]> Cypherpunks repositories - gostls13.git/commitdiff
crypto/elliptic: add asm implementation for p256 on ppc64le
authorLynn Boger <laboger@linux.vnet.ibm.com>
Wed, 20 Mar 2019 13:30:27 +0000 (09:30 -0400)
committerLynn Boger <laboger@linux.vnet.ibm.com>
Mon, 28 Oct 2019 12:35:06 +0000 (12:35 +0000)
This adds an asm implementation of the p256 functions used
in crypto/elliptic, utilizing VMX, VSX to improve performance.
On a power9 the improvement is:

elliptic benchmarks:
name            old time/op    new time/op    delta
BaseMult          1.40ms ± 0%    1.44ms ± 0%   +2.66%  (p=0.029 n=4+4)
BaseMultP256       317µs ± 0%      50µs ± 0%  -84.14%  (p=0.029 n=4+4)
ScalarMultP256     854µs ± 2%     214µs ± 0%  -74.91%  (p=0.029 n=4+4)

ecdsa benchmarks:
name           old time/op    new time/op    delta
SignP256          377µs ± 0%     111µs ± 0%  -70.57%  (p=0.029 n=4+4)
SignP384         6.55ms ± 0%    6.48ms ± 0%   -1.03%  (p=0.029 n=4+4)
VerifyP256       1.19ms ± 0%    0.26ms ± 0%  -78.54%  (p=0.029 n=4+4)
KeyGeneration     319µs ± 0%      52µs ± 0%  -83.56%  (p=0.029 n=4+4)

This implemenation is based on the s390x implementation, using
comparable instructions for most with some minor changes where the
instructions are not quite the same.

Some changes were also needed since s390x is big endian and ppc64le
is little endian.

This also enables the fuzz_test for ppc64le.

Change-Id: I59a69515703b82ad2929f68ba2f11208fa833181
Reviewed-on: https://go-review.googlesource.com/c/go/+/168478
Run-TryBot: Lynn Boger <laboger@linux.vnet.ibm.com>
TryBot-Result: Gobot Gobot <gobot@golang.org>
Reviewed-by: Michael Munday <mike.munday@ibm.com>
src/crypto/elliptic/fuzz_test.go
src/crypto/elliptic/p256_asm_ppc64le.s [new file with mode: 0644]
src/crypto/elliptic/p256_generic.go
src/crypto/elliptic/p256_ppc64le.go [new file with mode: 0644]

index eaeed0daccea00ad35d0ca85b73b288d13875775..b9209a789bf35ccbb95993f31a310a9cfa1e79d9 100644 (file)
@@ -2,7 +2,7 @@
 // Use of this source code is governed by a BSD-style
 // license that can be found in the LICENSE file.
 
-// +build amd64 arm64
+// +build amd64 arm64 ppc64le
 
 package elliptic
 
diff --git a/src/crypto/elliptic/p256_asm_ppc64le.s b/src/crypto/elliptic/p256_asm_ppc64le.s
new file mode 100644 (file)
index 0000000..4428a18
--- /dev/null
@@ -0,0 +1,2517 @@
+// Copyright 2019 The Go Authors. All rights reserved.
+// Use of this source code is governed by a BSD-style
+// license that can be found in the LICENSE file.
+
+#include "textflag.h"
+
+// This is a port of the s390x asm implementation.
+// to ppc64le.
+
+// Some changes were needed due to differences in
+// the Go opcodes and/or available instructions
+// between s390x and ppc64le.
+
+// 1. There were operand order differences in the
+// VSUBUQM, VSUBCUQ, and VSEL instructions.
+
+// 2. ppc64 does not have a multiply high and low
+// like s390x, so those were implemented using
+// macros to compute the equivalent values.
+
+// 3. The LVX, STVX instructions on ppc64 require
+// 16 byte alignment of the data.  To avoid that
+// requirement, data is loaded using LXVD2X and
+// STXVD2X with VPERM to reorder bytes correctly.
+
+// I have identified some areas where I believe
+// changes would be needed to make this work for big
+// endian; however additional changes beyond what I
+// have noted are most likely needed to make it work.
+// - The string used with VPERM to swap the byte order
+//   for loads and stores.
+// - The EXTRACT_HI and EXTRACT_LO strings.
+// - The constants that are loaded from CPOOL.
+//
+
+// Permute string used by VPERM to reorder bytes
+// loaded or stored using LXVD2X or STXVD2X
+// on little endian.
+DATA byteswap<>+0(SB)/8, $0x08090a0b0c0d0e0f
+DATA byteswap<>+8(SB)/8, $0x0001020304050607
+
+// The following constants are defined in an order
+// that is correct for use with LXVD2X/STXVD2X
+// on little endian.
+DATA p256<>+0x00(SB)/8, $0xffffffff00000001 // P256
+DATA p256<>+0x08(SB)/8, $0x0000000000000000 // P256
+DATA p256<>+0x10(SB)/8, $0x00000000ffffffff // P256
+DATA p256<>+0x18(SB)/8, $0xffffffffffffffff // P256
+DATA p256<>+0x20(SB)/8, $0x0c0d0e0f1c1d1e1f // SEL d1 d0 d1 d0
+DATA p256<>+0x28(SB)/8, $0x0c0d0e0f1c1d1e1f // SEL d1 d0 d1 d0
+DATA p256<>+0x30(SB)/8, $0x0000000010111213 // SEL 0  d1 d0  0
+DATA p256<>+0x38(SB)/8, $0x1415161700000000 // SEL 0  d1 d0  0
+DATA p256<>+0x40(SB)/8, $0x18191a1b1c1d1e1f // SEL d1 d0 d1 d0
+DATA p256<>+0x48(SB)/8, $0x18191a1b1c1d1e1f // SEL d1 d0 d1 d0
+DATA p256mul<>+0x00(SB)/8, $0x00000000ffffffff // P256 original
+DATA p256mul<>+0x08(SB)/8, $0xffffffffffffffff // P256
+DATA p256mul<>+0x10(SB)/8, $0xffffffff00000001 // P256 original
+DATA p256mul<>+0x18(SB)/8, $0x0000000000000000 // P256
+DATA p256mul<>+0x20(SB)/8, $0x1c1d1e1f00000000 // SEL d0  0  0 d0
+DATA p256mul<>+0x28(SB)/8, $0x000000001c1d1e1f // SEL d0  0  0 d0
+DATA p256mul<>+0x30(SB)/8, $0x0001020304050607 // SEL d0  0 d1 d0
+DATA p256mul<>+0x38(SB)/8, $0x1c1d1e1f0c0d0e0f // SEL d0  0 d1 d0
+DATA p256mul<>+0x40(SB)/8, $0x040506071c1d1e1f // SEL  0 d1 d0 d1
+DATA p256mul<>+0x48(SB)/8, $0x0c0d0e0f1c1d1e1f // SEL  0 d1 d0 d1
+DATA p256mul<>+0x50(SB)/8, $0x0405060704050607 // SEL  0  0 d1 d0
+DATA p256mul<>+0x58(SB)/8, $0x1c1d1e1f0c0d0e0f // SEL  0  0 d1 d0
+DATA p256mul<>+0x60(SB)/8, $0x0c0d0e0f1c1d1e1f // SEL d1 d0 d1 d0
+DATA p256mul<>+0x68(SB)/8, $0x0c0d0e0f1c1d1e1f // SEL d1 d0 d1 d0
+DATA p256mul<>+0x70(SB)/8, $0x141516170c0d0e0f // SEL 0  d1 d0  0
+DATA p256mul<>+0x78(SB)/8, $0x1c1d1e1f14151617 // SEL 0  d1 d0  0
+DATA p256mul<>+0x80(SB)/8, $0xffffffff00000000 // (1*2^256)%P256
+DATA p256mul<>+0x88(SB)/8, $0x0000000000000001 // (1*2^256)%P256
+DATA p256mul<>+0x90(SB)/8, $0x00000000fffffffe // (1*2^256)%P256
+DATA p256mul<>+0x98(SB)/8, $0xffffffffffffffff // (1*2^256)%P256
+
+// The following are used with VPERM to extract the high and low
+// values from the intermediate results of a vector multiply.
+// They are used in the VMULTxxx macros. These have been tested
+// only on little endian, I think they would have to be different
+// for big endian.
+DATA p256permhilo<>+0x00(SB)/8, $0x0405060714151617 // least significant
+DATA p256permhilo<>+0x08(SB)/8, $0x0c0d0e0f1c1d1e1f
+DATA p256permhilo<>+0x10(SB)/8, $0x0001020310111213 // most significant
+DATA p256permhilo<>+0x18(SB)/8, $0x08090a0b18191A1B
+
+// External declarations for constants
+GLOBL p256ord<>(SB), 8, $32
+GLOBL p256<>(SB), 8, $80
+GLOBL p256mul<>(SB), 8, $160
+GLOBL p256permhilo<>(SB), 8, $32
+GLOBL byteswap<>+0(SB), RODATA, $16
+
+// The following macros are used to implement the ppc64le
+// equivalent function from the corresponding s390x
+// instruction for vector multiply high, low, and add,
+// since there aren't exact equivalent instructions.
+// The corresponding s390x instructions appear in the
+// comments.
+// Implementation for big endian would have to be
+// investigated, I think it would be different.
+//
+// Vector multiply low word
+//
+//     VMLF  x0, x1, out_low
+#define VMULT_LOW(x1, x2, out_low) \
+       VMULUWM x1, x2, out_low
+
+       //
+       // Vector multiply high word
+       //
+       //      VMLHF x0, x1, out_hi
+#define VMULT_HI(x1, x2, out_hi) \
+       VMULEUW x1, x2, TMP1;                  \
+       VMULOUW x1, x2, TMP2;                  \
+       VPERM   TMP1, TMP2, EXTRACT_HI, out_hi
+
+//
+// Vector multiply word
+//
+//     VMLF  x0, x1, out_low
+//     VMLHF x0, x1, out_hi
+#define VMULT(x1, x2, out_low, out_hi) \
+       VMULEUW x1, x2, TMP1;                    \
+       VMULOUW x1, x2, TMP2;                    \
+       VPERM   TMP1, TMP2, EXTRACT_LO, out_low; \
+       VPERM   TMP1, TMP2, EXTRACT_HI, out_hi
+
+//
+// Vector multiply add word
+//
+//     VMALF  x0, x1, y, out_low
+//     VMALHF x0, x1, y, out_hi
+#define VMULT_ADD(x1, x2, y, out_low, out_hi) \
+       VSPLTISW $1, TMP1;                        \
+       VMULEUW  y, TMP1, TMP2;                   \
+       VMULOUW  y, TMP1, TMP1;                   \
+       VMULEUW  x1, x2, out_low;                 \
+       VMULOUW  x1, x2, out_hi;                  \
+       VADDUDM  TMP1, out_hi, TMP1;              \
+       VADDUDM  TMP2, out_low, TMP2;             \
+       VPERM    TMP2, TMP1, EXTRACT_LO, out_low; \
+       VPERM    TMP2, TMP1, EXTRACT_HI, out_hi
+
+//
+// Vector multiply add high word
+//
+//     VMALF  x0, x1, y, out_low
+//     VMALHF x0, x1, y, out_hi
+#define VMULT_ADD_HI(x1, x2, y, out_low, out_hi) \
+       VSPLTISW $1, TMP1;                      \
+       VMULOUW  y, TMP1, TMP2;                 \
+       VMULEUW  y, TMP1, TMP1;                 \
+       VMULEUW  x1, x2, out_hi;                \
+       VMULOUW  x1, x2, out_low;               \
+       VADDUDM  TMP1, out_hi, TMP1;            \
+       VADDUDM  TMP2, out_low, TMP2;           \
+       VPERM    TMP2, TMP1, EXTRACT_HI, out_hi
+
+//
+// Vector multiply add low word
+//
+//     VMALF   s0, x1, y, out_low
+#define VMULT_ADD_LOW(x1, x2, y, out_low) \
+       VMULUWM x1, x2, out_low;    \
+       VADDUWM out_low, y, out_low
+
+#define res_ptr R3
+#define a_ptr R4
+
+// func p256ReverseBytes(res, in []byte)
+// Reuse of target and destination OK
+TEXT ·p256ReverseBytes(SB), NOSPLIT, $0-48
+       MOVD res+0(FP), res_ptr
+       MOVD in+24(FP), a_ptr
+
+       MOVD $8, R5
+       MOVD $16, R6
+       MOVD $24, R7
+
+       MOVDBR (R0+a_ptr), R8
+       MOVDBR (R5+a_ptr), R9
+       MOVDBR (R6+a_ptr), R10
+       MOVDBR (R7+a_ptr), R11
+
+       MOVD R11, (R0+res_ptr)
+       MOVD R10, (R5+res_ptr)
+       MOVD R9, (R6+res_ptr)
+       MOVD R8, (R7+res_ptr)
+       RET
+
+#undef res_ptr
+#undef a_ptr
+
+// func p256NegCond(val *p256Point, cond int)
+#define P1ptr   R3
+#define CPOOL   R7
+
+#define Y1L   V0
+#define Y1L_  VS32
+#define Y1H   V1
+#define Y1H_  VS33
+#define T1L   V2
+#define T1L_  VS34
+#define T1H   V3
+#define T1H_  VS35
+
+#define SWAP V28
+#define SWAP_ VS60
+
+#define PL    V30
+#define PL_   VS62
+#define PH    V31
+#define PH_   VS63
+
+#define SEL1  V5
+#define SEL1_ VS37
+#define CAR1  V6
+//
+// iff cond == 1 val <- -val
+//
+TEXT ·p256NegCond(SB), NOSPLIT, $0-16
+       MOVD val+0(FP), P1ptr
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $40, R19
+
+       MOVD cond+8(FP), R6
+       CMP  $0, R6
+       BC   12, 2, LR      // just return if cond == 0
+
+       MOVD $p256mul<>+0x00(SB), CPOOL
+
+       MOVD   $byteswap<>+0x00(SB), R8
+       LXVD2X (R8)(R0), SWAP_
+
+       LXVD2X (P1ptr)(R17), Y1L_
+       LXVD2X (P1ptr)(R18), Y1H_
+
+       VPERM Y1H, Y1H, SWAP, Y1H
+       VPERM Y1L, Y1L, SWAP, Y1L
+
+       LXVD2X (CPOOL)(R0), PL_
+       LXVD2X (CPOOL)(R16), PH_
+
+       VSUBCUQ  PL, Y1L, CAR1      // subtract part2 giving carry
+       VSUBUQM  PL, Y1L, T1L       // subtract part2 giving result
+       VSUBEUQM PH, Y1H, CAR1, T1H // subtract part1 using carry from part2
+
+       VPERM T1H, T1H, SWAP, T1H
+       VPERM T1L, T1L, SWAP, T1L
+
+       STXVD2X T1L_, (R17+P1ptr)
+       STXVD2X T1H_, (R18+P1ptr)
+       RET
+
+#undef P1ptr
+#undef CPOOL
+#undef Y1L
+#undef Y1L_
+#undef Y1H
+#undef Y1H_
+#undef T1L
+#undef T1L_
+#undef T1H
+#undef T1H_
+#undef PL
+#undef PL_
+#undef PH
+#undef PH_
+#undef SEL1
+#undef SEL1_
+#undef CAR1
+
+//
+// if cond == 0 res <-b else res <-a
+//
+// func p256MovCond(res, a, b *p256Point, cond int)
+#define P3ptr   R3
+#define P1ptr   R4
+#define P2ptr   R5
+
+#define FROMptr R7
+#define X1L    V0
+#define X1H    V1
+#define Y1L    V2
+#define Y1H    V3
+#define Z1L    V4
+#define Z1H    V5
+#define X1L_   VS32
+#define X1H_   VS33
+#define Y1L_   VS34
+#define Y1H_   VS35
+#define Z1L_   VS36
+#define Z1H_   VS37
+
+// This function uses LXVD2X and STXVD2X to avoid the
+// data alignment requirement for LVX, STVX. Since
+// this code is just moving bytes and not doing arithmetic,
+// order of the bytes doesn't matter.
