L'exploitation en temps réel des données massives du monde numérique nécessite l'appropriation de nouvelles méthodes. L'extraction d'informations pertinentes dans des flux de données massifs, et potentiellement infinis, représente un défi de taille, toujours ouvert à ce jour. L'intérêt d'estimer des métriques ou d'identifier des motifs spécifiques entre différents flux de données est important dans de nombreuses applications traitant des masses de données, incluant l'apprentissage, la fouille de données, les bases de données, la collecte d'informations, ou la surveillance réseau. Cet article vise à dresser un panorama aussi complet que possible des différents modèles existants dans la littérature. Nous commençons par présenter le contexte général et la diversité des problématiques liées aux flux de données à grande échelle. Puis, nous proposons un horizon des différents modèles formels de flux ayant été proposés, principalement lors des 2 dernières décennies, ainsi que des exemples d'algorithmes utilisant ces modèles à vocation d'illustration. Le champ des possibles usages de ces méthodes est considérable. Les possibilités de décentralisation de ces algorithmes, l'optimisation par l'apport d'une information sémantique ou l'ouverture à de nouveaux modèles de flux dresseront, en guise de conclusion, des perspectives concrètes de ces modèles.