Camellia: Tweaks for AES-NI implementations
authorJussi Kivilinna <jussi.kivilinna@iki.fi>
Sun, 24 Nov 2013 15:54:15 +0000 (17:54 +0200)
committerJussi Kivilinna <jussi.kivilinna@iki.fi>
Sun, 24 Nov 2013 15:54:15 +0000 (17:54 +0200)
* cipher/camellia-aesni-avx-amd64.S: Align stack to 16 bytes; tweak
key-setup for small speed up.
* cipher/camellia-aesni-avx2-amd64.S: Use vmovdqu even with aligned
stack; reorder vinsert128 instructions; use rbp for stack frame.
--

Use of 'vmovdqa' with ymm registers produces quite interesting scattering in
measurement timings. By using 'vmovdqu' instead, repeated measuments produce
more stable results.

Signed-off-by: Jussi Kivilinna <jussi.kivilinna@iki.fi>
cipher/camellia-aesni-avx-amd64.S
cipher/camellia-aesni-avx2-amd64.S

index ffb1aed..38ec7a3 100644 (file)
@@ -958,9 +958,13 @@ _gcry_camellia_aesni_avx_ctr_enc:
         *      %rcx: iv (big endian, 128bit)
         */
 
+       pushq %rbp;
+       movq %rsp, %rbp;
+
        vzeroupper;
 
        subq $(16 * 16), %rsp;
+       andq $~31, %rsp;
        movq %rsp, %rax;
 
        vmovdqa .Lbswap128_mask RIP, %xmm14;
@@ -1033,8 +1037,6 @@ _gcry_camellia_aesni_avx_ctr_enc:
 
        call __camellia_enc_blk16;
 
-       addq $(16 * 16), %rsp;
-
        vpxor 0 * 16(%rdx), %xmm7, %xmm7;
        vpxor 1 * 16(%rdx), %xmm6, %xmm6;
        vpxor 2 * 16(%rdx), %xmm5, %xmm5;
@@ -1058,6 +1060,7 @@ _gcry_camellia_aesni_avx_ctr_enc:
 
        vzeroall;
 
+       leave;
        ret;
 .size _gcry_camellia_aesni_avx_ctr_enc,.-_gcry_camellia_aesni_avx_ctr_enc;
 
@@ -1073,6 +1076,9 @@ _gcry_camellia_aesni_avx_cbc_dec:
         *      %rcx: iv
         */
 
+       pushq %rbp;
+       movq %rsp, %rbp;
+
        vzeroupper;
 
        movq %rcx, %r9;
@@ -1087,12 +1093,11 @@ _gcry_camellia_aesni_avx_cbc_dec:
                     %xmm15, %rdx, (key_table)(CTX, %r8, 8));
 
        subq $(16 * 16), %rsp;
+       andq $~31, %rsp;
        movq %rsp, %rax;
 
        call __camellia_dec_blk16;
 
-       addq $(16 * 16), %rsp;
-
        /* XOR output with IV */
        vpxor (%r9), %xmm7, %xmm7;
        vpxor (0 * 16)(%rdx), %xmm6, %xmm6;
@@ -1112,6 +1117,7 @@ _gcry_camellia_aesni_avx_cbc_dec:
        vpxor (14 * 16)(%rdx), %xmm8, %xmm8;
        movq (15 * 16 + 0)(%rdx), %r10;
        movq (15 * 16 + 8)(%rdx), %r11;
+
        write_output(%xmm7, %xmm6, %xmm5, %xmm4, %xmm3, %xmm2, %xmm1, %xmm0,
                     %xmm15, %xmm14, %xmm13, %xmm12, %xmm11, %xmm10, %xmm9,
                     %xmm8, %rsi);
@@ -1122,6 +1128,7 @@ _gcry_camellia_aesni_avx_cbc_dec:
 
        vzeroall;
 
+       leave;
        ret;
 .size _gcry_camellia_aesni_avx_cbc_dec,.-_gcry_camellia_aesni_avx_cbc_dec;
 
@@ -1137,9 +1144,13 @@ _gcry_camellia_aesni_avx_cfb_dec:
         *      %rcx: iv
         */
 
+       pushq %rbp;
+       movq %rsp, %rbp;
+
        vzeroupper;
 
        subq $(16 * 16), %rsp;
+       andq $~31, %rsp;
        movq %rsp, %rax;
 