+//
+TEXT ·p256MovCond(SB), NOSPLIT, $0-32
+       MOVD res+0(FP), P3ptr
+       MOVD a+8(FP), P1ptr
+       MOVD b+16(FP), P2ptr
+       MOVD cond+24(FP), R6
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $56, R21
+       MOVD $64, R19
+       MOVD $80, R20
+
+       // Check the condition
+       CMP $0, R6
+
+       // If 0, use b as the source
+       BEQ FROMB
+
+       // Not 0, use a as the source
+       MOVD P1ptr, FROMptr
+       BR   LOADVALS
+
+FROMB:
+       MOVD P2ptr, FROMptr
+
+LOADVALS:
+       // Load from a or b depending on the setting
+       // of FROMptr
+       LXVW4X (FROMptr+R0), X1H_
+       LXVW4X (FROMptr+R16), X1L_
+       LXVW4X (FROMptr+R17), Y1H_
+       LXVW4X (FROMptr+R18), Y1L_
+       LXVW4X (FROMptr+R19), Z1H_
+       LXVW4X (FROMptr+R20), Z1L_
+
+       STXVW4X X1H_, (P3ptr+R0)
+       STXVW4X X1L_, (P3ptr+R16)
+       STXVW4X Y1H_, (P3ptr+R17)
+       STXVW4X Y1L_, (P3ptr+R18)
+       STXVW4X Z1H_, (P3ptr+R19)
+       STXVW4X Z1L_, (P3ptr+R20)
+
+       RET
+
+#undef P3ptr
+#undef P1ptr
+#undef P2ptr
+#undef FROMptr
+#undef X1L
+#undef X1H
+#undef Y1L
+#undef Y1H
+#undef Z1L
+#undef Z1H
+#undef X1L_
+#undef X1H_
+#undef Y1L_
+#undef Y1H_
+#undef Z1L_
+#undef Z1H_
+//
+// Select the point from the table for idx
+//
+// func p256Select(point *p256Point, table []p256Point, idx int)
+#define P3ptr   R3
+#define P1ptr   R4
+#define COUNT   R5
+
+#define X1L    V0
+#define X1H    V1
+#define Y1L    V2
+#define Y1H    V3
+#define Z1L    V4
+#define Z1H    V5
+#define X1L_   VS32
+#define X1H_   VS33
+#define Y1L_   VS34
+#define Y1H_   VS35
+#define Z1L_   VS36
+#define Z1H_   VS37
+#define X2L    V6
+#define X2H    V7
+#define Y2L    V8
+#define Y2H    V9
+#define Z2L    V10
+#define Z2H    V11
+#define X2L_   VS38
+#define X2H_   VS39
+#define Y2L_   VS40
+#define Y2H_   VS41
+#define Z2L_   VS42
+#define Z2H_   VS43
+
+#define ONE   V18
+#define IDX   V19
+#define SEL1  V20
+#define SEL1_ VS52
+#define SEL2  V21
+//
+TEXT ·p256Select(SB), NOSPLIT, $0-40
+       MOVD point+0(FP), P3ptr
+       MOVD table+8(FP), P1ptr
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $64, R19
+       MOVD $80, R20
+
+       LXVDSX   (R1)(R19), SEL1_ // VLREPG idx+32(FP), SEL1
+       VSPLTB   $7, SEL1, IDX    // splat byte
+       VSPLTISB $1, ONE          // VREPIB $1, ONE
+       VSPLTISB $1, SEL2         // VREPIB $1, SEL2
+       MOVD     $17, COUNT
+       MOVD     COUNT, CTR       // set up ctr
+
+       VSPLTISB $0, X1H // VZERO  X1H
+       VSPLTISB $0, X1L // VZERO  X1L
+       VSPLTISB $0, Y1H // VZERO  Y1H
+       VSPLTISB $0, Y1L // VZERO  Y1L
+       VSPLTISB $0, Z1H // VZERO  Z1H
+       VSPLTISB $0, Z1L // VZERO  Z1L
+
+loop_select:
+
+       // LVXD2X is used here since data alignment doesn't
+       // matter.
+
+       LXVD2X (P1ptr+R0), X2H_
+       LXVD2X (P1ptr+R16), X2L_
+       LXVD2X (P1ptr+R17), Y2H_
+       LXVD2X (P1ptr+R18), Y2L_
+       LXVD2X (P1ptr+R19), Z2H_
+       LXVD2X (P1ptr+R20), Z2L_
+
+       VCMPEQUD SEL2, IDX, SEL1 // VCEQG SEL2, IDX, SEL1 OK
+
+       // This will result in SEL1 being all 0s or 1s, meaning
+       // the result is either X1L or X2L, no individual byte
+       // selection.
+
+       VSEL X1L, X2L, SEL1, X1L
+       VSEL X1H, X2H, SEL1, X1H
+       VSEL Y1L, Y2L, SEL1, Y1L
+       VSEL Y1H, Y2H, SEL1, Y1H
+       VSEL Z1L, Z2L, SEL1, Z1L
+       VSEL Z1H, Z2H, SEL1, Z1H
+
+       // Add 1 to all bytes in SEL2
+       VADDUBM SEL2, ONE, SEL2    // VAB  SEL2, ONE, SEL2 OK
+       ADD     $96, P1ptr
+       BC      16, 0, loop_select
+
+       // STXVD2X is used here so that alignment doesn't
+       // need to be verified. Since values were loaded
+       // using LXVD2X this is OK.
+       STXVD2X X1H_, (P3ptr+R0)
+       STXVD2X X1L_, (P3ptr+R16)
+       STXVD2X Y1H_, (P3ptr+R17)
+       STXVD2X Y1L_, (P3ptr+R18)
+       STXVD2X Z1H_, (P3ptr+R19)
+       STXVD2X Z1L_, (P3ptr+R20)
+       RET
+
+#undef P3ptr
+#undef P1ptr
+#undef COUNT
+#undef X1L
+#undef X1H
+#undef Y1L
+#undef Y1H
+#undef Z1L
+#undef Z1H
+#undef X2L
+#undef X2H
+#undef Y2L
+#undef Y2H
+#undef Z2L
+#undef Z2H
+#undef X2L_
+#undef X2H_
+#undef Y2L_
+#undef Y2H_
+#undef Z2L_
+#undef Z2H_
+#undef ONE
+#undef IDX
+#undef SEL1
+#undef SEL1_
+#undef SEL2
+
+// func p256SelectBase(point, table []uint64, idx int)
+#define P3ptr   R3
+#define P1ptr   R4
+#define COUNT   R5
+
+#define X1L    V0
+#define X1H    V1
+#define Y1L    V2
+#define Y1H    V3
+#define Z1L    V4
+#define Z1H    V5
+#define X2L    V6
+#define X2H    V7
+#define Y2L    V8
+#define Y2H    V9
+#define Z2L    V10
+#define Z2H    V11
+#define X2L_   VS38
+#define X2H_   VS39
+#define Y2L_   VS40
+#define Y2H_   VS41
+#define Z2L_   VS42
+#define Z2H_   VS43
+
+#define ONE   V18
+#define IDX   V19
+#define SEL1  V20
+#define SEL1_ VS52
+#define SEL2  V21
+TEXT ·p256SelectBase(SB), NOSPLIT, $0-40
+       MOVD point+0(FP), P3ptr
+       MOVD table+8(FP), P1ptr
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $64, R19
+       MOVD $80, R20
+       MOVD $56, R21
+
+       LXVDSX (R1)(R19), SEL1_
+       VSPLTB $7, SEL1, IDX    // splat byte
+
+       VSPLTISB $1, ONE    // Vector with byte 1s
+       VSPLTISB $1, SEL2   // Vector with byte 1s
+       MOVD     $65, COUNT
+       MOVD     COUNT, CTR // loop count
+
+       VSPLTISB $0, X1H // VZERO  X1H
+       VSPLTISB $0, X1L // VZERO  X1L
+       VSPLTISB $0, Y1H // VZERO  Y1H
+       VSPLTISB $0, Y1L // VZERO  Y1L
+       VSPLTISB $0, Z1H // VZERO  Z1H
+       VSPLTISB $0, Z1L // VZERO  Z1L
+
+loop_select:
+       LXVD2X (P1ptr+R0), X2H_
+       LXVD2X (P1ptr+R16), X2L_
+       LXVD2X (P1ptr+R17), Y2H_
+       LXVD2X (P1ptr+R18), Y2L_
+       LXVD2X (P1ptr+R19), Z2H_
+       LXVD2X (P1ptr+R20), Z2L_
+
+       VCMPEQUD SEL2, IDX, SEL1 // Compare against idx
+
+       VSEL X1L, X2L, SEL1, X1L // Select if idx matched
+       VSEL X1H, X2H, SEL1, X1H
+       VSEL Y1L, Y2L, SEL1, Y1L
+       VSEL Y1H, Y2H, SEL1, Y1H
+       VSEL Z1L, Z2L, SEL1, Z1L
+       VSEL Z1H, Z2H, SEL1, Z1H
+
+       VADDUBM SEL2, ONE, SEL2    // Increment SEL2 bytes by 1
+       ADD     $96, P1ptr         // Next chunk
+       BC      16, 0, loop_select
+
+       STXVD2X X1H_, (P3ptr+R0)
+       STXVD2X X1L_, (P3ptr+R16)
+       STXVD2X Y1H_, (P3ptr+R17)
+       STXVD2X Y1L_, (P3ptr+R18)
+       STXVD2X Z1H_, (P3ptr+R19)
+       STXVD2X Z1L_, (P3ptr+R20)
+       RET
+
+#undef P3ptr
+#undef P1ptr
+#undef COUNT
+#undef X1L
+#undef X1H
+#undef Y1L
+#undef Y1H
+#undef Z1L
+#undef Z1H
+#undef X2L
+#undef X2H
+#undef Y2L
+#undef Y2H
+#undef Z2L
+#undef Z2H
+#undef X1L_
+#undef X1H_
+#undef X2L_
+#undef X2H_
+#undef Y1L_
+#undef Y1H_
+#undef Y2L_
+#undef Y2H_
+#undef Z1L_
+#undef Z1H_
+#undef Z2L_
+#undef Z2H_
+#undef ONE
+#undef IDX
+#undef SEL1
+#undef SEL1_
+#undef SEL2
+#undef SWAP
+#undef SWAP_
+
+// ---------------------------------------
+// func p256FromMont(res, in []byte)
+#define res_ptr R3
+#define x_ptr   R4
+#define CPOOL   R7
+
+#define T0   V0
+#define T0_  VS32
+#define T1   V1
+#define T1_  VS33
+#define T2   V2
+#define TT0  V3
+#define TT1  V4
+#define TT0_ VS35
+#define TT1_ VS36
+
+#define ZER   V6
+#define SEL1  V7
+#define SEL1_ VS39
+#define SEL2  V8
+#define SEL2_ VS40
+#define CAR1  V9
+#define CAR2  V10
+#define RED1  V11
+#define RED2  V12
+#define PL    V13
+#define PL_   VS45
+#define PH    V14
+#define PH_   VS46
+#define SWAP  V28
+#define SWAP_ VS57
+
+TEXT ·p256FromMont(SB), NOSPLIT, $0-48
+       MOVD res+0(FP), res_ptr
+       MOVD in+24(FP), x_ptr
+
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $64, R19
+       MOVD $p256<>+0x00(SB), CPOOL
+       MOVD $byteswap<>+0x00(SB), R15
+
+       VSPLTISB $0, T2  // VZERO T2
+       VSPLTISB $0, ZER // VZERO ZER
+
+       // Constants are defined so that the LXVD2X is correct
+       LXVD2X (CPOOL+R0), PH_
+       LXVD2X (CPOOL+R16), PL_
+
+       // VPERM byte selections
+       LXVD2X (CPOOL+R18), SEL2_
+       LXVD2X (CPOOL+R19), SEL1_
+
+       LXVD2X (R15)(R0), SWAP_
+
+       LXVD2X (R16)(x_ptr), T1_
+       LXVD2X (R0)(x_ptr), T0_
+
+       // Put in true little endian order
+       VPERM T0, T0, SWAP, T0
+       VPERM T1, T1, SWAP, T1
+
+       // First round
+       VPERM   T1, T0, SEL1, RED2    // d1 d0 d1 d0
+       VPERM   ZER, RED2, SEL2, RED1 // 0  d1 d0  0
+       VSUBUQM RED2, RED1, RED2      // VSQ   RED1, RED2, RED2      // Guaranteed not to underflow
+
+       VSLDOI $8, T1, T0, T0 // VSLDB $8, T1, T0, T0
+       VSLDOI $8, T2, T1, T1 // VSLDB $8, T2, T1, T1
+
+       VADDCUQ  T0, RED1, CAR1       // VACCQ  T0, RED1, CAR1
+       VADDUQM  T0, RED1, T0         // VAQ    T0, RED1, T0
+       VADDECUQ T1, RED2, CAR1, CAR2 // VACCCQ T1, RED2, CAR1, CAR2
+       VADDEUQM T1, RED2, CAR1, T1   // VACQ   T1, RED2, CAR1, T1
+       VADDUQM  T2, CAR2, T2         // VAQ    T2, CAR2, T2
+
+       // Second round
+       VPERM   T1, T0, SEL1, RED2    // d1 d0 d1 d0
+       VPERM   ZER, RED2, SEL2, RED1 // 0  d1 d0  0
+       VSUBUQM RED2, RED1, RED2      // VSQ   RED1, RED2, RED2      // Guaranteed not to underflow
+
+       VSLDOI $8, T1, T0, T0 // VSLDB $8, T1, T0, T0
+       VSLDOI $8, T2, T1, T1 // VSLDB $8, T2, T1, T1
+
+       VADDCUQ  T0, RED1, CAR1       // VACCQ  T0, RED1, CAR1
+       VADDUQM  T0, RED1, T0         // VAQ    T0, RED1, T0
+       VADDECUQ T1, RED2, CAR1, CAR2 // VACCCQ T1, RED2, CAR1, CAR2
+       VADDEUQM T1, RED2, CAR1, T1   // VACQ   T1, RED2, CAR1, T1
+       VADDUQM  T2, CAR2, T2         // VAQ    T2, CAR2, T2
+
+       // Third round
+       VPERM   T1, T0, SEL1, RED2    // d1 d0 d1 d0
+       VPERM   ZER, RED2, SEL2, RED1 // 0  d1 d0  0
+       VSUBUQM RED2, RED1, RED2      // VSQ   RED1, RED2, RED2      // Guaranteed not to underflow
+
+       VSLDOI $8, T1, T0, T0 // VSLDB $8, T1, T0, T0
+       VSLDOI $8, T2, T1, T1 // VSLDB $8, T2, T1, T1
+
+       VADDCUQ  T0, RED1, CAR1       // VACCQ  T0, RED1, CAR1
+       VADDUQM  T0, RED1, T0         // VAQ    T0, RED1, T0
+       VADDECUQ T1, RED2, CAR1, CAR2 // VACCCQ T1, RED2, CAR1, CAR2
+       VADDEUQM T1, RED2, CAR1, T1   // VACQ   T1, RED2, CAR1, T1
+       VADDUQM  T2, CAR2, T2         // VAQ    T2, CAR2, T2
+
+       // Last round
+       VPERM   T1, T0, SEL1, RED2    // d1 d0 d1 d0
+       VPERM   ZER, RED2, SEL2, RED1 // 0  d1 d0  0
+       VSUBUQM RED2, RED1, RED2      // VSQ   RED1, RED2, RED2      // Guaranteed not to underflow
+
+       VSLDOI $8, T1, T0, T0 // VSLDB $8, T1, T0, T0
+       VSLDOI $8, T2, T1, T1 // VSLDB $8, T2, T1, T1
+
+       VADDCUQ  T0, RED1, CAR1       // VACCQ  T0, RED1, CAR1
+       VADDUQM  T0, RED1, T0         // VAQ    T0, RED1, T0
+       VADDECUQ T1, RED2, CAR1, CAR2 // VACCCQ T1, RED2, CAR1, CAR2
+       VADDEUQM T1, RED2, CAR1, T1   // VACQ   T1, RED2, CAR1, T1
+       VADDUQM  T2, CAR2, T2         // VAQ    T2, CAR2, T2
+
+       // ---------------------------------------------------
+
+       VSUBCUQ  T0, PL, CAR1       // VSCBIQ  PL, T0, CAR1
+       VSUBUQM  T0, PL, TT0        // VSQ     PL, T0, TT0
+       VSUBECUQ T1, PH, CAR1, CAR2 // VSBCBIQ T1, PH, CAR1, CAR2
+       VSUBEUQM T1, PH, CAR1, TT1  // VSBIQ   T1, PH, CAR1, TT1
+       VSUBEUQM T2, ZER, CAR2, T2  // VSBIQ   T2, ZER, CAR2, T2
+
+       VSEL TT0, T0, T2, T0
+       VSEL TT1, T1, T2, T1
+
+       // Reorder the bytes so STXVD2X can be used.
