xref: /linux/tools/perf/arch/x86/annotate/instructions.c (revision ae22a94997b8a03dcb3c922857c203246711f9d4)
1 // SPDX-License-Identifier: GPL-2.0
2 /*
3  * x86 instruction nmemonic table to parse disasm lines for annotate.
4  * This table is searched twice - one for exact match and another for
5  * match without a size suffix (b, w, l, q) in case of AT&T syntax.
6  *
7  * So this table should not have entries with the suffix unless it's
8  * a complete different instruction than ones without the suffix.
9  */
10 static struct ins x86__instructions[] = {
11 	{ .name = "adc",	.ops = &mov_ops,  },
12 	{ .name = "add",	.ops = &mov_ops,  },
13 	{ .name = "addsd",	.ops = &mov_ops,  },
14 	{ .name = "and",	.ops = &mov_ops,  },
15 	{ .name = "andpd",	.ops = &mov_ops,  },
16 	{ .name = "andps",	.ops = &mov_ops,  },
17 	{ .name = "bsr",	.ops = &mov_ops,  },
18 	{ .name = "bt",		.ops = &mov_ops,  },
19 	{ .name = "btr",	.ops = &mov_ops,  },
20 	{ .name = "bts",	.ops = &mov_ops,  },
21 	{ .name = "call",	.ops = &call_ops, },
22 	{ .name = "cmovbe",	.ops = &mov_ops,  },
23 	{ .name = "cmove",	.ops = &mov_ops,  },
24 	{ .name = "cmovae",	.ops = &mov_ops,  },
25 	{ .name = "cmp",	.ops = &mov_ops,  },
26 	{ .name = "cmpxch",	.ops = &mov_ops,  },
27 	{ .name = "cmpxchg",	.ops = &mov_ops,  },
28 	{ .name = "cs",		.ops = &mov_ops,  },
29 	{ .name = "dec",	.ops = &dec_ops,  },
30 	{ .name = "divsd",	.ops = &mov_ops,  },
31 	{ .name = "divss",	.ops = &mov_ops,  },
32 	{ .name = "gs",		.ops = &mov_ops,  },
33 	{ .name = "imul",	.ops = &mov_ops,  },
34 	{ .name = "inc",	.ops = &dec_ops,  },
35 	{ .name = "ja",		.ops = &jump_ops, },
36 	{ .name = "jae",	.ops = &jump_ops, },
37 	{ .name = "jb",		.ops = &jump_ops, },
38 	{ .name = "jbe",	.ops = &jump_ops, },
39 	{ .name = "jc",		.ops = &jump_ops, },
40 	{ .name = "jcxz",	.ops = &jump_ops, },
41 	{ .name = "je",		.ops = &jump_ops, },
42 	{ .name = "jecxz",	.ops = &jump_ops, },
43 	{ .name = "jg",		.ops = &jump_ops, },
44 	{ .name = "jge",	.ops = &jump_ops, },
45 	{ .name = "jl",		.ops = &jump_ops, },
46 	{ .name = "jle",	.ops = &jump_ops, },
47 	{ .name = "jmp",	.ops = &jump_ops, },
48 	{ .name = "jna",	.ops = &jump_ops, },
49 	{ .name = "jnae",	.ops = &jump_ops, },
50 	{ .name = "jnb",	.ops = &jump_ops, },
51 	{ .name = "jnbe",	.ops = &jump_ops, },
52 	{ .name = "jnc",	.ops = &jump_ops, },
53 	{ .name = "jne",	.ops = &jump_ops, },
54 	{ .name = "jng",	.ops = &jump_ops, },
55 	{ .name = "jnge",	.ops = &jump_ops, },
56 	{ .name = "jnl",	.ops = &jump_ops, },
57 	{ .name = "jnle",	.ops = &jump_ops, },
58 	{ .name = "jno",	.ops = &jump_ops, },
59 	{ .name = "jnp",	.ops = &jump_ops, },
60 	{ .name = "jns",	.ops = &jump_ops, },
61 	{ .name = "jnz",	.ops = &jump_ops, },
62 	{ .name = "jo",		.ops = &jump_ops, },
63 	{ .name = "jp",		.ops = &jump_ops, },
64 	{ .name = "jpe",	.ops = &jump_ops, },
65 	{ .name = "jpo",	.ops = &jump_ops, },
66 	{ .name = "jrcxz",	.ops = &jump_ops, },
67 	{ .name = "js",		.ops = &jump_ops, },
68 	{ .name = "jz",		.ops = &jump_ops, },
69 	{ .name = "lea",	.ops = &mov_ops,  },
70 	{ .name = "lock",	.ops = &lock_ops, },
71 	{ .name = "mov",	.ops = &mov_ops,  },
72 	{ .name = "movapd",	.ops = &mov_ops,  },
73 	{ .name = "movaps",	.ops = &mov_ops,  },
74 	{ .name = "movdqa",	.ops = &mov_ops,  },
75 	{ .name = "movdqu",	.ops = &mov_ops,  },
76 	{ .name = "movsd",	.ops = &mov_ops,  },
77 	{ .name = "movss",	.ops = &mov_ops,  },
78 	{ .name = "movsb",	.ops = &mov_ops,  },
79 	{ .name = "movsw",	.ops = &mov_ops,  },
80 	{ .name = "movsl",	.ops = &mov_ops,  },
81 	{ .name = "movupd",	.ops = &mov_ops,  },
82 	{ .name = "movups",	.ops = &mov_ops,  },
83 	{ .name = "movzb",	.ops = &mov_ops,  },
84 	{ .name = "movzw",	.ops = &mov_ops,  },
85 	{ .name = "movzl",	.ops = &mov_ops,  },
86 	{ .name = "mulsd",	.ops = &mov_ops,  },