        /* inpack16_pre: */
@@ -1166,8 +1177,6 @@ _gcry_camellia_aesni_avx_cfb_dec:
 
        call __camellia_enc_blk16;
 
-       addq $(16 * 16), %rsp;
-
        vpxor 0 * 16(%rdx), %xmm7, %xmm7;
        vpxor 1 * 16(%rdx), %xmm6, %xmm6;
        vpxor 2 * 16(%rdx), %xmm5, %xmm5;
@@ -1191,6 +1200,7 @@ _gcry_camellia_aesni_avx_cfb_dec:
 
        vzeroall;
 
+       leave;
        ret;
 .size _gcry_camellia_aesni_avx_cfb_dec,.-_gcry_camellia_aesni_avx_cfb_dec;
 
@@ -1199,7 +1209,7 @@ _gcry_camellia_aesni_avx_cfb_dec:
  *  ab: 64-bit AB state
  *  cd: 64-bit CD state
  */
-#define camellia_f(ab, x, t0, t1, t2, t3, t4, sbox2mask, sbox4mask, \
+#define camellia_f(ab, x, t0, t1, t2, t3, t4, inv_shift_row, sbox4mask, \
                   _0f0f0f0fmask, pre_s1lo_mask, pre_s1hi_mask, key) \
        vmovq key, t0; \
        vpxor x, x, t3; \
@@ -1221,37 +1231,33 @@ _gcry_camellia_aesni_avx_cfb_dec:
        \
        vmovdqa .Lpost_tf_lo_s1 RIP, t0; \
        vmovdqa .Lpost_tf_hi_s1 RIP, t1; \
-       vmovq .Lsbox3_output_mask RIP, t4; \
        \
        /* prefilter sboxes */ \
        filter_8bit(x, pre_s1lo_mask, pre_s1hi_mask, _0f0f0f0fmask, t2); \
        \
        /* AES subbytes + AES shift rows + AES inv shift rows */ \
        vaesenclast t3, x, x; \
-       vpshufb .Linv_shift_row RIP, x, x; \
        \
        /* postfilter sboxes */ \
        filter_8bit(x, t0, t1, _0f0f0f0fmask, t2); \
        \
        /* output rotation for sbox2 (<<< 1) */ \
        /* output rotation for sbox3 (>>> 1) */ \
-       vpor sbox2mask, t4, t2; \
-       vpand x, sbox2mask, t0; \
-       vpand x, t4, t1; \
-       vpaddb x, x, t2; \
-       vpshufb .Lsp1110111044044404mask RIP, x, t4; \
-       vpshufb .Lsp0044440410011110mask RIP, x, x; \
-       vpsrlw $7, t0, t0; \
+       vpshufb inv_shift_row, x, t1; \
+       vpshufb .Lsp0044440444044404mask RIP, x, t4; \
+       vpshufb .Lsp1110111010011110mask RIP, x, x; \
+       vpaddb t1, t1, t2; \
+       vpsrlw $7, t1, t0; \
        vpsllw $7, t1, t3; \
-       vpsrlw $1, t1, t1; \
        vpor t0, t2, t0; \
+       vpsrlw $1, t1, t1; \
        vpshufb .Lsp0222022222000222mask RIP, t0, t0; \
        vpor t1, t3, t1; \
-       vpshufb .Lsp3033303303303033mask RIP, t1, t1; \
        \
        vpxor x, t4, t4; \
-       vpxor t1, t0, t0; \
+       vpshufb .Lsp3033303303303033mask RIP, t1, t1; \
        vpxor t4, t0, t0; \
+       vpxor t1, t0, t0; \
        vpsrldq $8, t0, x; \
        vpxor t0, x, x;
 