+       // TT0, TT1 used for VPERM result in case
+       // the caller expects T0, T1 to be good.
+       VPERM T0, T0, SWAP, TT0
+       VPERM T1, T1, SWAP, TT1
+
+       STXVD2X TT0_, (R0)(res_ptr)
+       STXVD2X TT1_, (R16)(res_ptr)
+       RET
+
+#undef res_ptr
+#undef x_ptr
+#undef CPOOL
+#undef T0
+#undef T0_
+#undef T1
+#undef T1_
+#undef T2
+#undef TT0
+#undef TT1
+#undef ZER
+#undef SEL1
+#undef SEL1_
+#undef SEL2
+#undef SEL2_
+#undef CAR1
+#undef CAR2
+#undef RED1
+#undef RED2
+#undef PL
+#undef PL_
+#undef PH
+#undef PH_
+#undef SWAP
+#undef SWAP_
+
+// ---------------------------------------
+// p256MulInternal
+// V0-V3 V30,V31 - Not Modified
+// V4-V15 V27-V29 - Volatile
+
+#define CPOOL   R7
+
+// Parameters
+#define X0    V0 // Not modified
+#define X1    V1 // Not modified
+#define Y0    V2 // Not modified
+#define Y1    V3 // Not modified
+#define T0    V4 // Result
+#define T1    V5 // Result
+#define P0    V30 // Not modified
+#define P1    V31 // Not modified
+
+// Temporaries: lots of reused vector regs
+#define YDIG  V6 // Overloaded with CAR2
+#define ADD1H V7 // Overloaded with ADD3H
+#define ADD2H V8 // Overloaded with ADD4H
+#define ADD3  V9 // Overloaded with SEL2,SEL5
+#define ADD4  V10 // Overloaded with SEL3,SEL6
+#define RED1  V11 // Overloaded with CAR2
+#define RED2  V12
+#define RED3  V13 // Overloaded with SEL1
+#define T2    V14
+// Overloaded temporaries
+#define ADD1  V4 // Overloaded with T0
+#define ADD2  V5 // Overloaded with T1
+#define ADD3H V7 // Overloaded with ADD1H
+#define ADD4H V8 // Overloaded with ADD2H
+#define ZER   V28 // Overloaded with TMP1
+#define CAR1  V6 // Overloaded with YDIG
+#define CAR2  V11 // Overloaded with RED1
+// Constant Selects
+#define SEL1  V13 // Overloaded with RED3
+#define SEL2  V9 // Overloaded with ADD3,SEL5
+#define SEL3  V10 // Overloaded with ADD4,SEL6
+#define SEL4  V6 // Overloaded with YDIG,CAR1
+#define SEL5  V9 // Overloaded with ADD3,SEL2
+#define SEL6  V10 // Overloaded with ADD4,SEL3
+#define SEL1_ VS45
+#define SEL2_ VS41
+#define SEL3_ VS42
+#define SEL4_ VS38
+#define SEL5_ VS41
+#define SEL6_ VS42
+
+// TMP1, TMP2, EXTRACT_LO, EXTRACT_HI used in
+// VMULT macros
+#define TMP1  V13 // Overloaded with RED3
+#define TMP2  V27
+#define EVENODD R5
+#define EXTRACT_LO  V28
+#define EXTRACT_LO_ VS60
+#define EXTRACT_HI  V29
+#define EXTRACT_HI_ VS61
+
+/* *
+ * To follow the flow of bits, for your own sanity a stiff drink, need you shall.
+ * Of a single round, a 'helpful' picture, here is. Meaning, column position has.
+ * With you, SIMD be...
+ *
+ *                                           +--------+--------+
+ *                                  +--------|  RED2  |  RED1  |
+ *                                  |        +--------+--------+
+ *                                  |       ---+--------+--------+
+ *                                  |  +---- T2|   T1   |   T0   |--+
+ *                                  |  |    ---+--------+--------+  |
+ *                                  |  |                            |
+ *                                  |  |    ======================= |
+ *                                  |  |                            |
+ *                                  |  |       +--------+--------+<-+
+ *                                  |  +-------|  ADD2  |  ADD1  |--|-----+
+ *                                  |  |       +--------+--------+  |     |
+ *                                  |  |     +--------+--------+<---+     |
+ *                                  |  |     | ADD2H  | ADD1H  |--+       |
+ *                                  |  |     +--------+--------+  |       |
+ *                                  |  |     +--------+--------+<-+       |
+ *                                  |  |     |  ADD4  |  ADD3  |--|-+     |
+ *                                  |  |     +--------+--------+  | |     |
+ *                                  |  |   +--------+--------+<---+ |     |
+ *                                  |  |   | ADD4H  | ADD3H  |------|-+   |(+vzero)
+ *                                  |  |   +--------+--------+      | |   V
+ *                                  |  | ------------------------   | | +--------+
+ *                                  |  |                            | | |  RED3  |  [d0 0 0 d0]
+ *                                  |  |                            | | +--------+
+ *                                  |  +---->+--------+--------+    | |   |
+ *   (T2[1w]||ADD2[4w]||ADD1[3w])   +--------|   T1   |   T0   |    | |   |
+ *                                  |        +--------+--------+    | |   |
+ *                                  +---->---+--------+--------+    | |   |
+ *                                         T2|   T1   |   T0   |----+ |   |
+ *                                        ---+--------+--------+    | |   |
+ *                                        ---+--------+--------+<---+ |   |
+ *                                    +--- T2|   T1   |   T0   |----------+
+ *                                    |   ---+--------+--------+      |   |
+ *                                    |  +--------+--------+<-------------+
+ *                                    |  |  RED2  |  RED1  |-----+    |   | [0 d1 d0 d1] [d0 0 d1 d0]
+ *                                    |  +--------+--------+     |    |   |
+ *                                    |  +--------+<----------------------+
+ *                                    |  |  RED3  |--------------+    |     [0 0 d1 d0]
+ *                                    |  +--------+              |    |
+ *                                    +--->+--------+--------+   |    |
+ *                                         |   T1   |   T0   |--------+
+ *                                         +--------+--------+   |    |
+ *                                   --------------------------- |    |
+ *                                                               |    |
+ *                                       +--------+--------+<----+    |
+ *                                       |  RED2  |  RED1  |          |
+ *                                       +--------+--------+          |
+ *                                      ---+--------+--------+<-------+
+ *                                       T2|   T1   |   T0   |            (H1P-H1P-H00RRAY!)
+ *                                      ---+--------+--------+
+ *
+ *                                                                *Mi obra de arte de siglo XXI @vpaprots
+ *
+ *
+ * First group is special, doesnt get the two inputs:
+ *                                             +--------+--------+<-+
+ *                                     +-------|  ADD2  |  ADD1  |--|-----+
+ *                                     |       +--------+--------+  |     |
+ *                                     |     +--------+--------+<---+     |
+ *                                     |     | ADD2H  | ADD1H  |--+       |
+ *                                     |     +--------+--------+  |       |
+ *                                     |     +--------+--------+<-+       |
+ *                                     |     |  ADD4  |  ADD3  |--|-+     |
+ *                                     |     +--------+--------+  | |     |
+ *                                     |   +--------+--------+<---+ |     |
+ *                                     |   | ADD4H  | ADD3H  |------|-+   |(+vzero)
+ *                                     |   +--------+--------+      | |   V
+ *                                     | ------------------------   | | +--------+
+ *                                     |                            | | |  RED3  |  [d0 0 0 d0]
+ *                                     |                            | | +--------+
+ *                                     +---->+--------+--------+    | |   |
+ *   (T2[1w]||ADD2[4w]||ADD1[3w])            |   T1   |   T0   |----+ |   |
+ *                                           +--------+--------+    | |   |
+ *                                        ---+--------+--------+<---+ |   |
+ *                                    +--- T2|   T1   |   T0   |----------+
+ *                                    |   ---+--------+--------+      |   |
+ *                                    |  +--------+--------+<-------------+
+ *                                    |  |  RED2  |  RED1  |-----+    |   | [0 d1 d0 d1] [d0 0 d1 d0]
+ *                                    |  +--------+--------+     |    |   |
+ *                                    |  +--------+<----------------------+
+ *                                    |  |  RED3  |--------------+    |     [0 0 d1 d0]
+ *                                    |  +--------+              |    |
+ *                                    +--->+--------+--------+   |    |
+ *                                         |   T1   |   T0   |--------+
+ *                                         +--------+--------+   |    |
+ *                                   --------------------------- |    |
+ *                                                               |    |
+ *                                       +--------+--------+<----+    |
+ *                                       |  RED2  |  RED1  |          |
+ *                                       +--------+--------+          |
+ *                                      ---+--------+--------+<-------+
+ *                                       T2|   T1   |   T0   |            (H1P-H1P-H00RRAY!)
+ *                                      ---+--------+--------+
+ *
+ * Last 'group' needs to RED2||RED1 shifted less
+ */
+TEXT p256MulInternal<>(SB), NOSPLIT, $0-16
+       // CPOOL loaded from caller
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $64, R19
+       MOVD $80, R20
+       MOVD $96, R21
+       MOVD $112, R22
+
+       MOVD $p256permhilo<>+0x00(SB), EVENODD
+
+       // These values are used by the VMULTxxx macros to
+       // extract the high and low portions of the intermediate
+       // result.
+       LXVD2X (R0)(EVENODD), EXTRACT_LO_
+       LXVD2X (R16)(EVENODD), EXTRACT_HI_
+
+       // ---------------------------------------------------
+
+       VSPLTW $3, Y0, YDIG // VREPF Y0 is input
+
+       //      VMLHF X0, YDIG, ADD1H
+       //      VMLHF X1, YDIG, ADD2H
+       //      VMLF  X0, YDIG, ADD1
+       //      VMLF  X1, YDIG, ADD2
+       //
+       VMULT(X0, YDIG, ADD1, ADD1H)
+       VMULT(X1, YDIG, ADD2, ADD2H)
+
+       VSPLTW $2, Y0, YDIG // VREPF
+
+       //      VMALF  X0, YDIG, ADD1H, ADD3
+       //      VMALF  X1, YDIG, ADD2H, ADD4
+       //      VMALHF X0, YDIG, ADD1H, ADD3H // ADD1H Free
+       //      VMALHF X1, YDIG, ADD2H, ADD4H // ADD2H Free
+       VMULT_ADD(X0, YDIG, ADD1H, ADD3, ADD3H)
+       VMULT_ADD(X1, YDIG, ADD2H, ADD4, ADD4H)
+
+       LXVD2X   (R17)(CPOOL), SEL1_
+       VSPLTISB $0, ZER               // VZERO ZER
+       VPERM    ZER, ADD1, SEL1, RED3 // [d0 0 0 d0]
+
+       VSLDOI $12, ADD2, ADD1, T0 // ADD1 Free // VSLDB
+       VSLDOI $12, ZER, ADD2, T1  // ADD2 Free // VSLDB
+
+       VADDCUQ  T0, ADD3, CAR1     // VACCQ
+       VADDUQM  T0, ADD3, T0       // ADD3 Free        // VAQ
+       VADDECUQ T1, ADD4, CAR1, T2 // VACCCQ
+       VADDEUQM T1, ADD4, CAR1, T1 // ADD4 Free        // VACQ
+
+       LXVD2X  (R18)(CPOOL), SEL2_
+       LXVD2X  (R19)(CPOOL), SEL3_
+       LXVD2X  (R20)(CPOOL), SEL4_
+       VPERM   RED3, T0, SEL2, RED1 // [d0  0 d1 d0]
+       VPERM   RED3, T0, SEL3, RED2 // [ 0 d1 d0 d1]
+       VPERM   RED3, T0, SEL4, RED3 // [ 0  0 d1 d0]
+       VSUBUQM RED2, RED3, RED2     // Guaranteed not to underflow -->? // VSQ
+
+       VSLDOI $12, T1, T0, T0 // VSLDB
+       VSLDOI $12, T2, T1, T1 // VSLDB
+
+       VADDCUQ  T0, ADD3H, CAR1     // VACCQ
+       VADDUQM  T0, ADD3H, T0       // VAQ
+       VADDECUQ T1, ADD4H, CAR1, T2 // VACCCQ
+       VADDEUQM T1, ADD4H, CAR1, T1 // VACQ
+
+       // ---------------------------------------------------
+
+       VSPLTW $1, Y0, YDIG                // VREPF
+       LXVD2X (R0)(EVENODD), EXTRACT_LO_
+       LXVD2X (R16)(EVENODD), EXTRACT_HI_
+
+       //      VMALHF X0, YDIG, T0, ADD1H
+       //      VMALHF X1, YDIG, T1, ADD2H
+       //      VMALF  X0, YDIG, T0, ADD1  // T0 Free->ADD1
+       //      VMALF  X1, YDIG, T1, ADD2  // T1 Free->ADD2
+       VMULT_ADD(X0, YDIG, T0, ADD1, ADD1H)
+       VMULT_ADD(X1, YDIG, T1, ADD2, ADD2H)
+
+       VSPLTW $0, Y0, YDIG // VREPF
+
+       //      VMALF  X0, YDIG, ADD1H, ADD3
+       //      VMALF  X1, YDIG, ADD2H, ADD4
+       //      VMALHF X0, YDIG, ADD1H, ADD3H // ADD1H Free->ADD3H
+       //      VMALHF X1, YDIG, ADD2H, ADD4H // ADD2H Free->ADD4H , YDIG Free->ZER
