovdqu        $ACC0, 32*0-128($np)
    vpxor        $ACC0, $ACC0, $ACC0
    vmovdqu        $ACC1, 32*1-128($np)
    vpxor        $ACC1, $ACC1, $ACC1
    vmovdqu        $ACC2, 32*2-128($np)
    vpxor        $ACC2, $ACC2, $ACC2
    vmovdqu        $ACC3, 32*3-128($np)
    vpxor        $ACC3, $ACC3, $ACC3
    vmovdqu        $ACC4, 32*4-128($np)
    vpxor        $ACC4, $ACC4, $ACC4
    vmovdqu        $ACC5, 32*5-128($np)
    vpxor        $ACC5, $ACC5, $ACC5
    vmovdqu        $ACC6, 32*6-128($np)
    vpxor        $ACC6, $ACC6, $ACC6
    vmovdqu        $ACC7, 32*7-128($np)
    vpxor        $ACC7, $ACC7, $ACC7
    vmovdqu        $ACC8, 32*8-128($np)
    vmovdqa        $ACC0, $ACC8
    vmovdqu        $ACC9, 32*9-128($np)    # $ACC9 is zero after vzeroall
.Lmul_1024_no_n_copy:
    and    \$-64,%rsp

    mov    ($bp), %rbx
    vpbroadcastq ($bp), $Bi
    vmovdqu    $ACC0, (%rsp)            # clear top of stack
    xor    $r0, $r0
    .byte    0x67
    xor    $r1, $r1
    xor    $r2, $r2
    xor    $r3, $r3

    vmovdqu    .Land_mask(%rip), $AND_MASK
    mov    \$9, $i
    vmovdqu    $ACC9, 32*9-128($rp)        # $ACC9 is zero after vzeroall
    jmp    .Loop_mul_1024

.align    32
.Loop_mul_1024:
     vpsrlq        \$29, $ACC3, $ACC9        # correct $ACC3(*)
    mov    %rbx, %rax
    imulq    -128($ap), %rax
    add    $r0, %rax
    mov    %rbx, $r1
    imulq    8-128($ap), $r1
    add    8(%rsp), $r1

    mov    %rax, $r0
    imull    $n0, %eax
    and    \$0x1fffffff, %eax

     mov    %rbx, $r2
     imulq    16-128($ap), $r2
     add    16(%rsp), $r2

     mov    %rbx, $r3
     imulq    24-128($ap), $r3
     add    24(%rsp), $r3
    vpmuludq    32*1-128($ap),$Bi,$TEMP0
     vmovd        %eax, $Yi
    vpaddq        $TEMP0,$ACC1,$ACC1
    vpmuludq    32*2-128($ap),$Bi,$TEMP1
     vpbroadcastq    $Yi, $Yi
    vpaddq        $TEMP1,$ACC2,$ACC2
    vpmuludq    32*3-128($ap),$Bi,$TEMP2
     vpand        $AND_MASK, $ACC3, $ACC3        # correct $ACC3
    vpaddq        $TEMP2,$ACC3,$ACC3
    vpmuludq    32*4-128($ap),$Bi,$TEMP0
    vpaddq        $TEMP0,$ACC4,$ACC4
    vpmuludq    32*5-128($ap),$Bi,$TEMP1
    vpaddq        $TEMP1,$ACC5,$ACC5
    vpmuludq    32*6-128($ap),$Bi,$TEMP2
    vpaddq        $TEMP2,$ACC6,$ACC6
    vpmuludq    32*7-128($ap),$Bi,$TEMP0
     vpermq        \$0x93, $ACC9, $ACC9        # correct $ACC3
    vpaddq        $TEMP0,$ACC7,$ACC7
    vpmuludq    32*8-128($ap),$Bi,$TEMP1
     vpbroadcastq    8($bp), $Bi
    vpaddq        $TEMP1,$ACC8,$ACC8

    mov    %rax,%rdx
    imulq    -128($np),%rax
    add    %rax,$r0
    mov    %rdx,%rax
    imulq    8-128($np),%rax
    add    %rax,$r1
    mov    %rdx,%rax
    imulq    16-128($np),%rax
    add    %rax,$r2
    shr    \$29, $r0
    imulq    24-128($np),%rdx
    add    %rdx,$r3
    add    $r0, $r1

    vpmuludq    32*1-128($np),$Yi,$TEMP2
     vmovq        $Bi, %rbx
    vpaddq        $TEMP2,$ACC1,$ACC1
    vpmuludq    32*2-128($np),$Yi,$TEMP0
    vpaddq        $TEMP0,$ACC2,$ACC2
    vpmuludq    32*3-128($np),$Yi,$TEMP1
    vpaddq        $TEMP1,$ACC3,$ACC3
    vpmuludq    32*4-128($np),$Yi,$TEMP2
    vpaddq        $TEMP2,$ACC4,$ACC4
    vpmuludq    32*5-128($np),$Yi,$TEMP0
    vpaddq        $TEMP0,$ACC5,$ACC5
    vpmuludq    32*6-128($np),$Yi,$TEMP1
    vpaddq        $TEMP1,$ACC6,$ACC6
    vpmuludq    32*7-128($np),$Yi,$TEMP2
     vpblendd    \$3, $ZERO, $ACC9, $TEMP1    # correct $ACC3
    vpaddq        $TEMP2,$ACC7,$ACC7
    vpmuludq    32*8-128($np),$Yi,$TEMP0
     vpaddq        $TEMP1, $ACC3, $ACC3        # correct $ACC3
    vpaddq        $TEMP0,$ACC8,$ACC8

    mov    %rbx, %rax
    imulq    -128($ap),%rax
    add    %rax,$r1
     vmovdqu    -8+32*1-128($ap),$TEMP1
    mov    %rbx, %rax
    imulq    8-128($ap),%rax
    add    %rax,$r2
     vmovdqu    -8+32*2-128($ap),$TEMP2