@@ -1270,22 +1276,21 @@ _gcry_camellia_aesni_avx_cfb_dec:
 .data
 
 .align 16
-.Lsp1110111044044404mask:
-       .long 0x000000ff, 0x000000ff;
-       .long 0x0101ff01, 0x0101ff01;
-.Lsp0044440410011110mask:
+.Linv_shift_row_and_unpcklbw:
+       .byte 0x00, 0xff, 0x0d, 0xff, 0x0a, 0xff, 0x07, 0xff
+       .byte 0x04, 0xff, 0x01, 0xff, 0x0e, 0xff, 0x0b, 0xff
+.Lsp0044440444044404mask:
        .long 0xffff0404, 0x0404ff04;
-       .long 0x07ffff07, 0x070707ff;
+       .long 0x0d0dff0d, 0x0d0dff0d;
+.Lsp1110111010011110mask:
+       .long 0x000000ff, 0x000000ff;
+       .long 0x0bffff0b, 0x0b0b0bff;
 .Lsp0222022222000222mask:
-       .long 0xff030303, 0xff030303;
-       .long 0x0606ffff, 0xff060606;
+       .long 0xff060606, 0xff060606;
+       .long 0x0c0cffff, 0xff0c0c0c;
 .Lsp3033303303303033mask:
-       .long 0x02ff0202, 0x02ff0202;
-       .long 0xff0505ff, 0x05ff0505;
-.Lsbox2_output_mask:
-       .byte 0x00, 0x00, 0x00, 0xff, 0x00, 0x00, 0xff, 0x00;
-.Lsbox3_output_mask:
-       .byte 0x00, 0x00, 0xff, 0x00, 0x00, 0xff, 0x00, 0x00;
+       .long 0x04ff0404, 0x04ff0404;
+       .long 0xff0a0aff, 0x0aff0a0a;
 .Lsbox4_input_mask:
        .byte 0x00, 0xff, 0x00, 0x00, 0xff, 0x00, 0x00, 0x00;
 .Lsigma1:
@@ -1316,7 +1321,7 @@ __camellia_avx_setup128:
 
        vpshufb .Lbswap128_mask RIP, KL128, KL128;
 
-       vmovq .Lsbox2_output_mask RIP, %xmm11;
+       vmovdqa .Linv_shift_row_and_unpcklbw RIP, %xmm11;
        vmovq .Lsbox4_input_mask RIP, %xmm12;
        vbroadcastss .L0f0f0f0f RIP, %xmm13;
        vmovdqa .Lpre_tf_lo_s1 RIP, %xmm14;
@@ -1663,7 +1668,7 @@ __camellia_avx_setup256:
        vpshufb .Lbswap128_mask RIP, KL128, KL128;
        vpshufb .Lbswap128_mask RIP, KR128, KR128;
 
-       vmovq .Lsbox2_output_mask RIP, %xmm11;
+       vmovdqa .Linv_shift_row_and_unpcklbw RIP, %xmm11;
        vmovq .Lsbox4_input_mask RIP, %xmm12;
        vbroadcastss .L0f0f0f0f RIP, %xmm13;
        vmovdqa .Lpre_tf_lo_s1 RIP, %xmm14;
index 65c923e..1a89ff4 100644 (file)
        vextracti128 $1, x5, t5##_x; \
        vaesenclast t4##_x, x0##_x, x0##_x; \
        vaesenclast t4##_x, t0##_x, t0##_x; \
-       vinserti128 $1, t0##_x, x0, x0; \
        vaesenclast t4##_x, x7##_x, x7##_x; \