+       VMULT_ADD(X0, YDIG, ADD1H, ADD3, ADD3H)
+       VMULT_ADD(X1, YDIG, ADD2H, ADD4, ADD4H)
+
+       VSPLTISB $0, ZER               // VZERO ZER
+       LXVD2X   (R17)(CPOOL), SEL1_
+       VPERM    ZER, ADD1, SEL1, RED3 // [d0 0 0 d0]
+
+       VSLDOI $12, ADD2, ADD1, T0 // ADD1 Free->T0             // VSLDB
+       VSLDOI $12, T2, ADD2, T1   // ADD2 Free->T1, T2 Free    // VSLDB
+
+       VADDCUQ  T0, RED1, CAR1     // VACCQ
+       VADDUQM  T0, RED1, T0       // VAQ
+       VADDECUQ T1, RED2, CAR1, T2 // VACCCQ
+       VADDEUQM T1, RED2, CAR1, T1 // VACQ
+
+       VADDCUQ  T0, ADD3, CAR1       // VACCQ
+       VADDUQM  T0, ADD3, T0         // VAQ
+       VADDECUQ T1, ADD4, CAR1, CAR2 // VACCCQ
+       VADDEUQM T1, ADD4, CAR1, T1   // VACQ
+       VADDUQM  T2, CAR2, T2         // VAQ
+
+       LXVD2X  (R18)(CPOOL), SEL2_
+       LXVD2X  (R19)(CPOOL), SEL3_
+       LXVD2X  (R20)(CPOOL), SEL4_
+       VPERM   RED3, T0, SEL2, RED1 // [d0  0 d1 d0]
+       VPERM   RED3, T0, SEL3, RED2 // [ 0 d1 d0 d1]
+       VPERM   RED3, T0, SEL4, RED3 // [ 0  0 d1 d0]
+       VSUBUQM RED2, RED3, RED2     // Guaranteed not to underflow     // VSQ
+
+       VSLDOI $12, T1, T0, T0 // VSLDB
+       VSLDOI $12, T2, T1, T1 // VSLDB
+
+       VADDCUQ  T0, ADD3H, CAR1     // VACCQ
+       VADDUQM  T0, ADD3H, T0       // VAQ
+       VADDECUQ T1, ADD4H, CAR1, T2 // VACCCQ
+       VADDEUQM T1, ADD4H, CAR1, T1 // VACQ
+
+       // ---------------------------------------------------
+
+       VSPLTW $3, Y1, YDIG                // VREPF
+       LXVD2X (R0)(EVENODD), EXTRACT_LO_
+       LXVD2X (R16)(EVENODD), EXTRACT_HI_
+
+       //      VMALHF X0, YDIG, T0, ADD1H
+       //      VMALHF X1, YDIG, T1, ADD2H
+       //      VMALF  X0, YDIG, T0, ADD1
+       //      VMALF  X1, YDIG, T1, ADD2
+       VMULT_ADD(X0, YDIG, T0, ADD1, ADD1H)
+       VMULT_ADD(X1, YDIG, T1, ADD2, ADD2H)
+
+       VSPLTW $2, Y1, YDIG // VREPF
+
+       //      VMALF  X0, YDIG, ADD1H, ADD3
+       //      VMALF  X1, YDIG, ADD2H, ADD4
+       //      VMALHF X0, YDIG, ADD1H, ADD3H // ADD1H Free
+       //      VMALHF X1, YDIG, ADD2H, ADD4H // ADD2H Free
+       VMULT_ADD(X0, YDIG, ADD1H, ADD3, ADD3H)
+       VMULT_ADD(X1, YDIG, ADD2H, ADD4, ADD4H)
+
+       LXVD2X   (R17)(CPOOL), SEL1_
+       VSPLTISB $0, ZER               // VZERO ZER
+       LXVD2X   (R17)(CPOOL), SEL1_
+       VPERM    ZER, ADD1, SEL1, RED3 // [d0 0 0 d0]
+
+       VSLDOI $12, ADD2, ADD1, T0 // ADD1 Free         // VSLDB
+       VSLDOI $12, T2, ADD2, T1   // ADD2 Free         // VSLDB
+
+       VADDCUQ  T0, RED1, CAR1     // VACCQ
+       VADDUQM  T0, RED1, T0       // VAQ
+       VADDECUQ T1, RED2, CAR1, T2 // VACCCQ
+       VADDEUQM T1, RED2, CAR1, T1 // VACQ
+
+       VADDCUQ  T0, ADD3, CAR1       // VACCQ
+       VADDUQM  T0, ADD3, T0         // VAQ
+       VADDECUQ T1, ADD4, CAR1, CAR2 // VACCCQ
+       VADDEUQM T1, ADD4, CAR1, T1   // VACQ
+       VADDUQM  T2, CAR2, T2         // VAQ
+
+       LXVD2X  (R18)(CPOOL), SEL2_
+       LXVD2X  (R19)(CPOOL), SEL3_
+       LXVD2X  (R20)(CPOOL), SEL4_
+       VPERM   RED3, T0, SEL2, RED1 // [d0  0 d1 d0]
+       VPERM   RED3, T0, SEL3, RED2 // [ 0 d1 d0 d1]
+       VPERM   RED3, T0, SEL4, RED3 // [ 0  0 d1 d0]
+       VSUBUQM RED2, RED3, RED2     // Guaranteed not to underflow     // VSQ
+
+       VSLDOI $12, T1, T0, T0 // VSLDB
+       VSLDOI $12, T2, T1, T1 // VSLDB
+
+       VADDCUQ  T0, ADD3H, CAR1     // VACCQ
+       VADDUQM  T0, ADD3H, T0       // VAQ
+       VADDECUQ T1, ADD4H, CAR1, T2 // VACCCQ
+       VADDEUQM T1, ADD4H, CAR1, T1 // VACQ
+
+       // ---------------------------------------------------
+
+       VSPLTW $1, Y1, YDIG                // VREPF
+       LXVD2X (R0)(EVENODD), EXTRACT_LO_
+       LXVD2X (R16)(EVENODD), EXTRACT_HI_
+
+       //      VMALHF X0, YDIG, T0, ADD1H
+       //      VMALHF X1, YDIG, T1, ADD2H
+       //      VMALF  X0, YDIG, T0, ADD1
+       //      VMALF  X1, YDIG, T1, ADD2
+       VMULT_ADD(X0, YDIG, T0, ADD1, ADD1H)
+       VMULT_ADD(X1, YDIG, T1, ADD2, ADD2H)
+
+       VSPLTW $0, Y1, YDIG // VREPF
+
+       //      VMALF  X0, YDIG, ADD1H, ADD3
+       //      VMALF  X1, YDIG, ADD2H, ADD4
+       //      VMALHF X0, YDIG, ADD1H, ADD3H
+       //      VMALHF X1, YDIG, ADD2H, ADD4H
+       VMULT_ADD(X0, YDIG, ADD1H, ADD3, ADD3H)
+       VMULT_ADD(X1, YDIG, ADD2H, ADD4, ADD4H)
+
+       VSPLTISB $0, ZER               // VZERO ZER
+       LXVD2X   (R17)(CPOOL), SEL1_
+       VPERM    ZER, ADD1, SEL1, RED3 // [d0 0 0 d0]
+
+       VSLDOI $12, ADD2, ADD1, T0 // VSLDB
+       VSLDOI $12, T2, ADD2, T1   // VSLDB
+
+       VADDCUQ  T0, RED1, CAR1     // VACCQ
+       VADDUQM  T0, RED1, T0       // VAQ
+       VADDECUQ T1, RED2, CAR1, T2 // VACCCQ
+       VADDEUQM T1, RED2, CAR1, T1 // VACQ
+
+       VADDCUQ  T0, ADD3, CAR1       // VACCQ
+       VADDUQM  T0, ADD3, T0         // VAQ
+       VADDECUQ T1, ADD4, CAR1, CAR2 // VACCCQ
+       VADDEUQM T1, ADD4, CAR1, T1   // VACQ
+       VADDUQM  T2, CAR2, T2         // VAQ
+
+       LXVD2X  (R21)(CPOOL), SEL5_
+       LXVD2X  (R22)(CPOOL), SEL6_
+       VPERM   T0, RED3, SEL5, RED2 // [d1 d0 d1 d0]
+       VPERM   T0, RED3, SEL6, RED1 // [ 0 d1 d0  0]
+       VSUBUQM RED2, RED1, RED2     // Guaranteed not to underflow     // VSQ
+
+       VSLDOI $12, T1, T0, T0 // VSLDB
+       VSLDOI $12, T2, T1, T1 // VSLDB
+
+       VADDCUQ  T0, ADD3H, CAR1     // VACCQ
+       VADDUQM  T0, ADD3H, T0       // VAQ
+       VADDECUQ T1, ADD4H, CAR1, T2 // VACCCQ
+       VADDEUQM T1, ADD4H, CAR1, T1 // VACQ
+
+       VADDCUQ  T0, RED1, CAR1       // VACCQ
+       VADDUQM  T0, RED1, T0         // VAQ
+       VADDECUQ T1, RED2, CAR1, CAR2 // VACCCQ
+       VADDEUQM T1, RED2, CAR1, T1   // VACQ
+       VADDUQM  T2, CAR2, T2         // VAQ
+
+       // ---------------------------------------------------
+
+       VSPLTISB $0, RED3            // VZERO   RED3
+       VSUBCUQ  T0, P0, CAR1        // VSCBIQ
+       VSUBUQM  T0, P0, ADD1H       // VSQ
+       VSUBECUQ T1, P1, CAR1, CAR2  // VSBCBIQ
+       VSUBEUQM T1, P1, CAR1, ADD2H // VSBIQ
+       VSUBEUQM T2, RED3, CAR2, T2  // VSBIQ
+
+       // what output to use, ADD2H||ADD1H or T1||T0?
+       VSEL ADD1H, T0, T2, T0
+       VSEL ADD2H, T1, T2, T1
+       RET
+
+#undef CPOOL
+
+#undef X0
+#undef X1
+#undef Y0
+#undef Y1
+#undef T0
+#undef T1
+#undef P0
+#undef P1
+
+#undef SEL1
+#undef SEL2
+#undef SEL3
+#undef SEL4
+#undef SEL5
+#undef SEL6
+#undef SEL1_
+#undef SEL2_
+#undef SEL3_
+#undef SEL4_
+#undef SEL5_
+#undef SEL6_
+
+#undef YDIG
+#undef ADD1H
+#undef ADD2H
+#undef ADD3
+#undef ADD4
+#undef RED1
+#undef RED2
+#undef RED3
+#undef T2
+#undef ADD1
+#undef ADD2
+#undef ADD3H
+#undef ADD4H
+#undef ZER
+#undef CAR1
+#undef CAR2
+
+#undef TMP1
+#undef TMP2
+#undef EVENODD
+#undef EXTRACT_HI
+#undef EXTRACT_HI_
+#undef EXTRACT_LO
+#undef EXTRACT_LO_
+
+#define p256SubInternal(T1, T0, X1, X0, Y1, Y0) \
+       VSPLTISB $0, ZER            \ // VZERO
+       VSUBCUQ  X0, Y0, CAR1       \
+       VSUBUQM  X0, Y0, T0         \
+       VSUBECUQ X1, Y1, CAR1, SEL1 \
+       VSUBEUQM X1, Y1, CAR1, T1   \
+       VSUBUQM  ZER, SEL1, SEL1    \ // VSQ
+                                   \
+       VADDCUQ  T0, PL, CAR1       \ // VACCQ
+       VADDUQM  T0, PL, TT0        \ // VAQ
+       VADDEUQM T1, PH, CAR1, TT1  \ // VACQ
+                                   \
+       VSEL     TT0, T0, SEL1, T0  \
+       VSEL     TT1, T1, SEL1, T1  \
+
+#define p256AddInternal(T1, T0, X1, X0, Y1, Y0) \
+       VADDCUQ  X0, Y0, CAR1        \
+       VADDUQM  X0, Y0, T0          \
+       VADDECUQ X1, Y1, CAR1, T2    \ // VACCCQ
+       VADDEUQM X1, Y1, CAR1, T1    \
+                                    \
+       VSPLTISB $0, ZER             \
+       VSUBCUQ  T0, PL, CAR1        \ // VSCBIQ
+       VSUBUQM  T0, PL, TT0         \
+       VSUBECUQ T1, PH, CAR1, CAR2  \ // VSBCBIQ
+       VSUBEUQM T1, PH, CAR1, TT1   \ // VSBIQ
+       VSUBEUQM T2, ZER, CAR2, SEL1 \
+                                    \
+       VSEL     TT0, T0, SEL1, T0   \
+       VSEL     TT1, T1, SEL1, T1
+
+#define p256HalfInternal(T1, T0, X1, X0) \
+       VSPLTISB $0, ZER            \
+       VSUBEUQM ZER, ZER, X0, SEL1 \
+                                   \
+       VADDCUQ  X0, PL, CAR1       \
+       VADDUQM  X0, PL, T0         \
+       VADDECUQ X1, PH, CAR1, T2   \
+       VADDEUQM X1, PH, CAR1, T1   \
+                                   \
+       VSEL     T0, X0, SEL1, T0   \
+       VSEL     T1, X1, SEL1, T1   \
+       VSEL     T2, ZER, SEL1, T2  \
+                                   \
+       VSLDOI   $15, T2, ZER, TT1  \
+       VSLDOI   $15, T1, ZER, TT0  \
+       VSPLTISB $1, SEL1           \
+       VSR      T0, SEL1, T0       \ // VSRL
+       VSR      T1, SEL1, T1       \
+       VSPLTISB $7, SEL1           \ // VREPIB
+       VSL      TT0, SEL1, TT0     \
+       VSL      TT1, SEL1, TT1     \
+       VOR      T0, TT0, T0        \
+       VOR      T1, TT1, T1
+
+// ---------------------------------------
+// func p256MulAsm(res, in1, in2 []byte)
+#define res_ptr R3
+#define x_ptr   R4
+#define y_ptr   R5
+#define CPOOL   R7
+#define TEMP    R8
+
+// Parameters
+#define X0    V0
+#define X1    V1
+#define Y0    V2
+#define Y1    V3
+#define T0    V4
+#define T1    V5
+#define X0_   VS32
+#define X1_   VS33
+#define Y0_   VS34
+#define Y1_   VS35
+#define T0_   VS36
+#define T1_   VS37
+#define SWAP   V28
+#define SWAP_  VS60
+
+// Constants
+#define P0    V30
+#define P1    V31
+#define P0_   VS62
+#define P1_   VS63
+//
+// Montgomery multiplication modulo P256
+//
+TEXT ·p256MulAsm(SB), NOSPLIT, $0-72
+       MOVD res+0(FP), res_ptr
+       MOVD in1+24(FP), x_ptr
+       MOVD in2+48(FP), y_ptr
+       MOVD $16, R16
+       MOVD $32, R17
+
+       MOVD $p256mul<>+0x00(SB), CPOOL
+       MOVD $byteswap<>+0x00(SB), R8
+
+       LXVD2X (R8)(R0), SWAP_
+
+       LXVD2X (R0)(x_ptr), X0_
+       LXVD2X (R16)(x_ptr), X1_
+
+       VPERM X0, X0, SWAP, X0
+       VPERM X1, X1, SWAP, X1
+
+       LXVD2X (R0)(y_ptr), Y0_
+       LXVD2X (R16)(y_ptr), Y1_
+
+       VPERM Y0, Y0, SWAP, Y0
+       VPERM Y1, Y1, SWAP, Y1
+
+       LXVD2X (R16)(CPOOL), P1_
+       LXVD2X (R0)(CPOOL), P0_
+
+       CALL p256MulInternal<>(SB)
+
+       MOVD $p256mul<>+0x00(SB), CPOOL
+       MOVD $byteswap<>+0x00(SB), R8
+
+       LXVD2X (R8)(R0), SWAP_
+
+       VPERM   T0, T0, SWAP, T0
+       VPERM   T1, T1, SWAP, T1
+       STXVD2X T0_, (R0)(res_ptr)
+       STXVD2X T1_, (R16)(res_ptr)
+       RET
+
+#undef res_ptr
+#undef x_ptr
+#undef y_ptr
+#undef CPOOL
+
+#undef X0
+#undef X1
+#undef Y0
+#undef Y1
+#undef T0
+#undef T1
+#undef P0
+#undef P1
+#undef X0_
+#undef X1_
+#undef Y0_
+#undef Y1_
+#undef T0_
+#undef T1_
+#undef P0_
+#undef P1_
+
+// Point add with P2 being affine point
+// If sign == 1 -> P2 = -P2
+// If sel == 0 -> P3 = P1
+// if zero == 0 -> P3 = P2
+// p256PointAddAffineAsm(P3, P1, P2 *p256Point, sign, sel, zero int)
+#define P3ptr   R3
+#define P1ptr   R4
+#define P2ptr   R5
+#define CPOOL   R7
+
+// Temporaries in REGs
+#define Y2L    V15
+#define Y2H    V16
+#define Y2L_   VS47
+#define Y2H_   VS48
+#define T1L    V17
+#define T1H    V18
+#define T2L    V19
+#define T2H    V20
+#define T3L    V21
+#define T3H    V22
+#define T4L    V23
+#define T4H    V24
+
+// Temps for Sub and Add
+#define TT0  V11
+#define TT1  V12
+#define T2   V13
+
+// p256MulAsm Parameters
+#define X0    V0
+#define X1    V1
+#define X0_   VS32
+#define X1_   VS33
+#define Y0    V2
+#define Y1    V3
+#define Y0_   VS34
+#define Y1_   VS35
+#define T0    V4
+#define T1    V5
+
+#define PL    V30
+#define PH    V31
+#define PL_   VS62
+#define PH_   VS63
+
+// Names for zero/sel selects
+#define X1L    V0
+#define X1H    V1
+#define X1L_   VS32
+#define X1H_   VS33
+#define Y1L    V2 // p256MulAsmParmY
+#define Y1H    V3 // p256MulAsmParmY
+#define Y1L_   VS34
+#define Y1H_   VS35
+#define Z1L    V4
+#define Z1H    V5
+#define Z1L_   VS36
+#define Z1H_   VS37
+#define X2L    V0
+#define X2H    V1
+#define X2L_   VS32
+#define X2H_   VS33
+#define Z2L    V4
+#define Z2H    V5
+#define Z2L_   VS36
+#define Z2H_   VS37
+#define X3L    V17 // T1L
+#define X3H    V18 // T1H
+#define Y3L    V21 // T3L
+#define Y3H    V22 // T3H
+#define Z3L    V25
+#define Z3H    V26
+#define X3L_   VS49
+#define X3H_   VS50
+#define Y3L_   VS53
+#define Y3H_   VS54
+#define Z3L_   VS57
+#define Z3H_   VS58
+
+#define ZER   V6
+#define SEL1  V7
+#define SEL1_ VS39
+#define CAR1  V8
+#define CAR2  V9
+/* *
+ * Three operand formula:
+ * Source: 2004 Hankerson–Menezes–Vanstone, page 91.