    mov    $r1, %rax
     vpblendd    \$0xfc, $ZERO, $ACC9, $ACC9    # correct $ACC3
    imull    $n0, %eax
     vpaddq        $ACC9,$ACC4,$ACC4        # correct $ACC3
    and    \$0x1fffffff, %eax

     imulq    16-128($ap),%rbx
     add    %rbx,$r3
    vpmuludq    $Bi,$TEMP1,$TEMP1
     vmovd        %eax, $Yi
    vmovdqu        -8+32*3-128($ap),$TEMP0
    vpaddq        $TEMP1,$ACC1,$ACC1
    vpmuludq    $Bi,$TEMP2,$TEMP2
     vpbroadcastq    $Yi, $Yi
    vmovdqu        -8+32*4-128($ap),$TEMP1
    vpaddq        $TEMP2,$ACC2,$ACC2
    vpmuludq    $Bi,$TEMP0,$TEMP0
    vmovdqu        -8+32*5-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC3,$ACC3
    vpmuludq    $Bi,$TEMP1,$TEMP1
    vmovdqu        -8+32*6-128($ap),$TEMP0
    vpaddq        $TEMP1,$ACC4,$ACC4
    vpmuludq    $Bi,$TEMP2,$TEMP2
    vmovdqu        -8+32*7-128($ap),$TEMP1
    vpaddq        $TEMP2,$ACC5,$ACC5
    vpmuludq    $Bi,$TEMP0,$TEMP0
    vmovdqu        -8+32*8-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC6,$ACC6
    vpmuludq    $Bi,$TEMP1,$TEMP1
    vmovdqu        -8+32*9-128($ap),$ACC9
    vpaddq        $TEMP1,$ACC7,$ACC7
    vpmuludq    $Bi,$TEMP2,$TEMP2
    vpaddq        $TEMP2,$ACC8,$ACC8
    vpmuludq    $Bi,$ACC9,$ACC9
     vpbroadcastq    16($bp), $Bi

    mov    %rax,%rdx
    imulq    -128($np),%rax
    add    %rax,$r1
     vmovdqu    -8+32*1-128($np),$TEMP0
    mov    %rdx,%rax
    imulq    8-128($np),%rax
    add    %rax,$r2
     vmovdqu    -8+32*2-128($np),$TEMP1
    shr    \$29, $r1
    imulq    16-128($np),%rdx
    add    %rdx,$r3
    add    $r1, $r2

    vpmuludq    $Yi,$TEMP0,$TEMP0
     vmovq        $Bi, %rbx
    vmovdqu        -8+32*3-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC1,$ACC1
    vpmuludq    $Yi,$TEMP1,$TEMP1
    vmovdqu        -8+32*4-128($np),$TEMP0
    vpaddq        $TEMP1,$ACC2,$ACC2
    vpmuludq    $Yi,$TEMP2,$TEMP2
    vmovdqu        -8+32*5-128($np),$TEMP1
    vpaddq        $TEMP2,$ACC3,$ACC3
    vpmuludq    $Yi,$TEMP0,$TEMP0
    vmovdqu        -8+32*6-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC4,$ACC4
    vpmuludq    $Yi,$TEMP1,$TEMP1
    vmovdqu        -8+32*7-128($np),$TEMP0
    vpaddq        $TEMP1,$ACC5,$ACC5
    vpmuludq    $Yi,$TEMP2,$TEMP2
    vmovdqu        -8+32*8-128($np),$TEMP1
    vpaddq        $TEMP2,$ACC6,$ACC6
    vpmuludq    $Yi,$TEMP0,$TEMP0
    vmovdqu        -8+32*9-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC7,$ACC7
    vpmuludq    $Yi,$TEMP1,$TEMP1
    vpaddq        $TEMP1,$ACC8,$ACC8
    vpmuludq    $Yi,$TEMP2,$TEMP2
    vpaddq        $TEMP2,$ACC9,$ACC9

     vmovdqu    -16+32*1-128($ap),$TEMP0
    mov    %rbx,%rax
    imulq    -128($ap),%rax
    add    $r2,%rax

     vmovdqu    -16+32*2-128($ap),$TEMP1
    mov    %rax,$r2
    imull    $n0, %eax
    and    \$0x1fffffff, %eax

     imulq    8-128($ap),%rbx
     add    %rbx,$r3
    vpmuludq    $Bi,$TEMP0,$TEMP0
     vmovd        %eax, $Yi
    vmovdqu        -16+32*3-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC1,$ACC1
    vpmuludq    $Bi,$TEMP1,$TEMP1
     vpbroadcastq    $Yi, $Yi
    vmovdqu        -16+32*4-128($ap),$TEMP0
    vpaddq        $TEMP1,$ACC2,$ACC2
    vpmuludq    $Bi,$TEMP2,$TEMP2
    vmovdqu        -16+32*5-128($ap),$TEMP1
    vpaddq        $TEMP2,$ACC3,$ACC3
    vpmuludq    $Bi,$TEMP0,$TEMP0
    vmovdqu        -16+32*6-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC4,$ACC4
    vpmuludq    $Bi,$TEMP1,$TEMP1
    vmovdqu        -16+32*7-128($ap),$TEMP0
    vpaddq        $TEMP1,$ACC5,$ACC5
    vpmuludq    $Bi,$TEMP2,$TEMP2
    vmovdqu        -16+32*8-128($ap),$TEMP1
    vpaddq        $TEMP2,$ACC6,$ACC6
    vpmuludq    $Bi,$TEMP0,$TEMP0
    vmovdqu        -16+32*9-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC7,$ACC7
    vpmuludq    $Bi,$TEMP1,$TEMP1
    vpaddq        $TEMP1,$ACC8,$ACC8
    vpmuludq    $Bi,$TEMP2,$TEMP2
     vpbroadcastq    24($bp), $Bi
    vpaddq        $TEMP2,$ACC9,$ACC9