        vaesenclast t4##_x, t1##_x, t1##_x; \
-       vinserti128 $1, t1##_x, x7, x7; \
        vaesenclast t4##_x, x3##_x, x3##_x; \
        vaesenclast t4##_x, t3##_x, t3##_x; \
-       vinserti128 $1, t3##_x, x3, x3; \
        vaesenclast t4##_x, x6##_x, x6##_x; \
        vaesenclast t4##_x, t2##_x, t2##_x; \
+       vinserti128 $1, t0##_x, x0, x0; \
+       vinserti128 $1, t1##_x, x7, x7; \
+       vinserti128 $1, t3##_x, x3, x3; \
        vinserti128 $1, t2##_x, x6, x6; \
        vextracti128 $1, x1, t3##_x; \
        vextracti128 $1, x4, t2##_x; \
        vbroadcasti128 .Lpost_tf_hi_s1 RIP, t1; \
        vaesenclast t4##_x, x2##_x, x2##_x; \
        vaesenclast t4##_x, t6##_x, t6##_x; \
-       vinserti128 $1, t6##_x, x2, x2; \
        vaesenclast t4##_x, x5##_x, x5##_x; \
        vaesenclast t4##_x, t5##_x, t5##_x; \
-       vinserti128 $1, t5##_x, x5, x5; \
        vaesenclast t4##_x, x1##_x, x1##_x; \
        vaesenclast t4##_x, t3##_x, t3##_x; \
-       vinserti128 $1, t3##_x, x1, x1; \
        vaesenclast t4##_x, x4##_x, x4##_x; \
        vaesenclast t4##_x, t2##_x, t2##_x; \
+       vinserti128 $1, t6##_x, x2, x2; \
+       vinserti128 $1, t5##_x, x5, x5; \
+       vinserti128 $1, t3##_x, x1, x1; \
        vinserti128 $1, t2##_x, x4, x4; \
        \
        /* postfilter sboxes 1 and 4 */ \
        roundsm32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
                  y6, y7, mem_cd, (key_table + (i) * 8)(CTX)); \
        \
-       vmovdqa x0, 4 * 32(mem_cd); \
-       vmovdqa x1, 5 * 32(mem_cd); \
-       vmovdqa x2, 6 * 32(mem_cd); \
-       vmovdqa x3, 7 * 32(mem_cd); \
-       vmovdqa x4, 0 * 32(mem_cd); \
-       vmovdqa x5, 1 * 32(mem_cd); \
-       vmovdqa x6, 2 * 32(mem_cd); \
-       vmovdqa x7, 3 * 32(mem_cd); \
+       vmovdqu x0, 4 * 32(mem_cd); \
+       vmovdqu x1, 5 * 32(mem_cd); \
+       vmovdqu x2, 6 * 32(mem_cd); \
+       vmovdqu x3, 7 * 32(mem_cd); \
+       vmovdqu x4, 0 * 32(mem_cd); \
+       vmovdqu x5, 1 * 32(mem_cd); \
+       vmovdqu x6, 2 * 32(mem_cd); \
+       vmovdqu x7, 3 * 32(mem_cd); \
        \
        roundsm32(x4, x5, x6, x7, x0, x1, x2, x3, y0, y1, y2, y3, y4, y5, \
                  y6, y7, mem_ab, (key_table + ((i) + (dir)) * 8)(CTX)); \
 