+ * T1 = Z1²
+ * T2 = T1*Z1
+ * T1 = T1*X2
+ * T2 = T2*Y2
+ * T1 = T1-X1
+ * T2 = T2-Y1
+ * Z3 = Z1*T1
+ * T3 = T1²
+ * T4 = T3*T1
+ * T3 = T3*X1
+ * T1 = 2*T3
+ * X3 = T2²
+ * X3 = X3-T1
+ * X3 = X3-T4
+ * T3 = T3-X3
+ * T3 = T3*T2
+ * T4 = T4*Y1
+ * Y3 = T3-T4
+
+ * Three operand formulas, but with MulInternal X,Y used to store temps
+X=Z1; Y=Z1; MUL;T-   // T1 = Z1²      T1
+X=T ; Y-  ; MUL;T2=T // T2 = T1*Z1    T1   T2
+X-  ; Y=X2; MUL;T1=T // T1 = T1*X2    T1   T2
+X=T2; Y=Y2; MUL;T-   // T2 = T2*Y2    T1   T2
+SUB(T2<T-Y1)         // T2 = T2-Y1    T1   T2
+SUB(Y<T1-X1)         // T1 = T1-X1    T1   T2
+X=Z1; Y- ;  MUL;Z3:=T// Z3 = Z1*T1         T2
+X=Y;  Y- ;  MUL;X=T  // T3 = T1*T1         T2
+X- ;  Y- ;  MUL;T4=T // T4 = T3*T1         T2        T4
+X- ;  Y=X1; MUL;T3=T // T3 = T3*X1         T2   T3   T4
+ADD(T1<T+T)          // T1 = T3+T3    T1   T2   T3   T4
+X=T2; Y=T2; MUL;T-   // X3 = T2*T2    T1   T2   T3   T4
+SUB(T<T-T1)          // X3 = X3-T1    T1   T2   T3   T4
+SUB(T<T-T4) X3:=T    // X3 = X3-T4         T2   T3   T4
+SUB(X<T3-T)          // T3 = T3-X3         T2   T3   T4
+X- ;  Y- ;  MUL;T3=T // T3 = T3*T2         T2   T3   T4
+X=T4; Y=Y1; MUL;T-   // T4 = T4*Y1              T3   T4
+SUB(T<T3-T) Y3:=T    // Y3 = T3-T4              T3   T4
+
+       */
+//
+// V27 is clobbered by p256MulInternal so must be
+// saved in a temp.
+//
+TEXT ·p256PointAddAffineAsm(SB), NOSPLIT, $16-48
+       MOVD res+0(FP), P3ptr
+       MOVD in1+8(FP), P1ptr
+       MOVD in2+16(FP), P2ptr
+
+       MOVD $p256mul<>+0x00(SB), CPOOL
+
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $64, R19
+       MOVD $80, R20
+       MOVD $96, R21
+       MOVD $112, R22
+       MOVD $128, R23
+       MOVD $144, R24
+       MOVD $160, R25
+       MOVD $104, R26 // offset of sign+24(FP)
+
+       MOVD   $byteswap<>+0+00(SB), R8
+       LXVD2X (R16)(CPOOL), PH_
+       LXVD2X (R0)(CPOOL), PL_
+
+       //      if (sign == 1) {
+       //              Y2 = fromBig(new(big.Int).Mod(new(big.Int).Sub(p256.P, new(big.Int).SetBytes(Y2)), p256.P)) // Y2  = P-Y2
+       //      }
+
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R17)(P2ptr), Y2L_
+       LXVD2X (R18)(P2ptr), Y2H_
+       VPERM  Y2H, Y2H, SWAP, Y2H
+       VPERM  Y2L, Y2L, SWAP, Y2L
+
+       // Equivalent of VLREPG sign+24(FP), SEL1
+       LXVDSX   (R1)(R26), SEL1_
+       VSPLTISB $0, ZER
+       VCMPEQUD SEL1, ZER, SEL1
+
+       VSUBCUQ  PL, Y2L, CAR1
+       VSUBUQM  PL, Y2L, T1L
+       VSUBEUQM PH, Y2H, CAR1, T1H
+
+       VSEL T1L, Y2L, SEL1, Y2L
+       VSEL T1H, Y2H, SEL1, Y2H
+
+/* *
+ * Three operand formula:
+ * Source: 2004 Hankerson–Menezes–Vanstone, page 91.
+ */
+       // X=Z1; Y=Z1; MUL; T-   // T1 = Z1²      T1
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R19)(P1ptr), X0_     // Z1H
+       LXVD2X (R20)(P1ptr), X1_     // Z1L
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       VOR    X0, X0, Y0
+       VOR    X1, X1, Y1
+       CALL   p256MulInternal<>(SB)
+
+       // X=T ; Y-  ; MUL; T2=T // T2 = T1*Z1    T1   T2
+       VOR  T0, T0, X0
+       VOR  T1, T1, X1
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, T2L
+       VOR  T1, T1, T2H
+
+       // X-  ; Y=X2; MUL; T1=T // T1 = T1*X2    T1   T2
+       MOVD   in2+16(FP), P2ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R0)(P2ptr), Y0_      // X2H
+       LXVD2X (R16)(P2ptr), Y1_     // X2L
+       VPERM  Y0, Y0, SWAP, Y0
+       VPERM  Y1, Y1, SWAP, Y1
+       CALL   p256MulInternal<>(SB)
+       VOR    T0, T0, T1L
+       VOR    T1, T1, T1H
+
+       // X=T2; Y=Y2; MUL; T-   // T2 = T2*Y2    T1   T2
+       VOR  T2L, T2L, X0
+       VOR  T2H, T2H, X1
+       VOR  Y2L, Y2L, Y0
+       VOR  Y2H, Y2H, Y1
+       CALL p256MulInternal<>(SB)
+
+       // SUB(T2<T-Y1)          // T2 = T2-Y1    T1   T2
+       MOVD   in1+8(FP), P1ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R17)(P1ptr), Y1L_
+       LXVD2X (R18)(P1ptr), Y1H_
+       VPERM  Y1H, Y1H, SWAP, Y1H
+       VPERM  Y1L, Y1L, SWAP, Y1L
+       p256SubInternal(T2H,T2L,T1,T0,Y1H,Y1L)
+
+       // SUB(Y<T1-X1)          // T1 = T1-X1    T1   T2
+       LXVD2X (R0)(P1ptr), X1L_
+       LXVD2X (R16)(P1ptr), X1H_
+       VPERM  X1H, X1H, SWAP, X1H
+       VPERM  X1L, X1L, SWAP, X1L
+       p256SubInternal(Y1,Y0,T1H,T1L,X1H,X1L)
+
+       // X=Z1; Y- ;  MUL; Z3:=T// Z3 = Z1*T1         T2
+       LXVD2X (R19)(P1ptr), X0_     // Z1H
+       LXVD2X (R20)(P1ptr), X1_     // Z1L
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       CALL   p256MulInternal<>(SB)
+
+       // VST T1, 64(P3ptr)
+       // VST T0, 80(P3ptr)
+       VOR T0, T0, Z3L
+       VOR T1, T1, Z3H
+
+       // X=Y;  Y- ;  MUL; X=T  // T3 = T1*T1         T2
+       VOR  Y0, Y0, X0
+       VOR  Y1, Y1, X1
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, X0
+       VOR  T1, T1, X1
+
+       // X- ;  Y- ;  MUL; T4=T // T4 = T3*T1         T2        T4
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, T4L
+       VOR  T1, T1, T4H
+
+       // X- ;  Y=X1; MUL; T3=T // T3 = T3*X1         T2   T3   T4
+       MOVD   in1+8(FP), P1ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R0)(P1ptr), Y0_      // X1H
+       LXVD2X (R16)(P1ptr), Y1_     // X1L
+       VPERM  Y1, Y1, SWAP, Y1
+       VPERM  Y0, Y0, SWAP, Y0
+       CALL   p256MulInternal<>(SB)
+       VOR    T0, T0, T3L
+       VOR    T1, T1, T3H
+
+       // ADD(T1<T+T)           // T1 = T3+T3    T1   T2   T3   T4
+       p256AddInternal(T1H,T1L, T1,T0,T1,T0)
+
+       // X=T2; Y=T2; MUL; T-   // X3 = T2*T2    T1   T2   T3   T4
+       VOR  T2L, T2L, X0
+       VOR  T2H, T2H, X1
+       VOR  T2L, T2L, Y0
+       VOR  T2H, T2H, Y1
+       CALL p256MulInternal<>(SB)
+
+       // SUB(T<T-T1)           // X3 = X3-T1    T1   T2   T3   T4  (T1 = X3)
+       p256SubInternal(T1,T0,T1,T0,T1H,T1L)
+
+       // SUB(T<T-T4) X3:=T     // X3 = X3-T4         T2   T3   T4
+       p256SubInternal(T1,T0,T1,T0,T4H,T4L)
+       VOR T0, T0, X3L
+       VOR T1, T1, X3H
+
+       // SUB(X<T3-T)           // T3 = T3-X3         T2   T3   T4
+       p256SubInternal(X1,X0,T3H,T3L,T1,T0)
+
+       // X- ;  Y- ;  MUL; T3=T // T3 = T3*T2         T2   T3   T4
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, T3L
+       VOR  T1, T1, T3H
+
+       // X=T4; Y=Y1; MUL; T-   // T4 = T4*Y1              T3   T4
+       VOR    T4L, T4L, X0
+       VOR    T4H, T4H, X1
+       MOVD   in1+8(FP), P1ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R17)(P1ptr), Y0_     // Y1H
+       LXVD2X (R18)(P1ptr), Y1_     // Y1L
+       VPERM  Y0, Y0, SWAP, Y0
+       VPERM  Y1, Y1, SWAP, Y1
+       CALL   p256MulInternal<>(SB)
+
+       // SUB(T<T3-T) Y3:=T     // Y3 = T3-T4              T3   T4  (T3 = Y3)
+       p256SubInternal(Y3H,Y3L,T3H,T3L,T1,T0)
+
+       //      if (sel == 0) {
+       //              copy(P3.x[:], X1)
+       //              copy(P3.y[:], Y1)
+       //              copy(P3.z[:], Z1)
+       //      }
+
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R0)(P1ptr), X1L_
+       LXVD2X (R16)(P1ptr), X1H_
+       VPERM  X1H, X1H, SWAP, X1H
+       VPERM  X1L, X1L, SWAP, X1L
+
+       // Y1 already loaded, left over from addition
+       LXVD2X (R19)(P1ptr), Z1L_
+       LXVD2X (R20)(P1ptr), Z1H_
+       VPERM  Z1H, Z1H, SWAP, Z1H
+       VPERM  Z1L, Z1L, SWAP, Z1L
+
+       MOVD     $112, R26        // Get offset to sel+32
+       LXVDSX   (R1)(R26), SEL1_
+       VSPLTISB $0, ZER
+       VCMPEQUD SEL1, ZER, SEL1
+
+       VSEL X3L, X1L, SEL1, X3L
+       VSEL X3H, X1H, SEL1, X3H
+       VSEL Y3L, Y1L, SEL1, Y3L
+       VSEL Y3H, Y1H, SEL1, Y3H
+       VSEL Z3L, Z1L, SEL1, Z3L
+       VSEL Z3H, Z1H, SEL1, Z3H
+
+       //      if (zero == 0) {
+       //              copy(P3.x[:], X2)
+       //              copy(P3.y[:], Y2)
+       //              copy(P3.z[:], []byte{0x00, 0x00, 0x00, 0x00, 0xff, 0xff, 0xff, 0xfe, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff,
+       //                      0xff, 0xff, 0xff, 0xff, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x01})  //(p256.z*2^256)%p
+       //      }
+       MOVD   in2+16(FP), P2ptr
+       LXVD2X (R0)(P2ptr), X2L_
+       LXVD2X (R16)(P2ptr), X2H_
+       VPERM  X2H, X2H, SWAP, X2H
+       VPERM  X2L, X2L, SWAP, X2L
+
+       // Y2 already loaded
+       LXVD2X (R23)(CPOOL), Z2L_
+       LXVD2X (R24)(CPOOL), Z2H_
+
+       MOVD     $120, R26        // Get the value from zero+40(FP)
+       LXVDSX   (R1)(R26), SEL1_
+       VSPLTISB $0, ZER
+       VCMPEQUD SEL1, ZER, SEL1
+
+       VSEL X3L, X2L, SEL1, X3L
+       VSEL X3H, X2H, SEL1, X3H
+       VSEL Y3L, Y2L, SEL1, Y3L
+       VSEL Y3H, Y2H, SEL1, Y3H
+       VSEL Z3L, Z2L, SEL1, Z3L
+       VSEL Z3H, Z2H, SEL1, Z3H
+
+       // Reorder the bytes so they can be stored using STXVD2X.