     vmovdqu    -16+32*1-128($np),$TEMP0
    mov    %rax,%rdx
    imulq    -128($np),%rax
    add    %rax,$r2
     vmovdqu    -16+32*2-128($np),$TEMP1
    imulq    8-128($np),%rdx
    add    %rdx,$r3
    shr    \$29, $r2

    vpmuludq    $Yi,$TEMP0,$TEMP0
     vmovq        $Bi, %rbx
    vmovdqu        -16+32*3-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC1,$ACC1
    vpmuludq    $Yi,$TEMP1,$TEMP1
    vmovdqu        -16+32*4-128($np),$TEMP0
    vpaddq        $TEMP1,$ACC2,$ACC2
    vpmuludq    $Yi,$TEMP2,$TEMP2
    vmovdqu        -16+32*5-128($np),$TEMP1
    vpaddq        $TEMP2,$ACC3,$ACC3
    vpmuludq    $Yi,$TEMP0,$TEMP0
    vmovdqu        -16+32*6-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC4,$ACC4
    vpmuludq    $Yi,$TEMP1,$TEMP1
    vmovdqu        -16+32*7-128($np),$TEMP0
    vpaddq        $TEMP1,$ACC5,$ACC5
    vpmuludq    $Yi,$TEMP2,$TEMP2
    vmovdqu        -16+32*8-128($np),$TEMP1
    vpaddq        $TEMP2,$ACC6,$ACC6
    vpmuludq    $Yi,$TEMP0,$TEMP0
    vmovdqu        -16+32*9-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC7,$ACC7
    vpmuludq    $Yi,$TEMP1,$TEMP1
     vmovdqu    -24+32*1-128($ap),$TEMP0
    vpaddq        $TEMP1,$ACC8,$ACC8
    vpmuludq    $Yi,$TEMP2,$TEMP2
     vmovdqu    -24+32*2-128($ap),$TEMP1
    vpaddq        $TEMP2,$ACC9,$ACC9

    add    $r2, $r3
    imulq    -128($ap),%rbx
    add    %rbx,$r3

    mov    $r3, %rax
    imull    $n0, %eax
    and    \$0x1fffffff, %eax

    vpmuludq    $Bi,$TEMP0,$TEMP0
     vmovd        %eax, $Yi
    vmovdqu        -24+32*3-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC1,$ACC1
    vpmuludq    $Bi,$TEMP1,$TEMP1
     vpbroadcastq    $Yi, $Yi
    vmovdqu        -24+32*4-128($ap),$TEMP0
    vpaddq        $TEMP1,$ACC2,$ACC2
    vpmuludq    $Bi,$TEMP2,$TEMP2
    vmovdqu        -24+32*5-128($ap),$TEMP1
    vpaddq        $TEMP2,$ACC3,$ACC3
    vpmuludq    $Bi,$TEMP0,$TEMP0
    vmovdqu        -24+32*6-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC4,$ACC4
    vpmuludq    $Bi,$TEMP1,$TEMP1
    vmovdqu        -24+32*7-128($ap),$TEMP0
    vpaddq        $TEMP1,$ACC5,$ACC5
    vpmuludq    $Bi,$TEMP2,$TEMP2
    vmovdqu        -24+32*8-128($ap),$TEMP1
    vpaddq        $TEMP2,$ACC6,$ACC6
    vpmuludq    $Bi,$TEMP0,$TEMP0
    vmovdqu        -24+32*9-128($ap),$TEMP2
    vpaddq        $TEMP0,$ACC7,$ACC7
    vpmuludq    $Bi,$TEMP1,$TEMP1
    vpaddq        $TEMP1,$ACC8,$ACC8
    vpmuludq    $Bi,$TEMP2,$TEMP2
     vpbroadcastq    32($bp), $Bi
    vpaddq        $TEMP2,$ACC9,$ACC9
     add        \$32, $bp            # $bp++

    vmovdqu        -24+32*1-128($np),$TEMP0
    imulq    -128($np),%rax
    add    %rax,$r3
    shr    \$29, $r3

    vmovdqu        -24+32*2-128($np),$TEMP1
    vpmuludq    $Yi,$TEMP0,$TEMP0
     vmovq        $Bi, %rbx
    vmovdqu        -24+32*3-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC1,$ACC0        # $ACC0==$TEMP0
    vpmuludq    $Yi,$TEMP1,$TEMP1
     vmovdqu    $ACC0, (%rsp)            # transfer $r0-$r3
    vpaddq        $TEMP1,$ACC2,$ACC1
    vmovdqu        -24+32*4-128($np),$TEMP0
    vpmuludq    $Yi,$TEMP2,$TEMP2
    vmovdqu        -24+32*5-128($np),$TEMP1
    vpaddq        $TEMP2,$ACC3,$ACC2
    vpmuludq    $Yi,$TEMP0,$TEMP0
    vmovdqu        -24+32*6-128($np),$TEMP2
    vpaddq        $TEMP0,$ACC4,$ACC3
    vpmuludq    $Yi,$TEMP1,$TEMP1
    vmovdqu        -24+32*7-128($np),$TEMP0
    vpaddq        $TEMP1,$ACC5,$ACC4
    vpmuludq    $Yi,$TEMP2,$TEMP2
    vmovdqu        -24+32*8-128($np),$TEMP1
    vpaddq        $TEMP2,$ACC6,$ACC5
    vpmuludq    $Yi,$TEMP0,$TEMP0
    vmovdqu        -24+32*9-128($np),$TEMP2
     mov    $r3, $r0
    vpaddq        $TEMP0,$ACC7,$ACC6
    vpmuludq    $Yi,$TEMP1,$TEMP1
     add    (%rsp), $r0
    vpaddq        $TEMP1,$ACC8,$ACC7
    vpmuludq    $Yi,$TEMP2,$TEMP2
     vmovq    $r3, $TEMP1
    vpaddq        $TEMP2,$ACC9,$ACC8

    dec    $i
    jnz    .Loop_mul_1024
___

# (*)    Original implementation was correcting ACC1-ACC3 for overflow
#    after 7 loop runs, or after 28 iterations, or 56 additions.
#    But as we underutilize resources, it's possible to correct in
#    each iteration with marginal performance loss. But then, as
#    we do it in each iteration, we can correct less digits, and
#    avoid performance penalties completely.

