LATX, opt: Inline PCLMULQDQ/VPCLMULQDQ

[phorcys]

Using simple ctz loop to accel.
Not using openssl's 4bit table-lookup, which have larger latency but higher gcm bandwidth.

Cipher	baseline kB/s	build64 vpaes kB/s	vpaes/base	with pclmul	vpaes+pclmul / base
AES-128-GCM	16599.14	40809.53	2.459	80756.74	4.865
AES-192-GCM	13885.03	38278.98	2.757	73515.01	5.294
AES-256-GCM	12097.68	36680.10	3.032	67323.35	5.565

[luzeng87]

审查总结

将 PCLMULQDQ/VPCLMULQDQ 从 helper 函数调用替换为 CTZ 循环内联实现。GF(2^128) 多项式乘法，CTZ 跳过零位，迭代次数从 64 次降为 popcount(lhs) 次。GCM 吞吐量提升约 2 倍，收益显著。

问题

1. translate_pclmulqdq 128 位路径缺少寄存器别名保护

256 位路径在 s0 == s1 时会显式创建副本：

if (s0 == s1) {
    src1_copy = ra_alloc_ftemp();
    la_xvori_b(src1_copy, src1, 0);
}

但 128 位路径 (translate_pclmulqdq) 直接传 dest 作为 v 参数。虽然当前实现中读取在写入之前（函数先 vpickve2gr_d 读 v，最后才 vinsgr2vr_d 写 d），运行结果正确，但与 256 位路径不一致。建议添加相同保护逻辑，防止后续重构引入 bug。

2. CTZ 循环体重复 3 次

emit_pclmulqdq_ctz、emit_vpclmulqdq_ctz_128、emit_vpclmulqdq_ctz_256 包含几乎相同的 ~20 行 CTZ 循环。建议抽取公共函数 emit_pclmul_ctz_loop(lhs, rhs, res_lo, res_hi)。

3. 提交标题大小写

按项目规范应为 LATX, opt: Inline PCLMULQDQ/VPCLMULQDQ（Inline 首字母大写）。

小问题

• 变量重命名 a→lhs、b→rhs、resl→res_lo 清晰度提升明显
• 旧代码 cal_pclmulqdq 有 ra_free_temp(ctrlp)，新代码去掉了——符合 LATX 依赖 TB 结束时统一释放的惯例，无泄漏

结论

通过。 性能收益真实且显著，算法正确，无阻塞性问题。建议后续迭代时抽取公共 CTZ 循环体并统一别名保护。