+       MOVD    res+0(FP), P3ptr
+       VPERM   X3H, X3H, SWAP, X3H
+       VPERM   X3L, X3L, SWAP, X3L
+       VPERM   Y3H, Y3H, SWAP, Y3H
+       VPERM   Y3L, Y3L, SWAP, Y3L
+       VPERM   Z3H, Z3H, SWAP, Z3H
+       VPERM   Z3L, Z3L, SWAP, Z3L
+       STXVD2X X3L_, (R0)(P3ptr)
+       STXVD2X X3H_, (R16)(P3ptr)
+       STXVD2X Y3L_, (R17)(P3ptr)
+       STXVD2X Y3H_, (R18)(P3ptr)
+       STXVD2X Z3L_, (R19)(P3ptr)
+       STXVD2X Z3H_, (R20)(P3ptr)
+
+       RET
+
+#undef P3ptr
+#undef P1ptr
+#undef P2ptr
+#undef CPOOL
+#undef SWAP
+#undef SWAP_
+
+#undef Y2L
+#undef Y2H
+#undef Y2L_
+#undef Y2H_
+#undef T1L
+#undef T1H
+#undef T2L
+#undef T2H
+#undef T3L
+#undef T3H
+#undef T4L
+#undef T4H
+
+#undef TT0
+#undef TT1
+#undef TT0_
+#undef TT1_
+#undef T2
+
+#undef X0
+#undef X1
+#undef X0_
+#undef X1_
+#undef Y0
+#undef Y1
+#undef Y0_
+#undef Y1_
+#undef T0
+#undef T1
+
+#undef PL
+#undef PH
+#undef PL_
+#undef PH_
+
+#undef X1L
+#undef X1H
+#undef X1L_
+#undef X1H_
+#undef Y1L
+#undef Y1H
+#undef Y1L_
+#undef Y1H_
+#undef Z1L
+#undef Z1H
+#undef Z1L_
+#undef Z1H_
+#undef X2L
+#undef X2H
+#undef X2L_
+#undef X2H_
+#undef Z2L
+#undef Z2H
+#undef Z2L_
+#undef Z2H_
+#undef X3L
+#undef X3H
+#undef X3L_
+#undef X3H_
+#undef Y3L
+#undef Y3H
+#undef Y3L_
+#undef Y3H_
+#undef Z3L
+#undef Z3H
+#undef Z3L_
+#undef Z3H_
+
+#undef ZER
+#undef SEL1
+#undef SEL1_
+#undef CAR1
+#undef CAR2
+
+// p256PointDoubleAsm(P3, P1 *p256Point)
+// http://www.hyperelliptic.org/EFD/g1p/auto-shortw-jacobian.html#doubling-dbl-2007-bl
+// http://www.hyperelliptic.org/EFD/g1p/auto-shortw.html
+// http://www.hyperelliptic.org/EFD/g1p/auto-shortw-projective-3.html
+#define P3ptr   R3
+#define P1ptr   R4
+#define CPOOL   R7
+
+// Temporaries in REGs
+#define X3L    V15
+#define X3H    V16
+#define X3L_   VS47
+#define X3H_   VS48
+#define Y3L    V17
+#define Y3H    V18
+#define Y3L_   VS49
+#define Y3H_   VS50
+#define T1L    V19
+#define T1H    V20
+#define T2L    V21
+#define T2H    V22
+#define T3L    V23
+#define T3H    V24
+
+#define X1L    V6
+#define X1H    V7
+#define X1L_   VS38
+#define X1H_   VS39
+#define Y1L    V8
+#define Y1H    V9
+#define Y1L_   VS40
+#define Y1H_   VS41
+#define Z1L    V10
+#define Z1H    V11
+
+// Temps for Sub and Add
+#define TT0  V11
+#define TT1  V12
+#define TT0_ VS43
+#define TT1_ VS44
+#define T2   V13
+
+// p256MulAsm Parameters
+#define X0    V0
+#define X1    V1
+#define X0_   VS32
+#define X1_   VS33
+#define Y0    V2
+#define Y1    V3
+#define Y0_   VS34
+#define Y1_   VS35
+#define T0    V4
+#define T1    V5
+#define T0_   VS36
+#define T1_   VS37
+
+#define PL    V30
+#define PH    V31
+#define PL_   VS62
+#define PH_   VS63
+
+#define Z3L    V23
+#define Z3H    V24
+
+#define SWAP V25
+#define SWAP_ VS57
+#define ZER   V26
+#define SEL1  V27
+#define CAR1  V28
+#define CAR2  V29
+/*
+ * http://www.hyperelliptic.org/EFD/g1p/auto-shortw-jacobian-3.html#doubling-dbl-2004-hmv
+ * Cost: 4M + 4S + 1*half + 5add + 2*2 + 1*3.
+ * Source: 2004 Hankerson–Menezes–Vanstone, page 91.
+ *     A  = 3(X₁-Z₁²)×(X₁+Z₁²)
+ *     B  = 2Y₁
+ *     Z₃ = B×Z₁
+ *     C  = B²
+ *     D  = C×X₁
+ *     X₃ = A²-2D
+ *     Y₃ = (D-X₃)×A-C²/2
+ *
+ * Three-operand formula:
+ *       T1 = Z1²
+ *       T2 = X1-T1
+ *       T1 = X1+T1
+ *       T2 = T2*T1
+ *       T2 = 3*T2
+ *       Y3 = 2*Y1
+ *       Z3 = Y3*Z1
+ *       Y3 = Y3²
+ *       T3 = Y3*X1
+ *       Y3 = Y3²
+ *       Y3 = half*Y3
+ *       X3 = T2²
+ *       T1 = 2*T3
+ *       X3 = X3-T1
+ *       T1 = T3-X3
+ *       T1 = T1*T2
+ *       Y3 = T1-Y3
+ */
+
+TEXT ·p256PointDoubleAsm(SB), NOSPLIT, $0-16
+       MOVD res+0(FP), P3ptr
+       MOVD in+8(FP), P1ptr
+
+       MOVD $p256mul<>+0x00(SB), CPOOL
+       MOVD $byteswap<>+0x00(SB), R15
+
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $64, R19
+       MOVD $80, R20
+
+       LXVD2X (R16)(CPOOL), PH_
+       LXVD2X (R0)(CPOOL), PL_
+
+       LXVD2X (R15)(R0), SWAP_
+
+       // X=Z1; Y=Z1; MUL; T-    // T1 = Z1²
+       LXVD2X (R19)(P1ptr), X0_ // Z1H
+       LXVD2X (R20)(P1ptr), X1_ // Z1L
+
+       VPERM X0, X0, SWAP, X0
+       VPERM X1, X1, SWAP, X1
+
+       VOR  X0, X0, Y0
+       VOR  X1, X1, Y1
+       CALL p256MulInternal<>(SB)
+
+       // SUB(X<X1-T)            // T2 = X1-T1
+       LXVD2X (R0)(P1ptr), X1L_
+       LXVD2X (R16)(P1ptr), X1H_
+       VPERM  X1L, X1L, SWAP, X1L
+       VPERM  X1H, X1H, SWAP, X1H
+
+       p256SubInternal(X1,X0,X1H,X1L,T1,T0)
+
+       // ADD(Y<X1+T)            // T1 = X1+T1
+       p256AddInternal(Y1,Y0,X1H,X1L,T1,T0)
+
+       // X-  ; Y-  ; MUL; T-    // T2 = T2*T1
+       CALL p256MulInternal<>(SB)
+
+       // ADD(T2<T+T); ADD(T2<T2+T)  // T2 = 3*T2
+       p256AddInternal(T2H,T2L,T1,T0,T1,T0)
+       p256AddInternal(T2H,T2L,T2H,T2L,T1,T0)
+
+       // ADD(X<Y1+Y1)           // Y3 = 2*Y1
+       LXVD2X (R15)(R0), SWAP_
+       LXVD2X (R17)(P1ptr), Y1L_
+       LXVD2X (R18)(P1ptr), Y1H_
+       VPERM  Y1L, Y1L, SWAP, Y1L
+       VPERM  Y1H, Y1H, SWAP, Y1H
+
+       p256AddInternal(X1,X0,Y1H,Y1L,Y1H,Y1L)
+
+       // X-  ; Y=Z1; MUL; Z3:=T // Z3 = Y3*Z1
+       LXVD2X (R15)(R0), SWAP_
+       LXVD2X (R19)(P1ptr), Y0_
+       LXVD2X (R20)(P1ptr), Y1_
+       VPERM  Y0, Y0, SWAP, Y0
+       VPERM  Y1, Y1, SWAP, Y1
+
+       CALL p256MulInternal<>(SB)
+
+       LXVD2X (R15)(R0), SWAP_
+
+       // Leave T0, T1 as is.
+       VPERM   T0, T0, SWAP, TT0
+       VPERM   T1, T1, SWAP, TT1
+       STXVD2X TT0_, (R19)(P3ptr)
+       STXVD2X TT1_, (R20)(P3ptr)
+
+       // X-  ; Y=X ; MUL; T-    // Y3 = Y3²
+       VOR  X0, X0, Y0
+       VOR  X1, X1, Y1
+       CALL p256MulInternal<>(SB)
+
+       // X=T ; Y=X1; MUL; T3=T  // T3 = Y3*X1
+       VOR    T0, T0, X0
+       VOR    T1, T1, X1
+       LXVD2X (R15)(R0), SWAP_
+       LXVD2X (R0)(P1ptr), Y0_
+       LXVD2X (R16)(P1ptr), Y1_
+       VPERM  Y0, Y0, SWAP, Y0
+       VPERM  Y1, Y1, SWAP, Y1
+       CALL   p256MulInternal<>(SB)
+       VOR    T0, T0, T3L
+       VOR    T1, T1, T3H
+
+       // X-  ; Y=X ; MUL; T-    // Y3 = Y3²
+       VOR  X0, X0, Y0
+       VOR  X1, X1, Y1
+       CALL p256MulInternal<>(SB)
+
+       // HAL(Y3<T)              // Y3 = half*Y3
+       p256HalfInternal(Y3H,Y3L, T1,T0)
+
+       // X=T2; Y=T2; MUL; T-    // X3 = T2²
+       VOR  T2L, T2L, X0
+       VOR  T2H, T2H, X1
+       VOR  T2L, T2L, Y0
+       VOR  T2H, T2H, Y1
+       CALL p256MulInternal<>(SB)
+
+       // ADD(T1<T3+T3)          // T1 = 2*T3
+       p256AddInternal(T1H,T1L,T3H,T3L,T3H,T3L)
+
+       // SUB(X3<T-T1) X3:=X3    // X3 = X3-T1
+       p256SubInternal(X3H,X3L,T1,T0,T1H,T1L)
+
+       LXVD2X  (R15)(R0), SWAP_
+       VPERM   X3L, X3L, SWAP, TT0
+       VPERM   X3H, X3H, SWAP, TT1
+       STXVD2X TT0_, (R0)(P3ptr)
+       STXVD2X TT1_, (R16)(P3ptr)
+
+       // SUB(X<T3-X3)           // T1 = T3-X3
+       p256SubInternal(X1,X0,T3H,T3L,X3H,X3L)
+
+       // X-  ; Y-  ; MUL; T-    // T1 = T1*T2
+       CALL p256MulInternal<>(SB)
+
+       // SUB(Y3<T-Y3)           // Y3 = T1-Y3
+       p256SubInternal(Y3H,Y3L,T1,T0,Y3H,Y3L)
+
+       LXVD2X  (R15)(R0), SWAP_
+       VPERM   Y3L, Y3L, SWAP, Y3L
+       VPERM   Y3H, Y3H, SWAP, Y3H
+       STXVD2X Y3L_, (R17)(P3ptr)
+       STXVD2X Y3H_, (R18)(P3ptr)
+       RET
+
+#undef P3ptr
+#undef P1ptr
+#undef CPOOL
+#undef X3L
+#undef X3H
+#undef X3L_
+#undef X3H_
+#undef Y3L
+#undef Y3H
+#undef Y3L_
+#undef Y3H_
+#undef T1L
+#undef T1H
+#undef T2L
+#undef T2H
+#undef T3L
+#undef T3H
+#undef X1L
+#undef X1H
+#undef X1L_
+#undef X1H_
+#undef Y1L
+#undef Y1H
+#undef Y1L_
+#undef Y1H_
+#undef Z1L
+#undef Z1H
+#undef TT0
+#undef TT1
+#undef TT0_
+#undef TT1_
+#undef T2
+#undef X0
+#undef X1
+#undef X0_
+#undef X1_
+#undef Y0
+#undef Y1
+#undef Y0_
+#undef Y1_
+#undef T0
+#undef T1
+#undef T0_
+#undef T1_
+#undef PL
+#undef PH
+#undef PL_
+#undef PH_
+#undef Z3L
+#undef Z3H
+#undef ZER
+#undef SEL1
+#undef CAR1
+#undef CAR2
+#undef SWAP
+#undef SWAP_
+
+// p256PointAddAsm(P3, P1, P2 *p256Point)
+#define P3ptr  R3
+#define P1ptr  R4
+#define P2ptr  R5
+#define CPOOL  R7
+#define TRUE   R14
+#define RES1   R9
+#define RES2   R10
+
+// Temporaries in REGs
+#define T1L   V16
+#define T1H   V17
+#define T2L   V18
+#define T2H   V19
+#define U1L   V20
+#define U1H   V21
+#define S1L   V22
+#define S1H   V23
+#define HL    V24
+#define HH    V25
+#define RL    V26
+#define RH    V27
+#define RH_   VS59
+
+// Temps for Sub and Add
+#define ZER   V6
+#define SEL1  V7
+#define CAR1  V8
+#define CAR2  V9
+#define TT0  V11
+#define TT0_ VS43
+#define TT1  V12
+#define TT1_ VS44
+#define T2   V13
+
+#define SWAP V28
+#define SWAP_ VS60
+
+// p256MulAsm Parameters
+#define X0    V0
+#define X1    V1
+#define X0_   VS32
+#define X1_   VS33
+#define Y0    V2
+#define Y1    V3
+#define Y0_   VS34
+#define Y1_   VS35
+#define T0    V4
+#define T1    V5
+#define T0_   VS36
+#define T1_   VS37
+
+#define PL    V30
+#define PH    V31
+#define PL_   VS62
+#define PH_   VS63
+/*
+ * https://choucroutage.com/Papers/SideChannelAttacks/ctrsa-2011-brown.pdf "Software Implementation of the NIST Elliptic Curves Over Prime Fields"
+ *
+ * A = X₁×Z₂²
+ * B = Y₁×Z₂³
+ * C = X₂×Z₁²-A
+ * D = Y₂×Z₁³-B
+ * X₃ = D² - 2A×C² - C³
+ * Y₃ = D×(A×C² - X₃) - B×C³
+ * Z₃ = Z₁×Z₂×C
+ *
+ * Three-operand formula (adopted): http://www.hyperelliptic.org/EFD/g1p/auto-shortw-jacobian-3.html#addition-add-1998-cmo-2
+ * Temp storage: T1,T2,U1,H,Z3=X3=Y3,S1,R
+ *
+ * T1 = Z1*Z1
+ * T2 = Z2*Z2
+ * U1 = X1*T2
+ * H  = X2*T1
+ * H  = H-U1
+ * Z3 = Z1*Z2
+ * Z3 = Z3*H << store-out Z3 result reg.. could override Z1, if slices have same backing array
+ *
+ * S1 = Z2*T2
+ * S1 = Y1*S1
+ * R  = Z1*T1
+ * R  = Y2*R
+ * R  = R-S1
+ *
+ * T1 = H*H
+ * T2 = H*T1
+ * U1 = U1*T1
+ *
+ * X3 = R*R
+ * X3 = X3-T2
+ * T1 = 2*U1
+ * X3 = X3-T1 << store-out X3 result reg
+ *
+ * T2 = S1*T2
+ * Y3 = U1-X3
+ * Y3 = R*Y3
+ * Y3 = Y3-T2 << store-out Y3 result reg
+
+       // X=Z1; Y=Z1; MUL; T-   // T1 = Z1*Z1
+       // X-  ; Y=T ; MUL; R=T  // R  = Z1*T1
+       // X=X2; Y-  ; MUL; H=T  // H  = X2*T1
+       // X=Z2; Y=Z2; MUL; T-   // T2 = Z2*Z2
+       // X-  ; Y=T ; MUL; S1=T // S1 = Z2*T2
+       // X=X1; Y-  ; MUL; U1=T // U1 = X1*T2
+       // SUB(H<H-T)            // H  = H-U1
+       // X=Z1; Y=Z2; MUL; T-   // Z3 = Z1*Z2
+       // X=T ; Y=H ; MUL; Z3:=T// Z3 = Z3*H << store-out Z3 result reg.. could override Z1, if slices have same backing array
+       // X=Y1; Y=S1; MUL; S1=T // S1 = Y1*S1
+       // X=Y2; Y=R ; MUL; T-   // R  = Y2*R
+       // SUB(R<T-S1)           // R  = R-S1
+       // X=H ; Y=H ; MUL; T-   // T1 = H*H
+       // X-  ; Y=T ; MUL; T2=T // T2 = H*T1
+       // X=U1; Y-  ; MUL; U1=T // U1 = U1*T1
+       // X=R ; Y=R ; MUL; T-   // X3 = R*R
+       // SUB(T<T-T2)           // X3 = X3-T2
+       // ADD(X<U1+U1)          // T1 = 2*U1
+       // SUB(T<T-X) X3:=T      // X3 = X3-T1 << store-out X3 result reg
+       // SUB(Y<U1-T)           // Y3 = U1-X3
+       // X=R ; Y-  ; MUL; U1=T // Y3 = R*Y3
+       // X=S1; Y=T2; MUL; T-   // T2 = S1*T2