$TEMP0 = $ACC9;
$TEMP3 = $Bi;
$TEMP4 = $Yi;
$code.=<<___;
    vpaddq        (%rsp), $TEMP1, $ACC0

    vpsrlq        \$29, $ACC0, $TEMP1
    vpand        $AND_MASK, $ACC0, $ACC0
    vpsrlq        \$29, $ACC1, $TEMP2
    vpand        $AND_MASK, $ACC1, $ACC1
    vpsrlq        \$29, $ACC2, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC2, $ACC2
    vpsrlq        \$29, $ACC3, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC3, $ACC3

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP3, $TEMP3
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpermq        \$0x93, $TEMP4, $TEMP4
    vpaddq        $TEMP0, $ACC0, $ACC0
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC1, $ACC1
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC2, $ACC2
    vpblendd    \$3, $TEMP4, $ZERO, $TEMP4
    vpaddq        $TEMP3, $ACC3, $ACC3
    vpaddq        $TEMP4, $ACC4, $ACC4

    vpsrlq        \$29, $ACC0, $TEMP1
    vpand        $AND_MASK, $ACC0, $ACC0
    vpsrlq        \$29, $ACC1, $TEMP2
    vpand        $AND_MASK, $ACC1, $ACC1
    vpsrlq        \$29, $ACC2, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC2, $ACC2
    vpsrlq        \$29, $ACC3, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC3, $ACC3
    vpermq        \$0x93, $TEMP3, $TEMP3

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP4, $TEMP4
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC0, $ACC0
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC1, $ACC1
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC2, $ACC2
    vpblendd    \$3, $TEMP4, $ZERO, $TEMP4
    vpaddq        $TEMP3, $ACC3, $ACC3
    vpaddq        $TEMP4, $ACC4, $ACC4

    vmovdqu        $ACC0, 0-128($rp)
    vmovdqu        $ACC1, 32-128($rp)
    vmovdqu        $ACC2, 64-128($rp)
    vmovdqu        $ACC3, 96-128($rp)
___

$TEMP5=$ACC0;
$code.=<<___;
    vpsrlq        \$29, $ACC4, $TEMP1
    vpand        $AND_MASK, $ACC4, $ACC4
    vpsrlq        \$29, $ACC5, $TEMP2
    vpand        $AND_MASK, $ACC5, $ACC5
    vpsrlq        \$29, $ACC6, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC6, $ACC6
    vpsrlq        \$29, $ACC7, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC7, $ACC7
    vpsrlq        \$29, $ACC8, $TEMP5
    vpermq        \$0x93, $TEMP3, $TEMP3
    vpand        $AND_MASK, $ACC8, $ACC8
    vpermq        \$0x93, $TEMP4, $TEMP4

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP5, $TEMP5
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC4, $ACC4
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC5, $ACC5
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC6, $ACC6
    vpblendd    \$3, $TEMP4, $TEMP5, $TEMP4
    vpaddq        $TEMP3, $ACC7, $ACC7
    vpaddq        $TEMP4, $ACC8, $ACC8

    vpsrlq        \$29, $ACC4, $TEMP1
    vpand        $AND_MASK, $ACC4, $ACC4
    vpsrlq        \$29, $ACC5, $TEMP2
    vpand        $AND_MASK, $ACC5, $ACC5
    vpsrlq        \$29, $ACC6, $TEMP3
    vpermq        \$0x93, $TEMP1, $TEMP1
    vpand        $AND_MASK, $ACC6, $ACC6
    vpsrlq        \$29, $ACC7, $TEMP4
    vpermq        \$0x93, $TEMP2, $TEMP2
    vpand        $AND_MASK, $ACC7, $ACC7
    vpsrlq        \$29, $ACC8, $TEMP5
    vpermq        \$0x93, $TEMP3, $TEMP3
    vpand        $AND_MASK, $ACC8, $ACC8
    vpermq        \$0x93, $TEMP4, $TEMP4

    vpblendd    \$3, $ZERO, $TEMP1, $TEMP0
    vpermq        \$0x93, $TEMP5, $TEMP5
    vpblendd    \$3, $TEMP1, $TEMP2, $TEMP1
    vpaddq        $TEMP0, $ACC4, $ACC4
    vpblendd    \$3, $TEMP2, $TEMP3, $TEMP2
    vpaddq        $TEMP1, $ACC5, $ACC5
    vpblendd    \$3, $TEMP3, $TEMP4, $TEMP3
    vpaddq        $TEMP2, $ACC6, $ACC6
    vpblendd    \$3, $TEMP4, $TEMP5, $TEMP4
    vpaddq        $TEMP3, $ACC7, $ACC7
    vpaddq        $TEMP4, $ACC8, $ACC8

    vmovdqu        $ACC4, 128-128($rp)
    vmovdqu        $ACC5, 160-128($rp)
    vmovdqu        $ACC6, 192-128($rp)
    vmovdqu        $ACC7, 224-128($rp)
    vmovdqu        $ACC8, 256-128($rp)
    vzeroupper

    mov    %rbp, %rax
.cfi_def_cfa_register    %rax
___
$code.=<<___ if ($win64);
.Lmul_1024_in_tail:
    movaps    -0xd8(%rax),%xmm6
    movaps    -0xc8(%rax),%xmm7
    movaps    -0xb8(%rax),%xmm8
    movaps    -0xa8(%rax),%xmm9
    movaps    -0x98(%rax),%xmm10
    movaps    -0x88(%rax),%xmm11
    movaps    -0x78(%rax),%xmm12
    movaps    -0x68(%rax),%xmm13
    movaps    -0x58(%rax),%xmm14
    movaps    -0x48(%rax),%xmm15
___
$code.=<<___;
    mov    -48(%rax),%r15
.cfi_restore    %r15
    mov    -40(%rax),%r14
.cfi_restore    %r14
    mov    -32(%rax),%r13
.cfi_restore    %r13
    mov    -24(%rax),%r12
.cfi_restore    %r12
    mov    -16(%rax),%rbp
.cfi_restore    %rbp
    mov    -8(%rax),%rbx
.cfi_restore    %rbx
    lea    (%rax),%rsp        # restore %rsp
.cfi_def_cfa_register    %rsp
.Lmul_1024_epilogue:
    ret
.cfi_endproc
.size    rsaz_1024_mul_avx2,.-rsaz_1024_mul_avx2
___
}
{
my ($out,$inp) = $win64 ? ("%rcx","%rdx") : ("%rdi","%rsi");
my @T = map("%r$_",(8..11));