 #define store_ab_state(x0, x1, x2, x3, x4, x5, x6, x7, mem_ab) \
        /* Store new AB state */ \
-       vmovdqa x4, 4 * 32(mem_ab); \
-       vmovdqa x5, 5 * 32(mem_ab); \
-       vmovdqa x6, 6 * 32(mem_ab); \
-       vmovdqa x7, 7 * 32(mem_ab); \
-       vmovdqa x0, 0 * 32(mem_ab); \
-       vmovdqa x1, 1 * 32(mem_ab); \
-       vmovdqa x2, 2 * 32(mem_ab); \
-       vmovdqa x3, 3 * 32(mem_ab);
+       vmovdqu x4, 4 * 32(mem_ab); \
+       vmovdqu x5, 5 * 32(mem_ab); \
+       vmovdqu x6, 6 * 32(mem_ab); \
+       vmovdqu x7, 7 * 32(mem_ab); \
+       vmovdqu x0, 0 * 32(mem_ab); \
+       vmovdqu x1, 1 * 32(mem_ab); \
+       vmovdqu x2, 2 * 32(mem_ab); \
+       vmovdqu x3, 3 * 32(mem_ab);
 
 #define enc_rounds32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, y5, \
                      y6, y7, mem_ab, mem_cd, i) \
        \
        vpxor l4, t0, l4; \
        vpbroadcastd krr, t0; /* only lowest 32-bit used */ \
-       vmovdqa l4, 4 * 32(l); \
+       vmovdqu l4, 4 * 32(l); \
        vpxor l5, t1, l5; \
-       vmovdqa l5, 5 * 32(l); \
+       vmovdqu l5, 5 * 32(l); \
        vpxor l6, t2, l6; \
-       vmovdqa l6, 6 * 32(l); \
+       vmovdqu l6, 6 * 32(l); \
        vpxor l7, t3, l7; \
-       vmovdqa l7, 7 * 32(l); \
+       vmovdqu l7, 7 * 32(l); \
        \
        /* \
         * t2 = krr; \
        vpxor 1 * 32(r), t1, t1; \
        vpxor 2 * 32(r), t2, t2; \
        vpxor 3 * 32(r), t3, t3; \
-       vmovdqa t0, 0 * 32(r); \
+       vmovdqu t0, 0 * 32(r); \
        vpbroadcastd krl, t0; /* only lowest 32-bit used */ \
-       vmovdqa t1, 1 * 32(r); \
-       vmovdqa t2, 2 * 32(r); \
-       vmovdqa t3, 3 * 32(r); \
+       vmovdqu t1, 1 * 32(r); \
+       vmovdqu t2, 2 * 32(r); \
+       vmovdqu t3, 3 * 32(r); \
        \
        /* \
         * t2 = krl; \
        vpxor 5 * 32(r), t1, t1; \
        vpxor 6 * 32(r), t2, t2; \
        vpxor 7 * 32(r), t3, t3; \
-       vmovdqa t0, 4 * 32(r); \
+       vmovdqu t0, 4 * 32(r); \
        vpbroadcastd klr, t0; /* only lowest 32-bit used */ \
-       vmovdqa t1, 5 * 32(r); \
-       vmovdqa t2, 6 * 32(r); \
-       vmovdqa t3, 7 * 32(r); \
+       vmovdqu t1, 5 * 32(r); \
+       vmovdqu t2, 6 * 32(r); \
+       vmovdqu t3, 7 * 32(r); \
        \
        /* \
         * t0 = klr; \
        vpor l7, t3, t3; \
        \
        vpxor l0, t0, l0; \
-       vmovdqa l0, 0 * 32(l); \
+       vmovdqu l0, 0 * 32(l); \
        vpxor l1, t1, l1; \
-       vmovdqa l1, 1 * 32(l); \
+       vmovdqu l1, 1 * 32(l); \
        vpxor l2, t2, l2; \
-       vmovdqa l2, 2 * 32(l); \
+       vmovdqu l2, 2 * 32(l); \
        vpxor l3, t3, l3; \
-       vmovdqa l3, 3 * 32(l);
+       vmovdqu l3, 3 * 32(l);
 
 #define transpose_4x4(x0, x1, x2, x3, t1, t2) \
        vpunpckhdq x1, x0, t2; \
 
 #define byteslice_16x16b_fast(a0, b0, c0, d0, a1, b1, c1, d1, a2, b2, c2, d2, \
                              a3, b3, c3, d3, st0, st1) \
-       vmovdqa d2, st0; \
-       vmovdqa d3, st1; \
+       vmovdqu d2, st0; \
+       vmovdqu d3, st1; \
        transpose_4x4(a0, a1, a2, a3, d2, d3); \
        transpose_4x4(b0, b1, b2, b3, d2, d3); \
-       vmovdqa st0, d2; \
-       vmovdqa st1, d3; \
+       vmovdqu st0, d2; \
+       vmovdqu st1, d3; \
        \
-       vmovdqa a0, st0; \
-       vmovdqa a1, st1; \
+       vmovdqu a0, st0; \
+       vmovdqu a1, st1; \
        transpose_4x4(c0, c1, c2, c3, a0, a1); \
        transpose_4x4(d0, d1, d2, d3, a0, a1); \
        \
        vbroadcasti128 .Lshufb_16x16b RIP, a0; \
-       vmovdqa st1, a1; \
+       vmovdqu st1, a1; \
        vpshufb a0, a2, a2; \
        vpshufb a0, a3, a3; \
        vpshufb a0, b0, b0; \
        vpshufb a0, d1, d1; \
        vpshufb a0, d2, d2; \
        vpshufb a0, d3, d3; \
-       vmovdqa d3, st1; \
-       vmovdqa st0, d3; \
+       vmovdqu d3, st1; \
+       vmovdqu st0, d3; \
        vpshufb a0, d3, a0; \
-       vmovdqa d2, st0; \
+       vmovdqu d2, st0; \
        \
        transpose_4x4(a0, b0, c0, d0, d2, d3); \
        transpose_4x4(a1, b1, c1, d1, d2, d3); \
-       vmovdqa st0, d2; \
-       vmovdqa st1, d3; \
+       vmovdqu st0, d2; \
+       vmovdqu st1, d3; \
        \
-       vmovdqa b0, st0; \
-       vmovdqa b1, st1; \
+       vmovdqu b0, st0; \
+       vmovdqu b1, st1; \
        transpose_4x4(a2, b2, c2, d2, b0, b1); \
        transpose_4x4(a3, b3, c3, d3, b0, b1); \
-       vmovdqa st0, b0; \
-       vmovdqa st1, b1; \
+       vmovdqu st0, b0; \
+       vmovdqu st1, b1; \
        /* does not adjust output bytes inside vectors */
 