+       // SUB(T<U1-T); Y3:=T    // Y3 = Y3-T2 << store-out Y3 result reg
+       */
+TEXT ·p256PointAddAsm(SB), NOSPLIT, $16-32
+       MOVD res+0(FP), P3ptr
+       MOVD in1+8(FP), P1ptr
+       MOVD $p256mul<>+0x00(SB), CPOOL
+       MOVD $16, R16
+       MOVD $32, R17
+       MOVD $48, R18
+       MOVD $64, R19
+       MOVD $80, R20
+
+       MOVD   $byteswap<>+0x00(SB), R8
+       LXVD2X (R16)(CPOOL), PH_
+       LXVD2X (R0)(CPOOL), PL_
+
+       // X=Z1; Y=Z1; MUL; T-   // T1 = Z1*Z1
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R19)(P1ptr), X0_     // Z1L
+       LXVD2X (R20)(P1ptr), X1_     // Z1H
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       VOR    X0, X0, Y0
+       VOR    X1, X1, Y1
+       CALL   p256MulInternal<>(SB)
+
+       // X-  ; Y=T ; MUL; R=T  // R  = Z1*T1
+       VOR  T0, T0, Y0
+       VOR  T1, T1, Y1
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, RL            // SAVE: RL
+       VOR  T1, T1, RH            // SAVE: RH
+
+       STXVD2X RH_, (R1)(R17) // V27 has to be saved
+
+       // X=X2; Y-  ; MUL; H=T  // H  = X2*T1
+       MOVD   in2+16(FP), P2ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R0)(P2ptr), X0_      // X2L
+       LXVD2X (R16)(P2ptr), X1_     // X2H
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       CALL   p256MulInternal<>(SB)
+       VOR    T0, T0, HL            // SAVE: HL
+       VOR    T1, T1, HH            // SAVE: HH
+
+       // X=Z2; Y=Z2; MUL; T-   // T2 = Z2*Z2
+       MOVD   in2+16(FP), P2ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R19)(P2ptr), X0_     // Z2L
+       LXVD2X (R20)(P2ptr), X1_     // Z2H
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       VOR    X0, X0, Y0
+       VOR    X1, X1, Y1
+       CALL   p256MulInternal<>(SB)
+
+       // X-  ; Y=T ; MUL; S1=T // S1 = Z2*T2
+       VOR  T0, T0, Y0
+       VOR  T1, T1, Y1
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, S1L           // SAVE: S1L
+       VOR  T1, T1, S1H           // SAVE: S1H
+
+       // X=X1; Y-  ; MUL; U1=T // U1 = X1*T2
+       MOVD   in1+8(FP), P1ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R0)(P1ptr), X0_      // X1L
+       LXVD2X (R16)(P1ptr), X1_     // X1H
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       CALL   p256MulInternal<>(SB)
+       VOR    T0, T0, U1L           // SAVE: U1L
+       VOR    T1, T1, U1H           // SAVE: U1H
+
+       // SUB(H<H-T)            // H  = H-U1
+       p256SubInternal(HH,HL,HH,HL,T1,T0)
+
+       // if H == 0 or H^P == 0 then ret=1 else ret=0
+       // clobbers T1H and T1L
+       MOVD       $1, TRUE
+       VSPLTISB   $0, ZER
+       VOR        HL, HH, T1H
+       VCMPEQUDCC ZER, T1H, T1H
+
+       // 26 = CR6 NE
+       ISEL       $26, R0, TRUE, RES1
+       VXOR       HL, PL, T1L         // SAVE: T1L
+       VXOR       HH, PH, T1H         // SAVE: T1H
+       VOR        T1L, T1H, T1H
+       VCMPEQUDCC ZER, T1H, T1H
+
+       // 26 = CR6 NE
+       ISEL $26, R0, TRUE, RES2
+       OR   RES2, RES1, RES1
+       MOVD RES1, ret+24(FP)
+
+       // X=Z1; Y=Z2; MUL; T-   // Z3 = Z1*Z2
+       MOVD   $byteswap<>+0x00(SB), R8
+       MOVD   in1+8(FP), P1ptr
+       MOVD   in2+16(FP), P2ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R19)(P1ptr), X0_        // Z1L
+       LXVD2X (R20)(P1ptr), X1_        // Z1H
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       LXVD2X (R19)(P2ptr), Y0_        // Z2L
+       LXVD2X (R20)(P2ptr), Y1_        // Z2H
+       VPERM  Y0, Y0, SWAP, Y0
+       VPERM  Y1, Y1, SWAP, Y1
+       CALL   p256MulInternal<>(SB)
+
+       // X=T ; Y=H ; MUL; Z3:=T// Z3 = Z3*H
+       VOR     T0, T0, X0
+       VOR     T1, T1, X1
+       VOR     HL, HL, Y0
+       VOR     HH, HH, Y1
+       CALL    p256MulInternal<>(SB)
+       MOVD    res+0(FP), P3ptr
+       LXVD2X  (R8)(R0), SWAP_
+       VPERM   T1, T1, SWAP, TT1
+       VPERM   T0, T0, SWAP, TT0
+       STXVD2X TT0_, (R19)(P3ptr)
+       STXVD2X TT1_, (R20)(P3ptr)
+
+       // X=Y1; Y=S1; MUL; S1=T // S1 = Y1*S1
+       MOVD   in1+8(FP), P1ptr
+       LXVD2X (R17)(P1ptr), X0_
+       LXVD2X (R18)(P1ptr), X1_
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       VOR    S1L, S1L, Y0
+       VOR    S1H, S1H, Y1
+       CALL   p256MulInternal<>(SB)
+       VOR    T0, T0, S1L
+       VOR    T1, T1, S1H
+
+       // X=Y2; Y=R ; MUL; T-   // R  = Y2*R
+       MOVD   in2+16(FP), P2ptr
+       LXVD2X (R8)(R0), SWAP_
+       LXVD2X (R17)(P2ptr), X0_
+       LXVD2X (R18)(P2ptr), X1_
+       VPERM  X0, X0, SWAP, X0
+       VPERM  X1, X1, SWAP, X1
+       VOR    RL, RL, Y0
+
+       // VOR RH, RH, Y1   RH was saved above in D2X format
+       LXVD2X (R1)(R17), Y1_
+       CALL   p256MulInternal<>(SB)
+
+       // SUB(R<T-S1)           // R  = T-S1
+       p256SubInternal(RH,RL,T1,T0,S1H,S1L)
+
+       STXVD2X RH_, (R1)(R17) // Save RH
+
+       // if R == 0 or R^P == 0 then ret=ret else ret=0
+       // clobbers T1H and T1L
+       // Redo this using ISEL??
+       MOVD       $1, TRUE
+       VSPLTISB   $0, ZER
+       VOR        RL, RH, T1H
+       VCMPEQUDCC ZER, T1H, T1H
+
+       // 24 = CR6 NE
+       ISEL       $26, R0, TRUE, RES1
+       VXOR       RL, PL, T1L
+       VXOR       RH, PH, T1H         // SAVE: T1L
+       VOR        T1L, T1H, T1H
+       VCMPEQUDCC ZER, T1H, T1H
+
+       // 26 = CR6 NE
+       ISEL $26, R0, TRUE, RES2
+       OR   RES2, RES1, RES1
+       MOVD ret+24(FP), RES2
+       AND  RES2, RES1, RES1
+       MOVD RES1, ret+24(FP)
+
+       // X=H ; Y=H ; MUL; T-   // T1 = H*H
+       VOR  HL, HL, X0
+       VOR  HH, HH, X1
+       VOR  HL, HL, Y0
+       VOR  HH, HH, Y1
+       CALL p256MulInternal<>(SB)
+
+       // X-  ; Y=T ; MUL; T2=T // T2 = H*T1
+       VOR  T0, T0, Y0
+       VOR  T1, T1, Y1
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, T2L
+       VOR  T1, T1, T2H
+
+       // X=U1; Y-  ; MUL; U1=T // U1 = U1*T1
+       VOR  U1L, U1L, X0
+       VOR  U1H, U1H, X1
+       CALL p256MulInternal<>(SB)
+       VOR  T0, T0, U1L
+       VOR  T1, T1, U1H
+
+       // X=R ; Y=R ; MUL; T-   // X3 = R*R
+       VOR RL, RL, X0
+
+       // VOR  RH, RH, X1
+       VOR RL, RL, Y0
+
+       // RH was saved above using STXVD2X
+       LXVD2X (R1)(R17), X1_
+       VOR    X1, X1, Y1
+
+       // VOR  RH, RH, Y1
+       CALL p256MulInternal<>(SB)
+
+       // SUB(T<T-T2)           // X3 = X3-T2
+       p256SubInternal(T1,T0,T1,T0,T2H,T2L)
+
+       // ADD(X<U1+U1)          // T1 = 2*U1
+       p256AddInternal(X1,X0,U1H,U1L,U1H,U1L)
+
+       // SUB(T<T-X) X3:=T      // X3 = X3-T1 << store-out X3 result reg
+       p256SubInternal(T1,T0,T1,T0,X1,X0)
+       MOVD    res+0(FP), P3ptr
+       LXVD2X  (R8)(R0), SWAP_
+       VPERM   T1, T1, SWAP, TT1
+       VPERM   T0, T0, SWAP, TT0
+       STXVD2X TT0_, (R0)(P3ptr)
+       STXVD2X TT1_, (R16)(P3ptr)
+
+       // SUB(Y<U1-T)           // Y3 = U1-X3
+       p256SubInternal(Y1,Y0,U1H,U1L,T1,T0)
+
+       // X=R ; Y-  ; MUL; U1=T // Y3 = R*Y3
+       VOR RL, RL, X0
+
+       // VOR  RH, RH, X1
+       LXVD2X (R1)(R17), X1_
+       CALL   p256MulInternal<>(SB)
+       VOR    T0, T0, U1L
+       VOR    T1, T1, U1H
+
+       // X=S1; Y=T2; MUL; T-   // T2 = S1*T2
+       VOR  S1L, S1L, X0
+       VOR  S1H, S1H, X1
+       VOR  T2L, T2L, Y0
+       VOR  T2H, T2H, Y1
+       CALL p256MulInternal<>(SB)
+
+       // SUB(T<U1-T); Y3:=T    // Y3 = Y3-T2 << store-out Y3 result reg
+       p256SubInternal(T1,T0,U1H,U1L,T1,T0)
+       MOVD    res+0(FP), P3ptr
+       LXVD2X  (R8)(R0), SWAP_
+       VPERM   T1, T1, SWAP, TT1
+       VPERM   T0, T0, SWAP, TT0
+       STXVD2X TT0_, (R17)(P3ptr)
+       STXVD2X TT1_, (R18)(P3ptr)
+
+       RET
index 9427331d52eb6ab1bd9595d12d472ff86abad27c..f74c607a88f479cbf62f371db30e876008339cda 100644 (file)
@@ -2,7 +2,7 @@
 // Use of this source code is governed by a BSD-style
 // license that can be found in the LICENSE file.
 
-// +build !amd64,!s390x,!arm64
+// +build !amd64,!s390x,!arm64,!ppc64le
 
 package elliptic
 
diff --git a/src/crypto/elliptic/p256_ppc64le.go b/src/crypto/elliptic/p256_ppc64le.go
new file mode 100644 (file)
index 0000000..4b41fb9
--- /dev/null
@@ -0,0 +1,505 @@
+// Copyright 2019 The Go Authors. All rights reserved.
+// Use of this source code is governed by a BSD-style
+// license that can be found in the LICENSE file.
+
+// +build ppc64le
+
+package elliptic
+
+import (
+       "crypto/subtle"
+       "math/big"
+)
+
+// This was ported from the s390x implementation for ppc64le.
+// Some hints are included here for changes that should be
+// in the big endian ppc64 implementation, however more
+// investigation and testing is needed for the ppc64 big
+// endian version to work.
+type p256CurveFast struct {
+       *CurveParams
+}
+
+type p256Point struct {
+       x [32]byte
+       y [32]byte
+       z [32]byte
+}
+
+var (
+       p256        Curve
+       p256PreFast *[37][64]p256Point
+)
+
+func initP256Arch() {
+       p256 = p256CurveFast{p256Params}
+       initTable()
+       return
+}
+
+func (curve p256CurveFast) Params() *CurveParams {
+       return curve.CurveParams
+}
+
+// Functions implemented in p256_asm_ppc64le.s
+// Montgomery multiplication modulo P256
+//
+//go:noescape
+func p256MulAsm(res, in1, in2 []byte)
+
+// Montgomery square modulo P256
+//
+func p256Sqr(res, in []byte) {
+       p256MulAsm(res, in, in)
+}
+
+// Montgomery multiplication by 1
+//
+//go:noescape
+func p256FromMont(res, in []byte)
+
+// iff cond == 1  val <- -val
+//
+//go:noescape
+func p256NegCond(val *p256Point, cond int)
+
+// if cond == 0 res <- b; else res <- a
+//
+//go:noescape
+func p256MovCond(res, a, b *p256Point, cond int)
+
+// Constant time table access
+//
+//go:noescape
+func p256Select(point *p256Point, table []p256Point, idx int)
+
+//
+//go:noescape
+func p256SelectBase(point *p256Point, table []p256Point, idx int)
+
+// Reverse the bytes (endianness)
+//go:noescape
+func p256ReverseBytes(res, in []byte)
+
+// Point add with P2 being affine point
+// If sign == 1 -> P2 = -P2
+// If sel == 0 -> P3 = P1
+// if zero == 0 -> P3 = P2
+//
+//go:noescape
+func p256PointAddAffineAsm(res, in1, in2 *p256Point, sign, sel, zero int)
+
+// Point add
+//
+//go:noescape
+func p256PointAddAsm(res, in1, in2 *p256Point) int
+
+//
+//go:noescape
+func p256PointDoubleAsm(res, in *p256Point)
+
+// The result should be a slice in LE order, but the slice
+// from big.Bytes is in BE order.
+// TODO: For big endian implementation, do not reverse bytes.
+//
+func fromBig(big *big.Int) []byte {
+       // This could be done a lot more efficiently...
+       res := big.Bytes()
+       t := make([]byte, 32)
+       if len(res) < 32 {
+               copy(t[32-len(res):], res)
+       } else if len(res) == 32 {
+               copy(t, res)
+       } else {
+               copy(t, res[len(res)-32:])
+       }
+       p256ReverseBytes(t, t)
+       return t
+}
+
+// p256GetMultiplier makes sure byte array will have 32 byte elements, If the scalar
+// is equal or greater than the order of the group, it's reduced modulo that order.