$code.=<<___;
.globl    rsaz_1024_red2norm_avx2
.type    rsaz_1024_red2norm_avx2,\@abi-omnipotent
.align    32
rsaz_1024_red2norm_avx2:
.cfi_startproc
    sub    \$-128,$inp    # size optimization
    xor    %rax,%rax
___

for ($j=0,$i=0; $i<16; $i++) {
    my $k=0;
    while (29*$j<64*($i+1)) {    # load data till boundary
    $code.="    mov    `8*$j-128`($inp), @T[0]\n";
    $j++; $k++; push(@T,shift(@T));
    }
    $l=$k;
    while ($k>1) {        # shift loaded data but last value
    $code.="    shl    \$`29*($j-$k)`,@T[-$k]\n";
    $k--;
    }
    $code.=<<___;        # shift last value
    mov    @T[-1], @T[0]
    shl    \$`29*($j-1)`, @T[-1]
    shr    \$`-29*($j-1)`, @T[0]
___
    while ($l) {        # accumulate all values
    $code.="    add    @T[-$l], %rax\n";
    $l--;
    }
    $code.=<<___;
    adc    \$0, @T[0]    # consume eventual carry
    mov    %rax, 8*$i($out)
    mov    @T[0], %rax
___
    push(@T,shift(@T));
}
$code.=<<___;
    ret
.cfi_endproc
.size    rsaz_1024_red2norm_avx2,.-rsaz_1024_red2norm_avx2

.globl    rsaz_1024_norm2red_avx2
.type    rsaz_1024_norm2red_avx2,\@abi-omnipotent
.align    32
rsaz_1024_norm2red_avx2:
.cfi_startproc
    sub    \$-128,$out    # size optimization
    mov    ($inp),@T[0]
    mov    \$0x1fffffff,%eax
___
for ($j=0,$i=0; $i<16; $i++) {
    $code.="    mov    `8*($i+1)`($inp),@T[1]\n"    if ($i<15);
    $code.="    xor    @T[1],@T[1]\n"            if ($i==15);
    my $k=1;
    while (29*($j+1)<64*($i+1)) {
        $code.=<<___;
    mov    @T[0],@T[-$k]
    shr    \$`29*$j`,@T[-$k]
    and    %rax,@T[-$k]                # &0x1fffffff
    mov    @T[-$k],`8*$j-128`($out)
___
    $j++; $k++;
    }
    $code.=<<___;
    shrd    \$`29*$j`,@T[1],@T[0]
    and    %rax,@T[0]
    mov    @T[0],`8*$j-128`($out)
___
    $j++;
    push(@T,shift(@T));
}
$code.=<<___;
    mov    @T[0],`8*$j-128`($out)            # zero
    mov    @T[0],`8*($j+1)-128`($out)
    mov    @T[0],`8*($j+2)-128`($out)
    mov    @T[0],`8*($j+3)-128`($out)
    ret
.cfi_endproc
.size    rsaz_1024_norm2red_avx2,.-rsaz_1024_norm2red_avx2
___
}
{
my ($out,$inp,$power) = $win64 ? ("%rcx","%rdx","%r8d") : ("%rdi","%rsi","%edx");

$code.=<<___;
.globl    rsaz_1024_scatter5_avx2
.type    rsaz_1024_scatter5_avx2,\@abi-omnipotent
.align    32
rsaz_1024_scatter5_avx2:
.cfi_startproc
    vzeroupper
    vmovdqu    .Lscatter_permd(%rip),%ymm5
    shl    \$4,$power
    lea    ($out,$power),$out
    mov    \$9,%eax
    jmp    .Loop_scatter_1024

.align    32
.Loop_scatter_1024:
    vmovdqu        ($inp),%ymm0
    lea        32($inp),$inp
    vpermd        %ymm0,%ymm5,%ymm0
    vmovdqu        %xmm0,($out)
    lea        16*32($out),$out
    dec    %eax
    jnz    .Loop_scatter_1024

    vzeroupper
    ret
.cfi_endproc
.size    rsaz_1024_scatter5_avx2,.-rsaz_1024_scatter5_avx2