 /* load blocks to registers and apply pre-whitening */
        byteslice_16x16b_fast(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, \
                              y4, y5, y6, y7, (mem_ab), (mem_cd)); \
        \
-       vmovdqa x0, 0 * 32(mem_ab); \
-       vmovdqa x1, 1 * 32(mem_ab); \
-       vmovdqa x2, 2 * 32(mem_ab); \
-       vmovdqa x3, 3 * 32(mem_ab); \
-       vmovdqa x4, 4 * 32(mem_ab); \
-       vmovdqa x5, 5 * 32(mem_ab); \
-       vmovdqa x6, 6 * 32(mem_ab); \
-       vmovdqa x7, 7 * 32(mem_ab); \
-       vmovdqa y0, 0 * 32(mem_cd); \
-       vmovdqa y1, 1 * 32(mem_cd); \
-       vmovdqa y2, 2 * 32(mem_cd); \
-       vmovdqa y3, 3 * 32(mem_cd); \
-       vmovdqa y4, 4 * 32(mem_cd); \
-       vmovdqa y5, 5 * 32(mem_cd); \
-       vmovdqa y6, 6 * 32(mem_cd); \
-       vmovdqa y7, 7 * 32(mem_cd);
+       vmovdqu x0, 0 * 32(mem_ab); \
+       vmovdqu x1, 1 * 32(mem_ab); \
+       vmovdqu x2, 2 * 32(mem_ab); \
+       vmovdqu x3, 3 * 32(mem_ab); \
+       vmovdqu x4, 4 * 32(mem_ab); \
+       vmovdqu x5, 5 * 32(mem_ab); \
+       vmovdqu x6, 6 * 32(mem_ab); \
+       vmovdqu x7, 7 * 32(mem_ab); \
+       vmovdqu y0, 0 * 32(mem_cd); \
+       vmovdqu y1, 1 * 32(mem_cd); \
+       vmovdqu y2, 2 * 32(mem_cd); \
+       vmovdqu y3, 3 * 32(mem_cd); \
+       vmovdqu y4, 4 * 32(mem_cd); \
+       vmovdqu y5, 5 * 32(mem_cd); \
+       vmovdqu y6, 6 * 32(mem_cd); \
+       vmovdqu y7, 7 * 32(mem_cd);
 
 /* de-byteslice, apply post-whitening and store blocks */
 #define outunpack32(x0, x1, x2, x3, x4, x5, x6, x7, y0, y1, y2, y3, y4, \
        byteslice_16x16b_fast(y0, y4, x0, x4, y1, y5, x1, x5, y2, y6, x2, x6, \
                              y3, y7, x3, x7, stack_tmp0, stack_tmp1); \
        \
-       vmovdqa x0, stack_tmp0; \
+       vmovdqu x0, stack_tmp0; \
        \
        vpbroadcastq key, x0; \
        vpshufb .Lpack_bswap RIP, x0, x0; \
@@ -800,14 +800,14 @@ __camellia_enc_blk32:
 
 .Lenc_done:
        /* load CD for output */
-       vmovdqa 0 * 32(%rcx), %ymm8;
-       vmovdqa 1 * 32(%rcx), %ymm9;
-       vmovdqa 2 * 32(%rcx), %ymm10;
-       vmovdqa 3 * 32(%rcx), %ymm11;
-       vmovdqa 4 * 32(%rcx), %ymm12;
-       vmovdqa 5 * 32(%rcx), %ymm13;
-       vmovdqa 6 * 32(%rcx), %ymm14;
-       vmovdqa 7 * 32(%rcx), %ymm15;
+       vmovdqu 0 * 32(%rcx), %ymm8;
+       vmovdqu 1 * 32(%rcx), %ymm9;
+       vmovdqu 2 * 32(%rcx), %ymm10;
+       vmovdqu 3 * 32(%rcx), %ymm11;
+       vmovdqu 4 * 32(%rcx), %ymm12;
+       vmovdqu 5 * 32(%rcx), %ymm13;
+       vmovdqu 6 * 32(%rcx), %ymm14;
+       vmovdqu 7 * 32(%rcx), %ymm15;
 
        outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
                    %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
@@ -887,14 +887,14 @@ __camellia_dec_blk32:
                     %ymm15, %rax, %rcx, 0);
 