+func p256GetMultiplier(in []byte) []byte {
+       n := new(big.Int).SetBytes(in)
+
+       if n.Cmp(p256Params.N) >= 0 {
+               n.Mod(n, p256Params.N)
+       }
+       return fromBig(n)
+}
+
+// p256MulAsm operates in a Montgomery domain with R = 2^256 mod p, where p is the
+// underlying field of the curve. (See initP256 for the value.) Thus rr here is
+// R×R mod p. See comment in Inverse about how this is used.
+// TODO: For big endian implementation, the bytes in these slices should be in reverse order,
+// as found in the s390x implementation.
+var rr = []byte{0x03, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x0, 0xff, 0xff, 0xff, 0xff, 0xfb, 0xff, 0xff, 0xff, 0xfe, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xfd, 0xff, 0xff, 0xff, 0x04, 0x00, 0x00, 0x00}
+
+// (This is one, in the Montgomery domain.)
+var one = []byte{0x01, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xfe, 0xff, 0xff, 0xff, 0x00, 0x00, 0x00, 0x00}
+
+func maybeReduceModP(in *big.Int) *big.Int {
+       if in.Cmp(p256Params.P) < 0 {
+               return in
+       }
+       return new(big.Int).Mod(in, p256Params.P)
+}
+
+func (curve p256CurveFast) CombinedMult(bigX, bigY *big.Int, baseScalar, scalar []byte) (x, y *big.Int) {
+       var r1, r2 p256Point
+
+       scalarReduced := p256GetMultiplier(baseScalar)
+       r1IsInfinity := scalarIsZero(scalarReduced)
+       r1.p256BaseMult(scalarReduced)
+
+       copy(r2.x[:], fromBig(maybeReduceModP(bigX)))
+       copy(r2.y[:], fromBig(maybeReduceModP(bigY)))
+       copy(r2.z[:], one)
+       p256MulAsm(r2.x[:], r2.x[:], rr[:])
+       p256MulAsm(r2.y[:], r2.y[:], rr[:])
+
+       scalarReduced = p256GetMultiplier(scalar)
+       r2IsInfinity := scalarIsZero(scalarReduced)
+       r2.p256ScalarMult(scalarReduced)
+
+       var sum, double p256Point
+       pointsEqual := p256PointAddAsm(&sum, &r1, &r2)
+       p256PointDoubleAsm(&double, &r1)
+       p256MovCond(&sum, &double, &sum, pointsEqual)
+       p256MovCond(&sum, &r1, &sum, r2IsInfinity)
+       p256MovCond(&sum, &r2, &sum, r1IsInfinity)
+       return sum.p256PointToAffine()
+}
+
+func (curve p256CurveFast) ScalarBaseMult(scalar []byte) (x, y *big.Int) {
+       var r p256Point
+       reducedScalar := p256GetMultiplier(scalar)
+       r.p256BaseMult(reducedScalar)
+       return r.p256PointToAffine()
+}
+
+func (curve p256CurveFast) ScalarMult(bigX, bigY *big.Int, scalar []byte) (x, y *big.Int) {
+       scalarReduced := p256GetMultiplier(scalar)
+       var r p256Point
+       copy(r.x[:], fromBig(maybeReduceModP(bigX)))
+       copy(r.y[:], fromBig(maybeReduceModP(bigY)))
+       copy(r.z[:], one)
+       p256MulAsm(r.x[:], r.x[:], rr[:])
+       p256MulAsm(r.y[:], r.y[:], rr[:])
+       r.p256ScalarMult(scalarReduced)
+       return r.p256PointToAffine()
+}
+
+func scalarIsZero(scalar []byte) int {
+       // If any byte is not zero, return 0.
+       // Check for -0.... since that appears to compare to 0.
+       b := byte(0)
+       for _, s := range scalar {
+               b |= s
+       }
+       return subtle.ConstantTimeByteEq(b, 0)
+}
+
+func (p *p256Point) p256PointToAffine() (x, y *big.Int) {
+       zInv := make([]byte, 32)
+       zInvSq := make([]byte, 32)
+
+       p256Inverse(zInv, p.z[:])
+       p256Sqr(zInvSq, zInv)
+       p256MulAsm(zInv, zInv, zInvSq)
+
+       p256MulAsm(zInvSq, p.x[:], zInvSq)
+       p256MulAsm(zInv, p.y[:], zInv)
+
+       p256FromMont(zInvSq, zInvSq)
+       p256FromMont(zInv, zInv)
+
+       // SetBytes expects a slice in big endian order,
+       // since ppc64le is little endian, reverse the bytes.
+       // TODO: For big endian, bytes don't need to be reversed.
+       p256ReverseBytes(zInvSq, zInvSq)
+       p256ReverseBytes(zInv, zInv)
+       rx := new(big.Int).SetBytes(zInvSq)
+       ry := new(big.Int).SetBytes(zInv)
+       return rx, ry
+}
+
+// p256Inverse sets out to in^-1 mod p.
+func p256Inverse(out, in []byte) {
+       var stack [6 * 32]byte
+       p2 := stack[32*0 : 32*0+32]
+       p4 := stack[32*1 : 32*1+32]
+       p8 := stack[32*2 : 32*2+32]
+       p16 := stack[32*3 : 32*3+32]
+       p32 := stack[32*4 : 32*4+32]
+
+       p256Sqr(out, in)
+       p256MulAsm(p2, out, in) // 3*p
+
+       p256Sqr(out, p2)
+       p256Sqr(out, out)
+       p256MulAsm(p4, out, p2) // f*p
+
+       p256Sqr(out, p4)
+       p256Sqr(out, out)
+       p256Sqr(out, out)
+       p256Sqr(out, out)
+       p256MulAsm(p8, out, p4) // ff*p
+
+       p256Sqr(out, p8)
+
+       for i := 0; i < 7; i++ {
+               p256Sqr(out, out)
+       }
+       p256MulAsm(p16, out, p8) // ffff*p
+
+       p256Sqr(out, p16)
+       for i := 0; i < 15; i++ {
+               p256Sqr(out, out)
+       }
+       p256MulAsm(p32, out, p16) // ffffffff*p
+
+       p256Sqr(out, p32)
+
+       for i := 0; i < 31; i++ {
+               p256Sqr(out, out)
+       }
+       p256MulAsm(out, out, in)
+
+       for i := 0; i < 32*4; i++ {
+               p256Sqr(out, out)
+       }
+       p256MulAsm(out, out, p32)
+
+       for i := 0; i < 32; i++ {
+               p256Sqr(out, out)
+       }
+       p256MulAsm(out, out, p32)
+
+       for i := 0; i < 16; i++ {
+               p256Sqr(out, out)
+       }
+       p256MulAsm(out, out, p16)
+
+       for i := 0; i < 8; i++ {
+               p256Sqr(out, out)
+       }
+       p256MulAsm(out, out, p8)
+
+       p256Sqr(out, out)
+       p256Sqr(out, out)
+       p256Sqr(out, out)
+       p256Sqr(out, out)
+       p256MulAsm(out, out, p4)
+
+       p256Sqr(out, out)
+       p256Sqr(out, out)
+       p256MulAsm(out, out, p2)
+
+       p256Sqr(out, out)
+       p256Sqr(out, out)
+       p256MulAsm(out, out, in)
+}
+
+func boothW5(in uint) (int, int) {
+       var s uint = ^((in >> 5) - 1)
+       var d uint = (1 << 6) - in - 1
+       d = (d & s) | (in & (^s))
+       d = (d >> 1) + (d & 1)
+       return int(d), int(s & 1)
+}
+
+func boothW6(in uint) (int, int) {
+       var s uint = ^((in >> 6) - 1)
+       var d uint = (1 << 7) - in - 1
+       d = (d & s) | (in & (^s))
+       d = (d >> 1) + (d & 1)
+       return int(d), int(s & 1)
+}
+
+func boothW7(in uint) (int, int) {
+       var s uint = ^((in >> 7) - 1)
+       var d uint = (1 << 8) - in - 1
+       d = (d & s) | (in & (^s))
+       d = (d >> 1) + (d & 1)
+       return int(d), int(s & 1)
+}
+
+func initTable() {
+
+       p256PreFast = new([37][64]p256Point)
+
+       // TODO: For big endian, these slices should be in reverse byte order,
+       // as found in the s390x implementation.
+       basePoint := p256Point{
+               x: [32]byte{0x3c, 0x14, 0xa9, 0x18, 0xd4, 0x30, 0xe7, 0x79, 0x01, 0xb6, 0xed, 0x5f, 0xfc, 0x95, 0xba, 0x75,
+                       0x10, 0x25, 0x62, 0x77, 0x2b, 0x73, 0xfb, 0x79, 0xc6, 0x55, 0x37, 0xa5, 0x76, 0x5f, 0x90, 0x18}, //(p256.x*2^256)%p
+               y: [32]byte{0x0a, 0x56, 0x95, 0xce, 0x57, 0x53, 0xf2, 0xdd, 0x5c, 0xe4, 0x19, 0xba, 0xe4, 0xb8, 0x4a, 0x8b,
+                       0x25, 0xf3, 0x21, 0xdd, 0x88, 0x86, 0xe8, 0xd2, 0x85, 0x5d, 0x88, 0x25, 0x18, 0xff, 0x71, 0x85}, //(p256.y*2^256)%p
+               z: [32]byte{0x01, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0xff, 0xff, 0xff, 0xff,
+                       0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xff, 0xfe, 0xff, 0xff, 0xff, 0x00, 0x00, 0x00, 0x00}, //(p256.z*2^256)%p
+
+       }
+
+       t1 := new(p256Point)
+       t2 := new(p256Point)
+       *t2 = basePoint
+
+       zInv := make([]byte, 32)
+       zInvSq := make([]byte, 32)
+       for j := 0; j < 64; j++ {
+               *t1 = *t2
+               for i := 0; i < 37; i++ {
+                       // The window size is 7 so we need to double 7 times.
+                       if i != 0 {
+                               for k := 0; k < 7; k++ {
+                                       p256PointDoubleAsm(t1, t1)
+                               }
+                       }
+                       // Convert the point to affine form. (Its values are
+                       // still in Montgomery form however.)
+                       p256Inverse(zInv, t1.z[:])
+                       p256Sqr(zInvSq, zInv)
+                       p256MulAsm(zInv, zInv, zInvSq)
+
+                       p256MulAsm(t1.x[:], t1.x[:], zInvSq)
+                       p256MulAsm(t1.y[:], t1.y[:], zInv)
+
+                       copy(t1.z[:], basePoint.z[:])
+                       // Update the table entry
+                       copy(p256PreFast[i][j].x[:], t1.x[:])
+                       copy(p256PreFast[i][j].y[:], t1.y[:])
+               }
+               if j == 0 {
+                       p256PointDoubleAsm(t2, &basePoint)
+               } else {
+                       p256PointAddAsm(t2, t2, &basePoint)
+               }
+       }
+}
+
+func (p *p256Point) p256BaseMult(scalar []byte) {
+       // TODO: For big endian, the index should be 31 not 0.
+       wvalue := (uint(scalar[0]) << 1) & 0xff
+       sel, sign := boothW7(uint(wvalue))
+       p256SelectBase(p, p256PreFast[0][:], sel)
+       p256NegCond(p, sign)
+
+       copy(p.z[:], one[:])
+       var t0 p256Point
+
+       copy(t0.z[:], one[:])
+
+       index := uint(6)
+       zero := sel
+       for i := 1; i < 37; i++ {
+               // TODO: For big endian, use the same index values as found
+               // in the  s390x implementation.
+               if index < 247 {
+                       wvalue = ((uint(scalar[index/8]) >> (index % 8)) + (uint(scalar[index/8+1]) << (8 - (index % 8)))) & 0xff
+               } else {
+                       wvalue = (uint(scalar[index/8]) >> (index % 8)) & 0xff
+               }
+               index += 7
+               sel, sign = boothW7(uint(wvalue))
+               p256SelectBase(&t0, p256PreFast[i][:], sel)
+               p256PointAddAffineAsm(p, p, &t0, sign, sel, zero)
+               zero |= sel
+       }
+}
+
+func (p *p256Point) p256ScalarMult(scalar []byte) {
+       // precomp is a table of precomputed points that stores powers of p
+       // from p^1 to p^16.
+       var precomp [16]p256Point
+       var t0, t1, t2, t3 p256Point
+
+       *&precomp[0] = *p
+       p256PointDoubleAsm(&t0, p)
+       p256PointDoubleAsm(&t1, &t0)
+       p256PointDoubleAsm(&t2, &t1)
+       p256PointDoubleAsm(&t3, &t2)
+       *&precomp[1] = t0
+       *&precomp[3] = t1
+       *&precomp[7] = t2
+       *&precomp[15] = t3
+
+       p256PointAddAsm(&t0, &t0, p)
+       p256PointAddAsm(&t1, &t1, p)
+       p256PointAddAsm(&t2, &t2, p)
+
+       *&precomp[2] = t0
+       *&precomp[4] = t1
+       *&precomp[8] = t2
+
+       p256PointDoubleAsm(&t0, &t0)
+       p256PointDoubleAsm(&t1, &t1)
+       *&precomp[5] = t0
+       *&precomp[9] = t1
+
+       p256PointAddAsm(&t2, &t0, p)
+       p256PointAddAsm(&t1, &t1, p)
+       *&precomp[6] = t2
+       *&precomp[10] = t1
+
+       p256PointDoubleAsm(&t0, &t0)
+       p256PointDoubleAsm(&t2, &t2)
+       *&precomp[11] = t0
+       *&precomp[13] = t2
+
+       p256PointAddAsm(&t0, &t0, p)
+       p256PointAddAsm(&t2, &t2, p)
+       *&precomp[12] = t0
+       *&precomp[14] = t2
+
+       // Start scanning the window from top bit
+       index := uint(254)
+       var sel, sign int
+
+       // TODO: For big endian, use index found in s390x implementation.
+       wvalue := (uint(scalar[index/8]) >> (index % 8)) & 0x3f
+       sel, _ = boothW5(uint(wvalue))
+       p256Select(p, precomp[:], sel)
+       zero := sel
+
+       for index > 4 {
+               index -= 5
+               p256PointDoubleAsm(p, p)
+               p256PointDoubleAsm(p, p)
+               p256PointDoubleAsm(p, p)
+               p256PointDoubleAsm(p, p)
+               p256PointDoubleAsm(p, p)
+
+               // TODO: For big endian, use index values as found in s390x implementation.
+               if index < 247 {
+                       wvalue = ((uint(scalar[index/8]) >> (index % 8)) + (uint(scalar[index/8+1]) << (8 - (index % 8)))) & 0x3f
+               } else {
+                       wvalue = (uint(scalar[index/8]) >> (index % 8)) & 0x3f
+               }
+
+               sel, sign = boothW5(uint(wvalue))
+
+               p256Select(&t0, precomp[:], sel)
+               p256NegCond(&t0, sign)
+               p256PointAddAsm(&t1, p, &t0)
+               p256MovCond(&t1, &t1, p, sel)
+               p256MovCond(p, &t1, &t0, zero)
+               zero |= sel
+       }
+
+       p256PointDoubleAsm(p, p)
+       p256PointDoubleAsm(p, p)
+       p256PointDoubleAsm(p, p)
+       p256PointDoubleAsm(p, p)
+       p256PointDoubleAsm(p, p)
+
+       // TODO: Use index for big endian as found in s390x implementation.
+       wvalue = (uint(scalar[0]) << 1) & 0x3f
+       sel, sign = boothW5(uint(wvalue))
+
+       p256Select(&t0, precomp[:], sel)
+       p256NegCond(&t0, sign)
+       p256PointAddAsm(&t1, p, &t0)
+       p256MovCond(&t1, &t1, p, sel)
+       p256MovCond(p, &t1, &t0, zero)
+}