87 	{ .name = "mulss",	.ops = &mov_ops,  },
88 	{ .name = "nop",	.ops = &nop_ops,  },
89 	{ .name = "or",		.ops = &mov_ops,  },
90 	{ .name = "orps",	.ops = &mov_ops,  },
91 	{ .name = "pand",	.ops = &mov_ops,  },
92 	{ .name = "paddq",	.ops = &mov_ops,  },
93 	{ .name = "pcmpeqb",	.ops = &mov_ops,  },
94 	{ .name = "por",	.ops = &mov_ops,  },
95 	{ .name = "rcl",	.ops = &mov_ops,  },
96 	{ .name = "ret",	.ops = &ret_ops,  },
97 	{ .name = "sbb",	.ops = &mov_ops,  },
98 	{ .name = "sete",	.ops = &mov_ops,  },
99 	{ .name = "sub",	.ops = &mov_ops,  },
100 	{ .name = "subsd",	.ops = &mov_ops,  },
101 	{ .name = "test",	.ops = &mov_ops,  },
102 	{ .name = "tzcnt",	.ops = &mov_ops,  },
103 	{ .name = "ucomisd",	.ops = &mov_ops,  },
104 	{ .name = "ucomiss",	.ops = &mov_ops,  },
105 	{ .name = "vaddsd",	.ops = &mov_ops,  },
106 	{ .name = "vandpd",	.ops = &mov_ops,  },
107 	{ .name = "vmovdqa",	.ops = &mov_ops,  },
108 	{ .name = "vmovq",	.ops = &mov_ops,  },
109 	{ .name = "vmovsd",	.ops = &mov_ops,  },
110 	{ .name = "vmulsd",	.ops = &mov_ops,  },
111 	{ .name = "vorpd",	.ops = &mov_ops,  },
112 	{ .name = "vsubsd",	.ops = &mov_ops,  },
113 	{ .name = "vucomisd",	.ops = &mov_ops,  },
114 	{ .name = "xadd",	.ops = &mov_ops,  },
115 	{ .name = "xbegin",	.ops = &jump_ops, },
116 	{ .name = "xchg",	.ops = &mov_ops,  },
117 	{ .name = "xor",	.ops = &mov_ops, },
118 	{ .name = "xorpd",	.ops = &mov_ops, },
119 	{ .name = "xorps",	.ops = &mov_ops, },
120 };
121 
122 static bool amd__ins_is_fused(struct arch *arch, const char *ins1,
123 			      const char *ins2)
124 {
125 	if (strstr(ins2, "jmp"))
126 		return false;
127 
128 	/* Family >= 15h supports cmp/test + branch fusion */
129 	if (arch->family >= 0x15 && (strstarts(ins1, "test") ||
130 	    (strstarts(ins1, "cmp") && !strstr(ins1, "xchg")))) {
131 		return true;
132 	}
133 
134 	/* Family >= 19h supports some ALU + branch fusion */
135 	if (arch->family >= 0x19 && (strstarts(ins1, "add") ||
136 	    strstarts(ins1, "sub") || strstarts(ins1, "and") ||
137 	    strstarts(ins1, "inc") || strstarts(ins1, "dec") ||
138 	    strstarts(ins1, "or") || strstarts(ins1, "xor"))) {
139 		return true;
140 	}
141 
142 	return false;
143 }
144 
145 static bool intel__ins_is_fused(struct arch *arch, const char *ins1,
146 				const char *ins2)
147 {
148 	if (arch->family != 6 || arch->model < 0x1e || strstr(ins2, "jmp"))
149 		return false;
150 
151 	if (arch->model == 0x1e) {
152 		/* Nehalem */
153 		if ((strstr(ins1, "cmp") && !strstr(ins1, "xchg")) ||
154 		     strstr(ins1, "test")) {
155 			return true;
156 		}
157 	} else {
158 		/* Newer platform */
159 		if ((strstr(ins1, "cmp") && !strstr(ins1, "xchg")) ||
160 		     strstr(ins1, "test") ||
161 		     strstr(ins1, "add") ||
162 		     strstr(ins1, "sub") ||
163 		     strstr(ins1, "and") ||
164 		     strstr(ins1, "inc") ||
165 		     strstr(ins1, "dec")) {
166 			return true;
167 		}
168 	}
169 
170 	return false;
171 }
172 
173 static int x86__cpuid_parse(struct arch *arch, char *cpuid)
174 {
175 	unsigned int family, model, stepping;
176 	int ret;
177 
178 	/*
179 	 * cpuid = "GenuineIntel,family,model,stepping"
180 	 */
181 	ret = sscanf(cpuid, "%*[^,],%u,%u,%u", &family, &model, &stepping);
182 	if (ret == 3) {
183 		arch->family = family;
184 		arch->model = model;
185 		arch->ins_is_fused = strstarts(cpuid, "AuthenticAMD") ?
186 					amd__ins_is_fused :
187 					intel__ins_is_fused;
188 		return 0;
189 	}
190 
191 	return -1;
192 }
193 
194 static int x86__annotate_init(struct arch *arch, char *cpuid)
195 {
196 	int err = 0;
197 
198 	if (arch->initialized)
199 		return 0;
200 
201 	if (cpuid) {
202 		if (x86__cpuid_parse(arch, cpuid))
203 			err = SYMBOL_ANNOTATE_ERRNO__ARCH_INIT_CPUID_PARSING;
204 	}
205 
206 	arch->initialized = true;
207 	return err;
208 }
209