        /* load CD for output */
-       vmovdqa 0 * 32(%rcx), %ymm8;
-       vmovdqa 1 * 32(%rcx), %ymm9;
-       vmovdqa 2 * 32(%rcx), %ymm10;
-       vmovdqa 3 * 32(%rcx), %ymm11;
-       vmovdqa 4 * 32(%rcx), %ymm12;
-       vmovdqa 5 * 32(%rcx), %ymm13;
-       vmovdqa 6 * 32(%rcx), %ymm14;
-       vmovdqa 7 * 32(%rcx), %ymm15;
+       vmovdqu 0 * 32(%rcx), %ymm8;
+       vmovdqu 1 * 32(%rcx), %ymm9;
+       vmovdqu 2 * 32(%rcx), %ymm10;
+       vmovdqu 3 * 32(%rcx), %ymm11;
+       vmovdqu 4 * 32(%rcx), %ymm12;
+       vmovdqu 5 * 32(%rcx), %ymm13;
+       vmovdqu 6 * 32(%rcx), %ymm14;
+       vmovdqu 7 * 32(%rcx), %ymm15;
 
        outunpack32(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
                    %ymm8, %ymm9, %ymm10, %ymm11, %ymm12, %ymm13, %ymm14,
@@ -937,14 +937,16 @@ _gcry_camellia_aesni_avx2_ctr_enc:
         *      %rcx: iv (big endian, 128bit)
         */
 
+       pushq %rbp;
+       movq %rsp, %rbp;
+
        movq 8(%rcx), %r11;
        bswapq %r11;
 
        vzeroupper;
 
-       movq %rsp, %r10;
        subq $(16 * 32), %rsp;
-       andq $~31, %rsp;
+       andq $~63, %rsp;
        movq %rsp, %rax;
 
        vpcmpeqd %ymm15, %ymm15, %ymm15;
@@ -958,7 +960,7 @@ _gcry_camellia_aesni_avx2_ctr_enc:
        vbroadcasti128 .Lbswap128_mask RIP, %ymm14;
        vinserti128 $1, %xmm0, %ymm1, %ymm0;
        vpshufb %ymm14, %ymm0, %ymm13;
-       vmovdqa %ymm13, 15 * 32(%rax);
+       vmovdqu %ymm13, 15 * 32(%rax);
 
        /* check need for handling 64-bit overflow and carry */
        cmpq $(0xffffffffffffffff - 32), %r11;
@@ -968,10 +970,10 @@ _gcry_camellia_aesni_avx2_ctr_enc:
        vpaddq %ymm15, %ymm15, %ymm15; /* ab: -2:0 ; cd: -2:0 */
        vpsubq %ymm15, %ymm0, %ymm0;
        vpshufb %ymm14, %ymm0, %ymm13;
-       vmovdqa %ymm13, 14 * 32(%rax);
+       vmovdqu %ymm13, 14 * 32(%rax);
        vpsubq %ymm15, %ymm0, %ymm0;
        vpshufb %ymm14, %ymm0, %ymm13;
-       vmovdqa %ymm13, 13 * 32(%rax);
+       vmovdqu %ymm13, 13 * 32(%rax);
        vpsubq %ymm15, %ymm0, %ymm0;
        vpshufb %ymm14, %ymm0, %ymm12;
        vpsubq %ymm15, %ymm0, %ymm0;
@@ -1010,11 +1012,11 @@ _gcry_camellia_aesni_avx2_ctr_enc:
        inc_le128(%ymm0, %ymm15, %ymm13); /* ab: le1 ; cd: le2 */
        inc_le128(%ymm0, %ymm15, %ymm13); /* ab: le2 ; cd: le3 */
        vpshufb %ymm14, %ymm0, %ymm13;
-       vmovdqa %ymm13, 14 * 32(%rax);
+       vmovdqu %ymm13, 14 * 32(%rax);
        inc_le128(%ymm0, %ymm15, %ymm13);
        inc_le128(%ymm0, %ymm15, %ymm13);
        vpshufb %ymm14, %ymm0, %ymm13;
-       vmovdqa %ymm13, 13 * 32(%rax);
+       vmovdqu %ymm13, 13 * 32(%rax);
        inc_le128(%ymm0, %ymm15, %ymm13);
        inc_le128(%ymm0, %ymm15, %ymm13);
        vpshufb %ymm14, %ymm0, %ymm12;
@@ -1083,8 +1085,6 @@ _gcry_camellia_aesni_avx2_ctr_enc:
 
        call __camellia_enc_blk32;
 