.globl    rsaz_1024_gather5_avx2
.type    rsaz_1024_gather5_avx2,\@abi-omnipotent
.align    32
rsaz_1024_gather5_avx2:
.cfi_startproc
    vzeroupper
    mov    %rsp,%r11
.cfi_def_cfa_register    %r11
___
$code.=<<___ if ($win64);
    lea    -0x88(%rsp),%rax
.LSEH_begin_rsaz_1024_gather5:
    # I can't trust assembler to use specific encoding:-(
    .byte    0x48,0x8d,0x60,0xe0        # lea    -0x20(%rax),%rsp
    .byte    0xc5,0xf8,0x29,0x70,0xe0    # vmovaps %xmm6,-0x20(%rax)
    .byte    0xc5,0xf8,0x29,0x78,0xf0    # vmovaps %xmm7,-0x10(%rax)
    .byte    0xc5,0x78,0x29,0x40,0x00    # vmovaps %xmm8,0(%rax)
    .byte    0xc5,0x78,0x29,0x48,0x10    # vmovaps %xmm9,0x10(%rax)
    .byte    0xc5,0x78,0x29,0x50,0x20    # vmovaps %xmm10,0x20(%rax)
    .byte    0xc5,0x78,0x29,0x58,0x30    # vmovaps %xmm11,0x30(%rax)
    .byte    0xc5,0x78,0x29,0x60,0x40    # vmovaps %xmm12,0x40(%rax)
    .byte    0xc5,0x78,0x29,0x68,0x50    # vmovaps %xmm13,0x50(%rax)
    .byte    0xc5,0x78,0x29,0x70,0x60    # vmovaps %xmm14,0x60(%rax)
    .byte    0xc5,0x78,0x29,0x78,0x70    # vmovaps %xmm15,0x70(%rax)
___
$code.=<<___;
    lea    -0x100(%rsp),%rsp
    and    \$-32, %rsp
    lea    .Linc(%rip), %r10
    lea    -128(%rsp),%rax            # control u-op density

    vmovd        $power, %xmm4
    vmovdqa        (%r10),%ymm0
    vmovdqa        32(%r10),%ymm1
    vmovdqa        64(%r10),%ymm5
    vpbroadcastd    %xmm4,%ymm4

    vpaddd        %ymm5, %ymm0, %ymm2
    vpcmpeqd    %ymm4, %ymm0, %ymm0
    vpaddd        %ymm5, %ymm1, %ymm3
    vpcmpeqd    %ymm4, %ymm1, %ymm1
    vmovdqa        %ymm0, 32*0+128(%rax)
    vpaddd        %ymm5, %ymm2, %ymm0
    vpcmpeqd    %ymm4, %ymm2, %ymm2
    vmovdqa        %ymm1, 32*1+128(%rax)
    vpaddd        %ymm5, %ymm3, %ymm1
    vpcmpeqd    %ymm4, %ymm3, %ymm3
    vmovdqa        %ymm2, 32*2+128(%rax)
    vpaddd        %ymm5, %ymm0, %ymm2
    vpcmpeqd    %ymm4, %ymm0, %ymm0
    vmovdqa        %ymm3, 32*3+128(%rax)
    vpaddd        %ymm5, %ymm1, %ymm3
    vpcmpeqd    %ymm4, %ymm1, %ymm1
    vmovdqa        %ymm0, 32*4+128(%rax)
    vpaddd        %ymm5, %ymm2, %ymm8
    vpcmpeqd    %ymm4, %ymm2, %ymm2
    vmovdqa        %ymm1, 32*5+128(%rax)
    vpaddd        %ymm5, %ymm3, %ymm9
    vpcmpeqd    %ymm4, %ymm3, %ymm3
    vmovdqa        %ymm2, 32*6+128(%rax)
    vpaddd        %ymm5, %ymm8, %ymm10
    vpcmpeqd    %ymm4, %ymm8, %ymm8
    vmovdqa        %ymm3, 32*7+128(%rax)
    vpaddd        %ymm5, %ymm9, %ymm11
    vpcmpeqd    %ymm4, %ymm9, %ymm9
    vpaddd        %ymm5, %ymm10, %ymm12
    vpcmpeqd    %ymm4, %ymm10, %ymm10
    vpaddd        %ymm5, %ymm11, %ymm13
    vpcmpeqd    %ymm4, %ymm11, %ymm11
    vpaddd        %ymm5, %ymm12, %ymm14
    vpcmpeqd    %ymm4, %ymm12, %ymm12
    vpaddd        %ymm5, %ymm13, %ymm15
    vpcmpeqd    %ymm4, %ymm13, %ymm13
    vpcmpeqd    %ymm4, %ymm14, %ymm14
    vpcmpeqd    %ymm4, %ymm15, %ymm15

    vmovdqa    -32(%r10),%ymm7            # .Lgather_permd
    lea    128($inp), $inp
    mov    \$9,$power

.Loop_gather_1024:
    vmovdqa        32*0-128($inp),    %ymm0
    vmovdqa        32*1-128($inp),    %ymm1
    vmovdqa        32*2-128($inp),    %ymm2
    vmovdqa        32*3-128($inp),    %ymm3
    vpand        32*0+128(%rax),    %ymm0,    %ymm0
    vpand        32*1+128(%rax),    %ymm1,    %ymm1
    vpand        32*2+128(%rax),    %ymm2,    %ymm2
    vpor        %ymm0, %ymm1, %ymm4
    vpand        32*3+128(%rax),    %ymm3,    %ymm3
    vmovdqa        32*4-128($inp),    %ymm0
    vmovdqa        32*5-128($inp),    %ymm1
    vpor        %ymm2, %ymm3, %ymm5
    vmovdqa        32*6-128($inp),    %ymm2
    vmovdqa        32*7-128($inp),    %ymm3
    vpand        32*4+128(%rax),    %ymm0,    %ymm0
    vpand        32*5+128(%rax),    %ymm1,    %ymm1
    vpand        32*6+128(%rax),    %ymm2,    %ymm2
    vpor        %ymm0, %ymm4, %ymm4
    vpand        32*7+128(%rax),    %ymm3,    %ymm3
    vpand        32*8-128($inp),    %ymm8,    %ymm0
    vpor        %ymm1, %ymm5, %ymm5
    vpand        32*9-128($inp),    %ymm9,    %ymm1
    vpor        %ymm2, %ymm4, %ymm4
    vpand        32*10-128($inp),%ymm10,    %ymm2
    vpor        %ymm3, %ymm5, %ymm5
    vpand        32*11-128($inp),%ymm11,    %ymm3
    vpor        %ymm0, %ymm4, %ymm4
    vpand        32*12-128($inp),%ymm12,    %ymm0
    vpor        %ymm1, %ymm5, %ymm5
    vpand        32*13-128($inp),%ymm13,    %ymm1
    vpor        %ymm2, %ymm4, %ymm4
    vpand        32*14-128($inp),%ymm14,    %ymm2
    vpor        %ymm3, %ymm5, %ymm5
    vpand        32*15-128($inp),%ymm15,    %ymm3
    lea        32*16($inp), $inp
    vpor        %ymm0, %ymm4, %ymm4
    vpor        %ymm1, %ymm5, %ymm5
    vpor        %ymm2, %ymm4, %ymm4
    vpor        %ymm3, %ymm5, %ymm5