-       movq %r10, %rsp;
-
        vpxor 0 * 32(%rdx), %ymm7, %ymm7;
        vpxor 1 * 32(%rdx), %ymm6, %ymm6;
        vpxor 2 * 32(%rdx), %ymm5, %ymm5;
@@ -1109,6 +1109,7 @@ _gcry_camellia_aesni_avx2_ctr_enc:
 
        vzeroall;
 
+       leave;
        ret;
 .size _gcry_camellia_aesni_avx2_ctr_enc,.-_gcry_camellia_aesni_avx2_ctr_enc;
 
@@ -1124,6 +1125,9 @@ _gcry_camellia_aesni_avx2_cbc_dec:
         *      %rcx: iv
         */
 
+       pushq %rbp;
+       movq %rsp, %rbp;
+
        vzeroupper;
 
        movq %rcx, %r9;
@@ -1133,9 +1137,8 @@ _gcry_camellia_aesni_avx2_cbc_dec:
        movl $24, %eax;
        cmovel %eax, %r8d; /* max */
 
-       movq %rsp, %r10;
        subq $(16 * 32), %rsp;
-       andq $~31, %rsp;
+       andq $~63, %rsp;
        movq %rsp, %rax;
 
        inpack32_pre(%ymm0, %ymm1, %ymm2, %ymm3, %ymm4, %ymm5, %ymm6, %ymm7,
@@ -1145,11 +1148,11 @@ _gcry_camellia_aesni_avx2_cbc_dec:
        call __camellia_dec_blk32;
 
        /* XOR output with IV */
-       vmovdqa %ymm8, (%rax);
+       vmovdqu %ymm8, (%rax);
        vmovdqu (%r9), %xmm8;
        vinserti128 $1, (%rdx), %ymm8, %ymm8;
        vpxor %ymm8, %ymm7, %ymm7;
-       vmovdqa (%rax), %ymm8;
+       vmovdqu (%rax), %ymm8;
        vpxor (0 * 32 + 16)(%rdx), %ymm6, %ymm6;
        vpxor (1 * 32 + 16)(%rdx), %ymm5, %ymm5;
        vpxor (2 * 32 + 16)(%rdx), %ymm4, %ymm4;
@@ -1168,8 +1171,6 @@ _gcry_camellia_aesni_avx2_cbc_dec:
        movq (15 * 32 + 16 + 0)(%rdx), %rax;
        movq (15 * 32 + 16 + 8)(%rdx), %rcx;
 
-       movq %r10, %rsp;
-
        write_output(%ymm7, %ymm6, %ymm5, %ymm4, %ymm3, %ymm2, %ymm1, %ymm0,
                     %ymm15, %ymm14, %ymm13, %ymm12, %ymm11, %ymm10, %ymm9,
                     %ymm8, %rsi);
@@ -1180,6 +1181,7 @@ _gcry_camellia_aesni_avx2_cbc_dec:
 
        vzeroall;
 
+       leave;
        ret;
 .size _gcry_camellia_aesni_avx2_cbc_dec,.-_gcry_camellia_aesni_avx2_cbc_dec;
 
@@ -1195,11 +1197,13 @@ _gcry_camellia_aesni_avx2_cfb_dec:
         *      %rcx: iv
         */
 
+       pushq %rbp;
+       movq %rsp, %rbp;
+
        vzeroupper;
 
-       movq %rsp, %r10;
        subq $(16 * 32), %rsp;
-       andq $~31, %rsp;
+       andq $~63, %rsp;
        movq %rsp, %rax;
 
        /* inpack16_pre: */
@@ -1228,8 +1232,6 @@ _gcry_camellia_aesni_avx2_cfb_dec:
 
        call __camellia_enc_blk32;
 
-       movq %r10, %rsp;
-
        vpxor 0 * 32(%rdx), %ymm7, %ymm7;
        vpxor 1 * 32(%rdx), %ymm6, %ymm6;
        vpxor 2 * 32(%rdx), %ymm5, %ymm5;
@@ -1253,6 +1255,7 @@ _gcry_camellia_aesni_avx2_cfb_dec:
 
        vzeroall;
 
+       leave;
        ret;
 .size _gcry_camellia_aesni_avx2_cfb_dec,.-_gcry_camellia_aesni_avx2_cfb_dec;