    vpor        %ymm5, %ymm4, %ymm4
    vextracti128    \$1, %ymm4, %xmm5    # upper half is cleared
    vpor        %xmm4, %xmm5, %xmm5
    vpermd        %ymm5,%ymm7,%ymm5
    vmovdqu        %ymm5,($out)
    lea        32($out),$out
    dec    $power
    jnz    .Loop_gather_1024

    vpxor    %ymm0,%ymm0,%ymm0
    vmovdqu    %ymm0,($out)
    vzeroupper
___
$code.=<<___ if ($win64);
    movaps    -0xa8(%r11),%xmm6
    movaps    -0x98(%r11),%xmm7
    movaps    -0x88(%r11),%xmm8
    movaps    -0x78(%r11),%xmm9
    movaps    -0x68(%r11),%xmm10
    movaps    -0x58(%r11),%xmm11
    movaps    -0x48(%r11),%xmm12
    movaps    -0x38(%r11),%xmm13
    movaps    -0x28(%r11),%xmm14
    movaps    -0x18(%r11),%xmm15
___
$code.=<<___;
    lea    (%r11),%rsp
.cfi_def_cfa_register    %rsp
    ret
.cfi_endproc
.LSEH_end_rsaz_1024_gather5:
.size    rsaz_1024_gather5_avx2,.-rsaz_1024_gather5_avx2
___
}

$code.=<<___;
.extern    OPENSSL_ia32cap_P
.globl    rsaz_avx2_eligible
.type    rsaz_avx2_eligible,\@abi-omnipotent
.align    32
rsaz_avx2_eligible:
    mov    OPENSSL_ia32cap_P+8(%rip),%eax
___
$code.=<<___    if ($addx);
    mov    \$`1<<8|1<<19`,%ecx
    mov    \$0,%edx
    and    %eax,%ecx
    cmp    \$`1<<8|1<<19`,%ecx    # check for BMI2+AD*X
    cmove    %edx,%eax
___
$code.=<<___;
    and    \$`1<<5`,%eax
    shr    \$5,%eax
    ret
.size    rsaz_avx2_eligible,.-rsaz_avx2_eligible

.align    64
.Land_mask:
    .quad    0x1fffffff,0x1fffffff,0x1fffffff,0x1fffffff
.Lscatter_permd:
    .long    0,2,4,6,7,7,7,7
.Lgather_permd:
    .long    0,7,1,7,2,7,3,7
.Linc:
    .long    0,0,0,0, 1,1,1,1
    .long    2,2,2,2, 3,3,3,3
    .long    4,4,4,4, 4,4,4,4
.align    64
___

if ($win64) {
$rec="%rcx";
$frame="%rdx";
$context="%r8";
$disp="%r9";

$code.=<<___
.extern    __imp_RtlVirtualUnwind
.type    rsaz_se_handler,\@abi-omnipotent
.align    16
rsaz_se_handler:
    push    %rsi
    push    %rdi
    push    %rbx
    push    %rbp
    push    %r12
    push    %r13
    push    %r14
    push    %r15
    pushfq
    sub    \$64,%rsp

    mov    120($context),%rax    # pull context->Rax
    mov    248($context),%rbx    # pull context->Rip

    mov    8($disp),%rsi        # disp->ImageBase
    mov    56($disp),%r11        # disp->HandlerData

    mov    0(%r11),%r10d        # HandlerData[0]
    lea    (%rsi,%r10),%r10    # prologue label
    cmp    %r10,%rbx        # context->Rip<prologue label
    jb    .Lcommon_seh_tail

    mov    4(%r11),%r10d        # HandlerData[1]
    lea    (%rsi,%r10),%r10    # epilogue label
    cmp    %r10,%rbx        # context->Rip>=epilogue label
    jae    .Lcommon_seh_tail

    mov    160($context),%rbp    # pull context->Rbp

    mov    8(%r11),%r10d        # HandlerData[2]
    lea    (%rsi,%r10),%r10    # "in tail" label
    cmp    %r10,%rbx        # context->Rip>="in tail" label
    cmovc    %rbp,%rax

    mov    -48(%rax),%r15
    mov    -40(%rax),%r14
    mov    -32(%rax),%r13
    mov    -24(%rax),%r12
    mov    -16(%rax),%rbp
    mov    -8(%rax),%rbx
    mov    %r15,240($context)
    mov    %r14,232($context)
    mov    %r13,224($context)
    mov    %r12,216($context)
    mov    %rbp,160($context)
    mov    %rbx,144($context)

    lea    -0xd8(%rax),%rsi    # %xmm save area
    lea    512($context),%rdi    # & context.Xmm6
    mov    \$20,%ecx        # 10*sizeof(%xmm0)/sizeof(%rax)
    .long    0xa548f3fc        # cld; rep movsq

.Lcommon_seh_tail:
    mov    8(%rax),%rdi
    mov    16(%rax),%rsi
    mov    %rax,152($context)    # restore context->Rsp
    mov    %rsi,168($context)    # restore context->Rsi
    mov    %rdi,176($context)    # restore context->Rdi

    mov    40($disp),%rdi        # disp->ContextRecord
    mov    $context,%rsi        # context
    mov    \$154,%ecx        # sizeof(CONTEXT)
    .long    0xa548f3fc        # cld; rep movsq

    mov    $disp,%rsi
    xor    %rcx,%rcx        # arg1, UNW_FLAG_NHANDLER
    mov    8(%rsi),%rdx        # arg2, disp->ImageBase
    mov    0(%rsi),%r8        # arg3, disp->ControlPc
    mov    16(%rsi),%r9        # arg4, disp->FunctionEntry
    mov    40(%rsi),%r10        # disp->ContextRecord
    lea    56(%rsi),%r11        # &disp->HandlerData
    lea    24(%rsi),%r12        # &disp->EstablisherFrame
    mov    %r10,32(%rsp)        # arg5
    mov    %r11,40(%rsp)        # arg6
    mov    %r12,48(%rsp)        # arg7
    mov    %rcx,56(%rsp)        # arg8, (NULL)
    call    *__imp_RtlVirtualUnwind(%rip)

    mov    \$1,%eax        # ExceptionContinueSearch
    add    \$64,%rsp
    popfq
    pop    %r15
    pop    %r14
    pop    %r13
    pop    %r12
    pop    %rbp
    pop    %rbx
    pop    %rdi
    pop    %rsi
    ret
.size    rsaz_se_handler,.-rsaz_se_handler

.section    .pdata
.align    4
    .rva    .LSEH_begin_rsaz_1024_sqr_avx2
    .rva    .LSEH_end_rsaz_1024_sqr_avx2
    .rva    .LSEH_info_rsaz_1024_sqr_avx2

    .rva    .LSEH_begin_rsaz_1024_mul_avx2
    .rva    .LSEH_end_rsaz_1024_mul_avx2
    .rva    .LSEH_info_rsaz_1024_mul_avx2

    .rva    .LSEH_begin_rsaz_1024_gather5
    .rva    .LSEH_end_rsaz_1024_gather5
    .rva    .LSEH_info_rsaz_1024_gather5
.section    .xdata
.align    8
.LSEH_info_rsaz_1024_sqr_avx2:
    .byte    9,0,0,0
    .rva    rsaz_se_handler
    .rva    .Lsqr_1024_body,.Lsqr_1024_epilogue,.Lsqr_1024_in_tail
    .long    0
.LSEH_info_rsaz_1024_mul_avx2:
    .byte    9,0,0,0
    .rva    rsaz_se_handler
    .rva    .Lmul_1024_body,.Lmul_1024_epilogue,.Lmul_1024_in_tail
    .long    0
.LSEH_info_rsaz_1024_gather5:
    .byte    0x01,0x36,0x17,0x0b
    .byte    0x36,0xf8,0x09,0x00    # vmovaps 0x90(rsp),xmm15
    .byte    0x31,0xe8,0x08,0x00    # vmovaps 0x80(rsp),xmm14
    .byte    0x2c,0xd8,0x07,0x00    # vmovaps 0x70(rsp),xmm13
    .byte    0x27,0xc8,0x06,0x00    # vmovaps 0x60(rsp),xmm12
    .byte    0x22,0xb8,0x05,0x00    # vmovaps 0x50(rsp),xmm11
    .byte    0x1d,0xa8,0x04,0x00    # vmovaps 0x40(rsp),xmm10
    .byte    0x18,0x98,0x03,0x00    # vmovaps 0x30(rsp),xmm9
    .byte    0x13,0x88,0x02,0x00    # vmovaps 0x20(rsp),xmm8
    .byte    0x0e,0x78,0x01,0x00    # vmovaps 0x10(rsp),xmm7
    .byte    0x09,0x68,0x00,0x00    # vmovaps 0x00(rsp),xmm6
    .byte    0x04,0x01,0x15,0x00    # sub      rsp,0xa8
    .byte    0x00,0xb3,0x00,0x00    # set_frame r11
___
}

foreach (split("\n",$code)) {
    s/\`([^\`]*)\`/eval($1)/ge;

    s/\b(sh[rl]d?\s+\$)(-?[0-9]+)/$1.$2%64/ge        or

    s/\b(vmov[dq])\b(.+)%ymm([0-9]+)/$1$2%xmm$3/go        or
    s/\b(vmovdqu)\b(.+)%x%ymm([0-9]+)/$1$2%xmm$3/go        or
    s/\b(vpinsr[qd])\b(.+)%ymm([0-9]+)/$1$2%xmm$3/go    or
    s/\b(vpextr[qd])\b(.+)%ymm([0-9]+)/$1$2%xmm$3/go    or
    s/\b(vpbroadcast[qd]\s+)%ymm([0-9]+)/$1%xmm$2/go;
    print $_,"\n";
}

}}} else {{{
print <<___;    # assembler is too old
.text

.globl    rsaz_avx2_eligible
.type    rsaz_avx2_eligible,\@abi-omnipotent
rsaz_avx2_eligible:
    xor    %eax,%eax
    ret
.size    rsaz_avx2_eligible,.-rsaz_avx2_eligible

.globl    rsaz_1024_sqr_avx2
.globl    rsaz_1024_mul_avx2
.globl    rsaz_1024_norm2red_avx2
.globl    rsaz_1024_red2norm_avx2
.globl    rsaz_1024_scatter5_avx2
.globl    rsaz_1024_gather5_avx2
.type    rsaz_1024_sqr_avx2,\@abi-omnipotent
rsaz_1024_sqr_avx2:
rsaz_1024_mul_avx2:
rsaz_1024_norm2red_avx2:
rsaz_1024_red2norm_avx2:
rsaz_1024_scatter5_avx2:
rsaz_1024_gather5_avx2:
    .byte    0x0f,0x0b    # ud2
    ret
.size    rsaz_1024_sqr_avx2,.-rsaz_1024_sqr_avx2
___
}}}

close STDOUT or die "error closing STDOUT: $!";

:: Command execute ::

Enter:
 
Select:
 

:: Search ::
  - regexp 

:: Upload ::
 
[ ok ]

:: Make Dir ::
 
[ ok ]
:: Make File ::
 
[ ok ]

:: Go Dir ::
 
:: Go File ::
 

--[ c99shell v. 2.1 [PHP 8 Update] [02.02.2022] maintained byC99Shell Github | Generation time: 0.9611 ]--